高速公路環(huán)境下駕駛員狀態(tài)辨識

譚德榮，呂長民，于廣鵬，張洪加

(山東理工大學 交通與車輛工程學院，山東 淄博 255049)

?

高速公路環(huán)境下駕駛員狀態(tài)辨識

譚德榮，呂長民，于廣鵬，張洪加

(山東理工大學 交通與車輛工程學院，山東 淄博 255049)

摘要：為了進一步提高高速公路環(huán)境下車輛的主動安全性，提出了一種基于信息融合的高速公路駕駛員狀態(tài)辨識方法?；诟咚俟否{駛員駕駛特征，通過高速公路模擬駕駛試驗，對駕駛員眼部狀態(tài)和油門踏板信號進行檢測。選取加油頻率、眨眼頻率、眼睛閉合率和眨眼持續(xù)時間作為駕駛員狀態(tài)的評價指標，采用模糊評價和D-S證據(jù)理論相結(jié)合的信息融合方法，建立了高速公路上駕駛員狀態(tài)辨識的模型，并通過實例驗證了該模型的有效性。

關鍵詞：駕駛員狀態(tài)識別；信息融合；模糊評價；D-S 證據(jù)理論

0引言

高速公路的迅猛發(fā)展，使高速交通在人們的生活中占據(jù)了非常重要的位置。截至2013年底，中國高速公路總里程數(shù)超過美國，位居世界第一[1]。然而，高速公路給人們的生活帶來方便的同時，也帶來了嚴重的安全問題和巨大的經(jīng)濟損失。另外，據(jù)美國高速公路駕駛安全管理委員會統(tǒng)計，79%的汽車追尾事故是駕駛員注意力分散造成的[2]。如果駕駛員能夠提前0.5 s發(fā)現(xiàn)前方車輛，追尾事故的發(fā)生概率可減少60%。因此，駕駛員狀態(tài)的判別對于提高車輛主動安全性有著重要的作用。文獻[3]研究了駕駛員眼部特征與駕駛員狀態(tài)的關系。文獻[4]研究了駕駛員操作行為與駕駛員狀態(tài)的關系。本文通過多源信息融合的方法把駕駛員眼部特征和操作行為相融合，更能準確判斷出駕駛員的狀態(tài)特征。

本文采用模糊評價和Dempsterk-Shafer(D-S)證據(jù)理論相結(jié)合的方法建立了駕駛員狀態(tài)辨識模型。首先，通過駕駛模擬器上加油踏板傳感器和視頻檢測技術(shù)獲取駕駛員的油門信號和眼部特征信息。然后，運用模糊評價方法對駕駛員眼部特征信息和油門動作信息進行初步融合，以模糊評價得到的結(jié)果作為D-S證據(jù)理論的基本概率賦值。在獲得基本概率賦值后，運用優(yōu)化權(quán)重對證據(jù)本身進行修正,再使用D-S規(guī)則獲得最終的融合結(jié)果。

1駕駛員狀態(tài)分析

由于高速公路特殊的行車環(huán)境，駕駛員長時間在高速公路環(huán)境下連續(xù)駕駛比在普通公路環(huán)境下更容易疲勞和打瞌睡。據(jù)統(tǒng)計，在高速公路環(huán)境中因疲勞駕駛引發(fā)的交通事故約占事故總數(shù)的20%。據(jù)法國高速公路管理部門公布的一項調(diào)查試驗稱，高速公路上駕駛員打瞌睡的頻率大約是每隔45 km瞌睡1次[2]，而且當駕駛員處于疲勞狀態(tài)下特別容易走神，每次走神持續(xù)時間約4 s。駕駛員的疲勞狀態(tài)可以通過駕駛員特征表現(xiàn)出來，本文以駕駛員的油門動作頻率、眨眼頻率、眼睛閉合率和眨眼持續(xù)時間作為駕駛員狀態(tài)判別的依據(jù)。

圖1為高速公路駕駛模擬條件下測量的駕駛員油門動作頻率與駕駛時長的關系[4]。隨著駕駛時間的增加，駕駛員的加速頻率明顯低于正常狀態(tài)。一個精神狀態(tài)良好的駕駛員的眨眼頻率約 2～4 s/次，當駕駛員進入疲勞狀態(tài)時其眨眼頻率會明顯降低。文獻[3]研究發(fā)現(xiàn)：當眨眼頻率低于 7 次/min 時，需要對駕駛員進行警告提示。同時，疲勞狀態(tài)下駕駛員眨眼速度明顯變慢,其眨眼持續(xù)時間約為1～2 s，而正常狀態(tài)下駕駛員的眨眼持續(xù)時間一般在0.25 s 以內(nèi),也可能在 1 s 以內(nèi)，但是卻不會在 1 s 以上。眼睛閉合率以PERCLOS判斷，PERCLOS指眼睛閉合時間占特定時間的百分率，能夠很好地反映駕駛員狀態(tài)，PERCLOS 的P70 標準(眼瞼遮住瞳孔的面積超過 70%就計為眼睛閉合，統(tǒng)計在一定時間內(nèi)眼睛閉合時所占的時間比例[3])與疲勞相關系數(shù)則可以更好地預測疲勞。

圖1　油門動作頻率與駕駛時長的關系

2駕駛員狀態(tài)辨識模型的建立

2.1模糊評價初步融合模型的建立

將模糊綜合評價原理運用于駕駛員狀態(tài)辨識中，利用多個駕駛員行為特征對模糊對象進行模糊評定，得出模糊矩陣。然后與各個評定因素的權(quán)重進行綜合，得到初步融合結(jié)果。融合步驟如下：

(Ⅰ)以高速公路環(huán)境下駕駛員眼部特征和駕駛行為特征為評價對象，設定各個評價對象中的評價因素集U={u1,u2,…,un}及其評價集V={υ1清醒，υ2走神，υ3疲勞，υ4深度疲勞}。

(Ⅱ)采用專家給定法，確定評價對象的模糊隸屬度。由8名專家評定打分，確定駕駛員的行為特征與駕駛員狀態(tài)的相關性，模糊評判表如表1所示。

表1　駕駛員特征的模糊評判表

(Ⅲ)采用層次分析法獲取各個評價因素的權(quán)值向量A，并選取合成算子，對由駕駛員特征隸屬度組成的模糊矩陣R與權(quán)值向量A進行合成，初步融合矩陣B=A·R。

2.2D-S證據(jù)理論融合模型的建立

以模糊評價的評價集作為D-S證據(jù)理論的焦元E，E={E1,E2,E3,E4}；以模糊評價的初步融合結(jié)果作為D-S證據(jù)理論初步的基本概率值m；以3個采集周期的融合結(jié)果作為D-S證據(jù)理論初步的證據(jù)源B，B={B1,B2,B3}。為了保證駕駛員狀態(tài)檢測的實時性和有效性，需要確定證據(jù)源本身的權(quán)重w,w={w1,w2,w3},并通過優(yōu)化權(quán)重對其進行修正，然后計算各證據(jù)體的基本概率賦值[5-6]。權(quán)重向量優(yōu)化的過程如下：首先，找出權(quán)重向量中最大的權(quán)重因子wmax=max{w1,w2,w3}；然后，計算出相對權(quán)重值w*={w1,w2,w3}/wmax,即基本概率分配值的“折算率”αi=wi/wmax，i=1,2,3；最后，各證據(jù)體的基本概率賦值為：

(1)

其中：k=1,2，…，n為證據(jù)體，同時為保證基本概率分配函數(shù)之和為1，需要對函數(shù)進行補充[7]。

(2)

從而得到各證據(jù)體的基本概率賦值m(Ej)，j=1,2,…,5。計算各證據(jù)的信度函數(shù)Bel和似然度函數(shù)Pl，其定義為[8]:

(3)

(4)

用證據(jù)合成公式對證據(jù)體進行合成：

(5)

D-S證據(jù)理論主要有基于信任函數(shù)、概率賦值和最小風險3種方法[9]。本文采用基于信任函數(shù)的方法，依據(jù)合成后的結(jié)果大小直接得出決策結(jié)果。

3實例分析

本文在駕駛模擬器上進行模擬駕駛試驗，通過眼動儀和油門位置傳感器，以15 s為一個周期對駕駛員特征進行實時采集，包括眨眼頻率、眼睛閉合率、眨眼持續(xù)時間和油門動作頻率。表2是某名駕駛員某段時間3個周期的采集數(shù)據(jù)，可以對駕駛員狀態(tài)進行實時判斷[10]。

表2　采集的數(shù)據(jù)

(Ⅰ)由表1獲取駕駛員特征模糊關系矩陣：

(Ⅱ)采用模糊層次分析法對評價因素兩兩對比，獲取各個評價因素的權(quán)值向量A，結(jié)果見表3。

表3　評價因素權(quán)重比對表

根據(jù)表3組建比較矩陣s：

A=[0.3020.1770.4260.095]。

通過模糊評價對權(quán)重向量和模糊關系矩陣進行合成：

B1=A·R1=[0.302 0.177 0.426 0.095]·0.10.30.30.30.40.40.200.10.20.40.30.10.40.30.2é?êêêêêù?úúúúú=

表4　初始基本概率賦值mB(E)

(Ⅳ)通過式(1)和式(2)對基本概率分配值修正，得到新的概率分配值，見表5。

表5　修正后的基本概率賦值(E)

(Ⅴ)由式(5)合成結(jié)果：

故m(E1)=0.147 8。同理可得，m(E2)= 0.147 5，m(E3)=0.177 9，m(E4)=0.452 0，m(E5)=0.222 2。

選取采用基于信任函數(shù)的決策，依據(jù)合成后的結(jié)果可直接得出決策結(jié)果：該駕駛員當前狀態(tài)為疲勞。

4結(jié)束語

通過駕駛員各種行為特征信息融合判斷出駕駛員狀態(tài)，對于提高高速公路車輛主動安全性具有十分重要的意義。本文采用模糊綜合評價和D-S證據(jù)理論相結(jié)合的方法，建立了基于模糊評價和D-S證據(jù)理論的高速公路駕駛員狀態(tài)辨識模型，最后通過對實例的分析，驗證了該方法的可行性，并獲得較理想的融合效果。

參考文獻：

[1]王洪明.我國公路交通事故的現(xiàn)狀及特征分析[J].中國安全科學學報,2009,19(10):121-126.

[2]胡立偉,林玉珍.駕駛?cè)斯否{車過程中主要生理參數(shù)變化規(guī)律研究[J].交通運輸系統(tǒng)工程與信息,2014,14(1):41-46.

[3]SOMMER D,GOLZ M.Evaluation of PERCLOS based current fatigue monitoring technologies[C]//Engineering in Medicine and Biology Society (EMBC),2010 Annual International Conference of the IEEE.IEEE,2010:4456-4459.

[4]吳超仲,張暉,毛喆,等.基于駕駛操作行為的駕駛員疲勞狀態(tài)識別模型研究[J].中國安全科學學報,2007,17(4):162-165.

[5]于東平,段萬春,孫永河.基于最優(yōu)權(quán)重的多源證據(jù)加權(quán)平均合成算法研究[J].統(tǒng)計與決策,2011(10):16-19.

[6]劉志成,喬慧,何佳洲.基于加權(quán)證據(jù)距離的高度沖突證據(jù)組合方法[J].計算機工程與應用,2014,50(3):103-107.

[7]康健,谷云彪,李一兵.基于DS證據(jù)理論的多傳感器信息融合算法[J].中國慣性技術(shù)學報,2012,20(6):670-673.

[8]劉兵,李輝,邢鋼.基于加權(quán)證據(jù)理論的模糊信息融合目標識別[J].計算機工程,2012,38(15):172-174.

[9]劉希亮,陳桂明.一種改進的證據(jù)合成方法[J].計算機應用研究,2013,30(9):2668-2671.

[10]唐小淋.基于多特征信息融合的違規(guī)駕駛行為檢測方法研究[D].廣州:華南理工大學,2013.

中圖分類號：U491

文獻標志碼：A

收稿日期：2015-04-16

作者簡介：譚德榮(1963-),男,山東淄博人,教授,博士,碩士生導師,主要從事智能交通和載運工具方面的研究.

基金項目：國家自然科學基金項目(61074140)；山東省自然科學基金項目(ZR2011EEM034)

文章編號：1672-6871(2016)03-0029-04

DOI:10.15926/j.cnki.issn1672-6871.2016.03.007