基于小波能量熵的司機疲勞駕駛行為響應算法

徐陶祎，張 翼

(武漢科技大學城市學院，湖北武漢430083)

1 引言

司機的疲勞駕駛是交通事故出現(xiàn)的核心原因之一。美國交通部一項專門圍繞商用車輛的研究報告表明，至少百分之二十的商用車輛事故是由于司機疲勞駕駛所導致[1-3]。當下，很多國家均通過駕駛時間約束的形式控制司機疲勞駕駛情況，我國規(guī)定機動車持續(xù)駕駛時間不能大于4小時[4]。但是此類方法未考慮不同司機的身體素質(zhì)、生活習慣等條件均存在差異，僅通過持續(xù)駕駛時間判斷司機疲勞駕駛行為還有待深究[5，6]。

疲勞駕駛并非屬于突發(fā)事件，很多交通安全事故也不全是司機在深度疲勞的狀態(tài)下出現(xiàn)。若可以在司機剛剛發(fā)生疲勞情況時發(fā)出提醒，便可降低疲勞駕駛的事故率[7]。所以，研究司機疲勞駕駛行為，對優(yōu)化交通安全存在價值。本文提出基于小波能量熵的司機疲勞駕駛行為響應算法，以期準確識別司機疲勞駕駛行為響應狀態(tài)。

2 基于小波能量熵的司機疲勞駕駛行為響應算法

2.1 基于稀疏分解的司機方向盤轉(zhuǎn)向信號去噪方法

2.1.1 信號的稀疏分解和匹配追蹤算法

司機駕駛時方向盤轉(zhuǎn)向信號的稀疏分解原理如下。

將車輛上傳感器所采集的司機駕駛時方向盤轉(zhuǎn)向信號集合設成E={fp，p=1，2，…，P}，它的元素fp代表整個Hilbert空間的單位矢量，在下文E簡稱司機駕駛時方向盤轉(zhuǎn)向信號的過完備原子庫，元素fp簡稱司機駕駛時方向盤轉(zhuǎn)向信號的原子。針對隨意一個給定信號y而言，均能夠通過E里n個司機駕駛時方向盤轉(zhuǎn)向信號原子實施描述。則

(1)

其中，司機駕駛時方向盤轉(zhuǎn)向信號原子的展開系數(shù)是βp；Jn是司機駕駛時方向盤轉(zhuǎn)向信號量p的下標集。因為司機駕駛時方向盤轉(zhuǎn)向信號原子庫E屬于過完備，原子線性不存在關(guān)系，所以式(1)的描述形式不唯一，稀疏分解即為在各種可能的分解方法里獲取Jn取值最低的描述形式[8，9]。

(2)

(3)

(4)

將司機駕駛時方向盤轉(zhuǎn)向信號g實施n次分解后，可得

(5)

司機駕駛時方向盤轉(zhuǎn)向信號g稀疏分解成

(6)

2.1.2 信號去噪

將存在噪聲的方向盤轉(zhuǎn)向信號數(shù)學模型設成

g=gp+gn

(7)

其中，原始不存在噪聲的方向盤轉(zhuǎn)向信號與噪聲信號依次是gp、gn。

因為不存在噪聲的方向盤轉(zhuǎn)向信號gp存在特定結(jié)構(gòu)，如果在E里對含噪的方向盤轉(zhuǎn)向信號g實施稀疏分解時，gp的結(jié)果特性和E里原子的特性存在關(guān)聯(lián)性，gp能夠描述為E中原子。但含噪信號結(jié)構(gòu)不存在固定性，和E中隨機一個原子不存在關(guān)聯(lián)性，所以含噪信號不能描述為E里的方向盤轉(zhuǎn)向信號原子[10]。所以對含噪信號實施稀疏分解時，方向盤轉(zhuǎn)向信號原子和gp的內(nèi)積將不小于方向盤轉(zhuǎn)向信號和gn的內(nèi)積，最先分解獲取的是不存在噪聲的方向盤轉(zhuǎn)向信號，此情況下，去噪后的方向盤轉(zhuǎn)向信號是

g′=gp+Sn+1g

(8)

g′=Ei(k)+Bi(k)，去噪后的方向盤轉(zhuǎn)向信號由高頻分量信號Ei(k)與低頻分量Bi(k)構(gòu)成。假定第n次和第n+1次殘差信號是Sng、Sn+1g那么殘差比p(Sng)是

(9)

其中，φ是閾值。

2.2 基于小波能量熵的轉(zhuǎn)向信號響應狀態(tài)識別算法

2.2.1 小波多分辨分析

司機駕駛時方向盤轉(zhuǎn)向信號的小波多分辨率分析是通過正交小波基，把去噪后方向盤轉(zhuǎn)向信號分解成差異尺度中的各個分量，循環(huán)使用1組高通與低通濾波器對去噪后方向盤轉(zhuǎn)向信號實現(xiàn)一一分解，信號和高通濾波器實施卷積計算后抽樣便可獲取方向盤轉(zhuǎn)向信號的高頻細節(jié)分量、信號的低頻細節(jié)分量[11]。每次分解結(jié)束，把信號的采樣頻率縮小至其二分之一，再對低頻分量實施分解，獲取下一層次的分解分量。將高頻分量信號與低頻分量信號依次設成Ei(k)、Bi(k)，i是分解尺度，那么司機駕駛時方向盤轉(zhuǎn)向信號序列是

y(m)=+B1(m)=+E2(m)+B2(m)

(10)

其中，司機駕駛時方向盤轉(zhuǎn)向信號序列g(shù)′∈y(m)在差異尺度的低頻信號分量是Bi(m)，高頻信號分量是Ei(m)；I是最大分解尺度；B1(m)是司機駕駛時方向盤轉(zhuǎn)向信號y(m)在分解尺度是1級條件下的低頻信號分量，B2(m)是司機駕駛時方向盤轉(zhuǎn)向信號y(m)在分解尺度是2級條件下的低頻信號分量；E2(m)是司機駕駛時方向盤轉(zhuǎn)向信號y(m)在分解尺度是2級條件下的高頻信號分量。

信息論里，熵代表各個方向盤轉(zhuǎn)向信號的信息量均值與信源均值的不確定性，其可以描述司機駕駛時方向盤轉(zhuǎn)向信號潛藏的有價值信息，但小波變換能夠放大方向盤轉(zhuǎn)向信號某部分的屬性，因此運算小波能量熵值便可以挖掘司機駕駛時方向盤轉(zhuǎn)向信號里微弱的異常信息。

設置方向盤轉(zhuǎn)向信號序列y(m)在i尺度t時刻中的小波系數(shù)矢量是Vit，那么i尺度t時刻的小波能量是

(11)

(12)

其中，VEEi(k)是i尺度分解信號的相對能量。

2.2.2 轉(zhuǎn)向信號小波能量熵測度

Fit(i)′=(Fit(i-2)+Fit(i-1)+Fit(i))/3

(13)

其中，F(xiàn)it(i)′是平滑修正后方向盤轉(zhuǎn)向信號t時刻的小波能量；另外，分析司機在疲勞狀態(tài)下方向盤轉(zhuǎn)向信號的修正特征可知，方向盤控制一般會存在3種階段，詳情如圖1所示。

圖1 方向盤控制階段

正值、負值依次代表方向盤順時針轉(zhuǎn)動、方向盤逆時針轉(zhuǎn)動。階段1時，司機會突然大幅度擺動方向盤，這時司機剛在疲勞瞌睡狀態(tài)里短時間清醒，發(fā)現(xiàn)車身出現(xiàn)不受控后，將響應做出緊急車輛控制行為；階段2時，司機持續(xù)著小幅度修正方向盤，該階段司機可以持續(xù)階段1的清醒狀態(tài)，而因為疲勞未能得到緩解，僅可以保持較短的清醒時間后，便進入疲倦狀態(tài)；階段3時，司機屬于疲勞狀態(tài)，對道路環(huán)境敏感度變小，方向盤不存在修正響應行為。

3 實驗分析

為測試所提算法對司機疲勞駕駛行為響應狀態(tài)的識別效果，在駕駛員仿真平臺中模擬道路環(huán)境駕駛，通過Carsim構(gòu)建道路環(huán)境與車輛模型，使用LabVIEW實現(xiàn)聯(lián)合仿真。模擬3位司機進行測試，3位司機所駕駛的道路工況依次是S形、雙道路，如圖2、圖3所示。

圖2 S形道路

圖3 雙道路

在不同道路工況中，司機駕駛速度是80km/h。3位司機對車輛的駕駛熟練度依次是低熟練度、中熟練度、高熟練度，隨機選擇2020年12月10日3位司機13：00～17：00時間內(nèi)的駕駛行為信息，3位司機在兩種道路工況中司機駕駛行為響應狀態(tài)如表1所示。

表1 3位司機在兩種道路工況中司機駕駛行為響應狀態(tài)

使用所提算法對兩種道路工況中司機駕駛行為響應狀態(tài)的識別結(jié)果如圖4、圖5所示。

圖4 S形道路工況中所提算法識別結(jié)果

圖5 雙道路工況中所提算法識別結(jié)果

由表1、圖4、圖5可知，在S形、雙道路兩種道路工況中，所提算法對駕駛熟練度存在差異的司機駕駛行為響應狀態(tài)識別結(jié)果和實際響應狀態(tài)相符，則所提算法對司機疲勞駕駛行為響應狀態(tài)的識別精度較高，識別結(jié)果可信。

司機疲勞駕駛行為響應狀態(tài)的識別實時性十分重要，對司機的人身安全存在直接影響。為此，測試所提算法在兩種道路工況中對3位司機疲勞駕駛行為響應狀態(tài)的識別耗時，以此判斷所提算法在司機疲勞駕駛行為響應狀態(tài)識別應用中的實時性。測試結(jié)果如圖6、圖7所示。

圖6 S形道路工況中所提算法識別結(jié)果

圖7 雙道路工況中所提算法識別結(jié)果

由圖6、圖7可知，在S形、雙道路兩種道路工況中，所提算法對駕駛熟練度存在差異的司機駕駛行為響應狀態(tài)的識別耗時低于400ms，則識別耗時低于0.5s，實時性較高，所提算法可在短時間內(nèi)快速識別司機疲勞駕駛行為響應狀態(tài)。

因司機駕駛車輛的過程中，傳感器在采集方向盤轉(zhuǎn)向信號之時，車輛運行也存在一定噪聲，存在抖動情況，這對傳感器所采集的方向盤轉(zhuǎn)向信號存在一定干擾，為此，測試所提算法在通過方向盤轉(zhuǎn)向信號識別司機疲勞駕駛行為響應狀態(tài)時，對含噪信號的去噪效果。方向盤轉(zhuǎn)向信號去噪效果主要通過信噪比SNR體現(xiàn)，信噪比越高，方向盤轉(zhuǎn)向信號的去噪效果越好。信噪比SNR的運算方法是

(14)

其中，M是方向盤轉(zhuǎn)向信號的數(shù)據(jù)長度，t是司機駕駛時間。

所提算法在兩種道路工況中對司機駕駛方向盤轉(zhuǎn)向信號的去噪效果如圖8、圖9所示。

圖8 S形道路工況中所提算法去噪效果

圖9 雙道路工況中所提算法去噪效果

由圖8、圖9可知，在S形、雙道路兩種道路工況中，所提算法對司機駕駛方向盤轉(zhuǎn)向信號去噪后，司機駕駛方向盤轉(zhuǎn)向信號的信噪比均大于0.90，去噪效果較好。

4 結(jié)束語

司機疲勞駕駛行為識別，是交通管理研究問題中的核心問題之一。本文提出基于小波能量熵的司機疲勞駕駛行為響應算法，對機疲勞駕駛行為響應狀態(tài)進行有效識別。所提算法和其它算法不同之處在于，所提算法以司機駕駛方向盤轉(zhuǎn)向信號為識別核心，通過司機對方向盤轉(zhuǎn)向信號的響應操作狀態(tài)，有效識別司機疲勞駕駛行為。由實驗結(jié)果可知：所提算法對司機疲勞駕駛行為響應狀態(tài)的識別精度較高，識別結(jié)果可信，且識別時間較短，在司機疲勞駕駛行為響應狀態(tài)識別過程中，對司機駕駛方向盤轉(zhuǎn)向信號的去噪效果極好，存在應用價值。在未來的研究工作中，本文將以司機疲勞駕駛行為響應狀態(tài)和其它駕駛行為異常檢測方法相結(jié)合，例如腦電波信號的采集，以此進一步優(yōu)化所提算法的應用性能。