基于車輛行駛軌跡特征的駕駛?cè)似跔顟B(tài)識別技術(shù)研究

石曉玲+楊英倉

【摘要】 疲勞駕駛是引發(fā)交通事故的重要因素之一。設(shè)計了利用車輛行駛軌跡進(jìn)行駕駛?cè)似跔顟B(tài)判識的方案，基于車輛在車道線中的位置數(shù)據(jù)，建立了基于平均偏離程度和航向角標(biāo)準(zhǔn)差進(jìn)行疲勞狀態(tài)判識的模型，并應(yīng)用實際道路的實驗數(shù)據(jù)對該模型進(jìn)行了驗證。

【關(guān)鍵詞】 駕駛疲勞 車輛軌跡 機器視覺

Driver Drowsiness Detection Based on Vehicle Track SHI Xiaoling，YANG Yingcang（Guizhou Province Engineering Research Center for Traffic Accidents Responsibility Verification， Guiyang， 550005， China）

Abstract： Driver drowsiness is a major cause of road accidents. This paper puts forward a method of driver drowsiness detection which based on vehicle track. The Classification model which consists of deviation mean and standard deviation of steering angle is built as well.

Keywords： driver drowsiness， vehicle track， machine vision

一、引言

疲勞駕駛是當(dāng)今交通安全的重要隱患之一。駕駛?cè)嗽谄跁r，其對周圍環(huán)境的感知能力、形勢識別判斷能力和對車輛的操控能力都有不同程度的下降，因此很容易發(fā)生交通事故。統(tǒng)計數(shù)據(jù)表明，在2004年至2006年，我國因疲勞駕駛直接導(dǎo)致的死亡人數(shù)占全國機動車駕駛?cè)私煌ㄕ厥驴偹劳鋈藬?shù)的比例分別為3.27%、2.81%和2.5%[1-3]，大約每年有3000人死于疲勞駕駛。另外，世界各發(fā)達(dá)國家也正在積極開展駕駛?cè)似跔顟B(tài)監(jiān)控技術(shù)的研究，如歐洲的AWAKE項目、美國的SAVE-IT項目、日本的ASV項目等。研究結(jié)果表明，通過對對駕駛?cè)说臓顟B(tài)進(jìn)行監(jiān)測并及時向駕駛?cè)颂崾鞠嚓P(guān)信息，可大幅度減少交通事故的發(fā)生。

駕駛?cè)说臓顟B(tài)必然會反映到其駕駛行為特性，本文通過對駕駛?cè)嗽谇逍押推跔顟B(tài)下行駛軌跡的研究，建立了基于行駛軌跡的疲勞判別模型，通過軌跡特征反演駕駛?cè)说漠?dāng)前狀態(tài)。該技術(shù)主要包括三個環(huán)節(jié)：車道線的識別、車輛在當(dāng)前車道中位置的解算、利用建立的模型對駕駛?cè)说臓顟B(tài)進(jìn)行判識。

對于車輛在車道中位置的識別技術(shù)，Mobileye公司的LDW（車道偏離預(yù)警）裝置目前已產(chǎn)品化，2007年德國寶馬公司宣布在新5系中全球第一個采用該產(chǎn)品。我國在該方面也進(jìn)行了一些有益的探索[5]，但在應(yīng)用車輛行駛軌跡特征對駕駛?cè)似跔顟B(tài)識別方面，國內(nèi)外未見相關(guān)資料。通過本技術(shù)的研究，可以為駕駛?cè)似跔顟B(tài)識別提供一種新的技術(shù)途徑，有效減少交通事故的發(fā)生，產(chǎn)生重大的社會、經(jīng)濟(jì)效益。

二、總體設(shè)計方案

該系統(tǒng)總統(tǒng)方案如圖1所示，來自CCD攝像頭的視頻信號依次經(jīng)過濾波去噪、邊緣增強、二值化處理后，進(jìn)行車道線的檢測和識別，并獲取圖像中左右車道線的方程。然后由圖像坐標(biāo)系向世界坐標(biāo)系進(jìn)行映射，進(jìn)行道路重建，得到在世界坐標(biāo)系中車道線方程，在世界坐標(biāo)系中將車輛在車道線中的位置解算出來。建立基于車輛軌跡特性的駕駛?cè)似跔顟B(tài)判識模型，根據(jù)車輛在車道線中的位置數(shù)據(jù)，對駕駛?cè)说钠跔顟B(tài)進(jìn)行判識。關(guān)于車道線的識別和車輛在車道線中位置的解算，目前已有許多較好的模型[4]-[5]，本文僅就基于車輛軌跡對駕駛?cè)似跔顟B(tài)的判別進(jìn)行討論。

三、 基于軌跡特征的狀態(tài)判識模型的建立及實驗結(jié)果

該判識模型以對駕駛?cè)似跔顟B(tài)的主觀視頻評分作為基準(zhǔn)。主觀視頻評分的實施方法如下：第一步，駕駛?cè)诉M(jìn)行一段長時間的駕駛，在該駕駛過程中，要保證出現(xiàn)疲勞狀態(tài)。在行駛過程中，采用兩個CCD分別對駕駛?cè)说拿娌繄D像和車道線圖像進(jìn)行實時采集，所得的兩段視頻作為原始實驗數(shù)據(jù)；第二步，將駕駛?cè)说拿娌恳曨l進(jìn)行視頻分割，分割成一系列長度為0.5分鐘的片段；第三步，讓三名視頻打分人員分別對每一個視頻片斷進(jìn)行打分，打分參考標(biāo)準(zhǔn)如表1所示；第四步，對三名打分人員的打分結(jié)果進(jìn)行平均，作為該時間片內(nèi)駕駛?cè)说钠诘燃墶Ｔ撈诘燃壘妥鳛槲覀兓谲壽E特征進(jìn)行疲勞狀態(tài)判識的依據(jù)和基準(zhǔn)。

下面就以2008年6月在京沈高速進(jìn)行實驗采到的數(shù)據(jù)進(jìn)行分析。本文將以該次實驗中11：40～12：00時間段的實驗數(shù)據(jù)為例進(jìn)行分析。11：40～12：00時間段駕駛?cè)似跔顟B(tài)的主觀視頻評分結(jié)果如圖2所示，從圖中可以看出，在該時間段，駕駛?cè)说钠跔顟B(tài)變化比較明顯。在該時間段內(nèi)共有27000個采樣點，每個采樣點上包括車輛偏離車道中線的距離和車輛航向角兩個數(shù)據(jù)，為數(shù)據(jù)處理方便，截取2000～6000數(shù)據(jù)區(qū)間的4000個采樣點作為清醒狀態(tài)的分析數(shù)據(jù)，23000～27000區(qū)間的4000個采樣點作為疲勞階段的分析數(shù)據(jù)。

建立疲勞判斷模型如下：該疲勞模型對駕駛?cè)似跔顟B(tài)的判斷基于如下兩個假設(shè)：

1、如圖3所示，B點為車輛當(dāng)前所在的位置，A點為車輛30s前所在的位置。車輛在從A點到達(dá)B點的過程中，其行駛軌跡的均值偏離車道中線的大小反映了駕駛?cè)说钠诔潭龋?

2、在從A點到達(dá)B點的過程中，航向角的標(biāo)準(zhǔn)差反映了駕駛?cè)说牟僮鞯姆e極性，若標(biāo)準(zhǔn)差很小，則表征駕駛?cè)藢囕v的控制消極，依此來判斷駕駛?cè)说钠跔顟B(tài)。

將這兩個條件融合，作為一個綜合指標(biāo)來判斷駕駛?cè)说钠跔顟B(tài)。

對2000～6000數(shù)據(jù)區(qū)間的4000個采樣點，作出車輛偏離車道中線的曲線，如圖4所示，正值表示車輛在車道線中線右側(cè)，負(fù)值表示車輛在車道線中線左側(cè)。作出車輛偏航角曲線，如圖5所示。

計算出各個時間片（30s）內(nèi)車輛偏離車道中線的偏移量，如表2所示。

同理，作出23000～27000區(qū)間4000個采樣點車輛偏離車道中線的曲線，如圖6所示，作出車輛偏航角曲線，如圖7所示。

計算出各個時間片（30s）內(nèi)車輛偏離車道中線的偏移量，如表3所示。

為便于比較，將清醒狀態(tài)和疲勞狀態(tài)下偏移量的平均值畫到同一個圖中，如圖8所示，將清醒狀態(tài)和疲勞狀態(tài)下偏航角的標(biāo)準(zhǔn)差畫到同一個圖中，如圖9所示。

由圖可以看出，在30s時間窗內(nèi)平均偏離程度和偏航角標(biāo)準(zhǔn)差兩個指標(biāo)能夠較好的反應(yīng)兩個指標(biāo)能夠較好的區(qū)分清醒與疲勞兩種狀態(tài)可以用來作為疲勞狀態(tài)的判斷基準(zhǔn)。

四、 結(jié)論

本文基于車輛行駛軌跡數(shù)據(jù)建立了基于平均偏離程度和航向角標(biāo)準(zhǔn)差進(jìn)行疲勞狀態(tài)判識的方法。實驗表明，所提取的指標(biāo)能夠較好的區(qū)分清醒與疲勞狀態(tài)。但是，也應(yīng)看到，本文所建立的數(shù)學(xué)模型比較粗糙，尚未對車輛換線這種有意識的車道偏離作進(jìn)一步的處理，同時，該模型的判識結(jié)果只能定位到是否疲勞，而不能根據(jù)疲勞程度將其細(xì)分成較為疲勞、嚴(yán)重疲勞等。另外，駕駛?cè)说牟僮鞒伺c疲勞狀態(tài)有關(guān)外，還受到個人習(xí)慣、行駛速度、道路環(huán)境、操作技能的影響，車輛的行駛狀態(tài)也與車輛特性、道路等很多環(huán)境因素有關(guān)。因此，在下一步的研究中如果能針對這些問題進(jìn)行深入分析，可望得到可靠性、魯棒性更好的結(jié)果。

參 考 文 獻(xiàn)

[1] 2004年全國道路交通事故情況，道路交通管理，2005（1）：4-7

[2] 2005年全國道路交通事故概況，道路交通管理，2006（1）：4-5

[3] 2006年全國道路交通事故情況，道路交通管理，2007（2）：22-23

[4] 李兵，張朋飛，何克忠. 基于增強轉(zhuǎn)移網(wǎng)絡(luò)（ATN）的室外移動機器人道理圖像理解. 中國圖象圖形學(xué)報， 9（3）： 380-384， 2004.

[5] 余天洪. 基于機器視覺的車道偏離預(yù)警系統(tǒng)研究[D].吉林：吉林大學(xué)，2006年