高速分心駕駛的視覺特性研究

摘要：對高速公路上分心駕駛的視覺特性進(jìn)行了研究。鑒于分心駕駛是交通事故的重要誘因，通過實車實驗，在80 km/h、100 km/h、120 km/h三種車速下，設(shè)計視覺分心和認(rèn)知分心任務(wù)，利用遙測式眼動儀采集駕駛員眼動數(shù)據(jù)。研究結(jié)果顯示，分心駕駛顯著改變了駕駛員的視覺注意力分布，縮小了視覺搜索范圍，并影響了眨眼頻率。尤其在高速行駛時，認(rèn)知分心導(dǎo)致駕駛員的注意力集中度大幅下降，這無疑增加了交通事故的風(fēng)險。研究結(jié)論不僅為開發(fā)高效的分心駕駛識別技術(shù)提供了堅實的理論依據(jù)，也為交通安全實踐提供了重要的指導(dǎo)。通過揭示分心駕駛對駕駛員視覺特性的影響，期望能為減少交通事故、提升道路安全水平做出貢獻(xiàn)。

關(guān)鍵詞：交通安全；高速駕駛；分心；視覺特性

中圖分類號：U492.8 收稿日期：2024-09-20

DOI：10.19999/j.cnki.1004-0226.2024.12.018

1 前言

隨著交通運輸業(yè)的快速發(fā)展，高速公路作為現(xiàn)代交通網(wǎng)絡(luò)的重要組成部分，其安全狀況日益受到社會各界的廣泛關(guān)注。然而，分心駕駛已成為引發(fā)交通事故的重要風(fēng)險因素之一，嚴(yán)重威脅道路使用者的生命安全。分心駕駛，指的是駕駛員在駕駛過程中，由于執(zhí)行與駕駛?cè)蝿?wù)無關(guān)的活動，導(dǎo)致注意力從駕駛?cè)蝿?wù)中轉(zhuǎn)移，從而降低了對車輛的控制能力和對周圍環(huán)境的感知能力[1-3]。近年來，隨著智能交通系統(tǒng)的發(fā)展，對分心駕駛行為的識別與預(yù)警已成為提高道路安全性的重要手段之一。

駕駛員獲得交通信息超過85%來自視覺[4]，視覺系統(tǒng)是駕駛員獲得外界信息最重要的渠道。視覺信息主要通過眼動信號反映[5]，眼動是通過追蹤眼球運動來記錄注視點和眼動軌跡的技術(shù)，眼動追蹤最關(guān)注的事件是確定被試人員看的地方（“注視點”或“凝視點”），準(zhǔn)確來說是通過眼動儀設(shè)備進(jìn)行圖像處理技術(shù)，定位瞳孔位置，獲取坐標(biāo)，并通過一定的算法，計算眼睛注視或者凝視的點。

眼動信號主要分為四大類：注視、眼跳、瞳孔變化和眨眼。注視是眼睛在特定位置的持續(xù)停留[6]，主要指標(biāo)有注視點位置、注視持續(xù)時間和注視次數(shù)等[7]，揭示了視覺信息的獲取過程。眼跳是眼球的快速移動，視線從一點轉(zhuǎn)移到另一點[8]，通過眼跳幅度、眼跳速度、眼跳方向和眼跳準(zhǔn)備時間來描述。瞳孔變化反映了個體的生理和心理狀態(tài)，主要指標(biāo)包括瞳孔直徑、瞳孔擴張/收縮速度和瞳孔變化模式[9]。眨眼則是眼瞼的快速閉合和打開，以眨眼頻率、眨眼持續(xù)時間和眨眼潛伏期為主要指標(biāo)。

Alberto等[10]分析了駕駛員在自動和手動駕駛模式下的視線轉(zhuǎn)移和持續(xù)時間的變化。劉卓凡等[11]研究了不同交通環(huán)境下視覺分心程度對駕駛行為的影響，探討了視覺分心與駕駛安全性的關(guān)系。褚英帆等[12]聚焦于不同年齡段駕駛員在駕駛過程中因瀏覽車載信息系統(tǒng)而導(dǎo)致的分心問題，分析了駕駛員在不同中控屏布局和任務(wù)負(fù)荷下的視覺行為特性。

綜上，視覺分心深刻影響駕駛行為，而車速差異會導(dǎo)致駕駛員視覺信息的差異。鑒于此，本文采取實車實驗，以眼動信號為基礎(chǔ)，挖掘不同車速下駕駛員分心駕駛時的視覺特性，為高速分心駕駛行為識別技術(shù)的發(fā)展提供新的思路和方法，為提高交通安全水平做出貢獻(xiàn)。

2 實車試驗

2.1 試驗方案設(shè)計

試驗安排在一條25 km長的高速路段進(jìn)行，該路段有清晰的道路標(biāo)線和交通標(biāo)志。為探討不同車速下駕駛員分心駕駛視覺特性的區(qū)別，分別選擇三天上午9∶30～11∶30，天氣晴朗，溫度在20～30 ℃之間進(jìn)行試驗測試。受試者首先進(jìn)行基礎(chǔ)視線校準(zhǔn)，然后在不同車速下（80 km/h、100 km/h、120 km/h）進(jìn)行駕駛。在駕駛過程中，本試驗設(shè)計了視覺分心任務(wù)（看路側(cè)廣告牌）和認(rèn)知分心任務(wù)（計算測試）兩類任務(wù)研究駕駛員的視覺特性，同時駕駛員無任何其他干擾正常駕駛一段路程作為參照。

a.看路側(cè)廣告牌。被試者按照副駕試驗人員要求看窗外路測的廣告牌，看到后回答已看到即可恢復(fù)正常駕駛，一共三次。

b.計算測試。被試者回答副駕試驗人員提出的計算測試題，口頭表達(dá)計算公式結(jié)果，一共三題，測試題目如：44加27等于多少？81減38等于多少？

2.2 試驗設(shè)備

使用遙測式眼動儀（SmarteyePro）進(jìn)行受試人員眼動信號的采集，設(shè)備主要包含4個非接觸式眼動追蹤攝像機、3個紅外燈照明裝置和1個場景攝像頭，采樣率為60 Hz。眼動追蹤攝像機分別固定在汽車中控臺位置上，兼顧采集受試者從左后視鏡到右后視鏡的視角范圍內(nèi)的眼動數(shù)據(jù)，包括視線區(qū)域、注視時長及眨眼頻率等關(guān)鍵數(shù)據(jù)，研究受試者的視線注意力分布特征，同時通過GPS采集車輛速度信息。試驗設(shè)備搭建如圖1所示。

基于視野平面對駕駛室主要注視區(qū)域進(jìn)行劃分，識別包括前方道路主視區(qū)、儀表盤信息顯示區(qū)、后視鏡觀察區(qū)、車載信息系統(tǒng)交互區(qū)等關(guān)鍵區(qū)域，并通過高精度激光掃描確定各區(qū)域的邊界，最后在眼動儀軟件中進(jìn)行建模。以中間的攝像頭為坐標(biāo)原點，通過二維信息搭建假象空間，構(gòu)建駕駛室注視區(qū)域模型如圖2所示。

各部分對應(yīng)區(qū)域名稱見表1。

2.3 試驗數(shù)據(jù)采集

為了準(zhǔn)確表征駕駛員正常駕駛時的視覺特性，試驗過程中采集如下數(shù)據(jù)：

a.注視點。駕駛過程中，通過駕駛員的注視點可以確定駕駛員主視區(qū)。

b.平均掃視幅度。平均掃視幅度是指相鄰兩個注視點之間的范圍，通常用兩個注視點之間的夾角來表示。

c.眨眼頻率。眨眼頻率是指駕駛?cè)藛挝粫r間內(nèi)眨眼的次數(shù)。

d.偏離主視區(qū)時長。偏離主視區(qū)時長是指駕駛員視線離開主要關(guān)注區(qū)域的時間長度，記錄駕駛過程中駕駛員視點偏離主視區(qū)的時長。

3 數(shù)據(jù)分析

3.1 駕駛員主視區(qū)

在本次實車試驗中，記錄了駕駛員正常駕駛時在不同車速（80 km/h、100 km/h、120 km/h）下的視線區(qū)域分布數(shù)據(jù)。為了更直觀地展示這些數(shù)據(jù)，選擇每個車速下5 min（即300 s）的穩(wěn)定駕駛時間作為分析對象，并生成了圖3所示的柱狀圖。該柱狀圖展示了在不同車速下，駕駛員注視點落在各個區(qū)域的比例。圖中，每個車速下的數(shù)據(jù)都通過不同顏色的柱子表示，橫軸代表不同的視線區(qū)域，縱軸代表注視點落在該區(qū)域的比例。通過比較不同車速下各區(qū)域的比例，可以分析駕駛員在不同車速下的視覺注意力分布特點。

如圖3所示，駕駛員的視線主要集中于風(fēng)擋玻璃左下部，這一趨勢在不同車速下均保持一致，凸顯了該區(qū)域作為駕駛員觀測前方道路及交通狀況的主要區(qū)域。隨著車速的提升，駕駛員在該區(qū)域的視線占比顯著增長，而其他區(qū)域的視線分配則相應(yīng)減少。這一現(xiàn)象揭示，在高速行駛條件下，駕駛員更傾向于將注意力聚焦于近前方的路況，以便更有效地應(yīng)對潛在的緊急情況。

3.2 平均掃視幅度

平均掃視幅度，即相鄰注視點間夾角的范圍，是衡量駕駛員視覺搜索廣度的重要眼動指標(biāo)。圖4以箱式圖形式展示了不同車速下駕駛員的平均掃視幅度。在正常駕駛狀態(tài)下，盡管車速有所提升，平均掃視幅度僅呈現(xiàn)輕微波動，整體維持穩(wěn)定，這表明駕駛員的視覺搜索范圍在不同車速下保持相對一致，未受顯著影響。

然而，在分心駕駛情境下，平均掃視幅度的變化呈現(xiàn)出顯著差異。具體而言，執(zhí)行視覺分心任務(wù)時，駕駛員的平均掃視幅度顯著增加；相反，在執(zhí)行認(rèn)知分心任務(wù)時，則呈現(xiàn)減小趨勢。這些觀察結(jié)果揭示，不同類型的分心任務(wù)對駕駛員的視覺搜索范圍產(chǎn)生了截然不同的影響，導(dǎo)致視覺搜索行為更為復(fù)雜多變。因此，盡管平均掃視幅度作為眼動指標(biāo)能在一定程度上反映駕駛員的視覺搜索活動，但在評估駕駛員分心狀態(tài)時，其有效性可能受到一定局限。

3.3 眨眼頻率

眨眼頻率指的是駕駛?cè)藛挝粫r間內(nèi)眨眼的次數(shù)，它能夠間接反映駕駛員的精神狀態(tài)和視覺負(fù)荷。圖5展示了不同車速條件下駕駛員的眨眼頻率箱式圖，在正常駕駛和認(rèn)知分心駕駛條件下，隨著車速的提升，駕駛員的眨眼頻率也呈現(xiàn)出上升趨勢。然而，在視覺分心駕駛情境下，這種正相關(guān)關(guān)系并不顯著，眨眼頻率普遍低于其他兩種駕駛?cè)蝿?wù)類型，且隨車速增加呈現(xiàn)出輕微的下降趨勢。

進(jìn)一步分析發(fā)現(xiàn)，駕駛?cè)蝿?wù)類型對眨眼頻率具有顯著影響。正常駕駛時，眨眼頻率相對較高，相比之下，視覺分心駕駛顯著降低了眨眼頻率，這可能是由于視覺注意力的分散導(dǎo)致了對眼部活動的抑制。而認(rèn)知分心駕駛在較低車速時眨眼頻率與正常駕駛相近，但隨著車速提升，眨眼頻率顯著增加，這可能反映了駕駛員在高速駕駛同時處理復(fù)雜認(rèn)知任務(wù)時，眼部活動的補償性增加。

3.4 偏離主視區(qū)時長

駕駛員視線偏離主視區(qū)的時長，作為衡量其注意力集中度的關(guān)鍵指標(biāo)，在駕駛行為分析中占據(jù)重要地位。本研究記錄了不同車速條件下，駕駛員在正常駕駛、執(zhí)行視覺分心任務(wù)及認(rèn)知分心任務(wù)時的視線偏離主視區(qū)時長，并通過圖6的箱式圖進(jìn)行了展示。分析結(jié)果顯示，隨著車速的提升，三種駕駛狀態(tài)下的視線偏離時長均有所增長。然而，各狀態(tài)的增長趨勢與幅度存在顯著差異。

具體而言，在正常駕駛狀態(tài)下，盡管車速增加，駕駛員偏離主視區(qū)的時長增長幅度較小，僅略有上升，這表明在正常駕駛過程中，駕駛員能夠較好地保持注意力集中。在分心駕駛狀態(tài)下，特別是認(rèn)知分心狀態(tài)，偏離主視區(qū)時長的增長幅度顯著增大。在120 km/h的車速下，認(rèn)知分心狀態(tài)下的偏離主視區(qū)時長均值高達(dá)15.69 s，是正常駕駛狀態(tài)下的近三倍，表明分心駕駛對駕駛員的注意力集中度造成了嚴(yán)重影響。

表2對不同車速下偏離主視區(qū)時長統(tǒng)計結(jié)果進(jìn)一步揭示了不同車速下、不同分心狀態(tài)下駕駛員的視覺情況。在不同車速下，認(rèn)知分心狀態(tài)的偏離主視區(qū)時長均值始終最高，且標(biāo)準(zhǔn)差與均方根誤差也相對較大。在80 km/h車速下，認(rèn)知分心狀態(tài)的均值達(dá)到14.63 s，標(biāo)準(zhǔn)差為3.69 s；而在120 km/h車速下，均值更是高達(dá)15.69 s，標(biāo)準(zhǔn)差增至3.44 s。這表明在分心駕駛狀態(tài)下，駕駛員的視線偏離行為不僅頻繁，而且具有高度的不穩(wěn)定性和個體差異。此外，隨著車速的增加，視覺分心狀態(tài)下的偏離主視區(qū)時長也有所增長，但增長幅度相對較小，標(biāo)準(zhǔn)差與均方根誤差也相對較低，說明視覺分心對駕駛員注意力集中度的影響相對較小，但仍需引起關(guān)注。

4 駕駛分心特征分析

本文采用單因素方差分析（ANOVA）來檢驗不同駕駛狀態(tài)下各項眼動指標(biāo)的顯著性差異，該方法能夠有效地比較三個或更多組別之間的均值差異。其中，P<0.01表示差異極顯著，即兩組數(shù)據(jù)之間存在明顯的統(tǒng)計差異；P>0.05則表示差異不顯著，即兩組數(shù)據(jù)之間的統(tǒng)計差異在可接受范圍內(nèi)，具體統(tǒng)計結(jié)果見表3。

研究結(jié)果表明，在正常駕駛狀態(tài)下，平均掃視幅度隨車速提升雖有波動但總體穩(wěn)定，而眨眼頻率和偏離主視區(qū)時長均隨車速提升略有提升。在分心駕駛狀態(tài)下，駕駛員的視覺特性和注意力分配模式卻發(fā)生顯著變化。視覺分心導(dǎo)致駕駛員的平均掃視幅度增大，眨眼頻率降低，這可能是由于駕駛員需要在更廣闊的視覺區(qū)域內(nèi)搜索信息以完成任務(wù)，同時視覺注意力的分散抑制了眼部活動。相比之下，認(rèn)知分心則導(dǎo)致駕駛員的平均掃視幅度減小，眨眼頻率在高速時顯著增加，且偏離主視區(qū)時長顯著增加，這反映出認(rèn)知分心占據(jù)了駕駛員的認(rèn)知資源，縮小了視覺搜索范圍，并嚴(yán)重影響了駕駛員的注意力集中度。

5 結(jié)語

本文通過實車實驗，深入探討了高速駕駛過程中分心行為對駕駛員視覺特性的影響。研究發(fā)現(xiàn)，分心駕駛不僅顯著影響駕駛員的視覺搜索模式，還導(dǎo)致其眨眼頻率和注意力集中度發(fā)生變化。特別是在認(rèn)知分心狀態(tài)下，高速駕駛時駕駛員的注意力集中度顯著降低，增加了交通事故的風(fēng)險。本研究成果為高速分心駕駛行為識別技術(shù)的研發(fā)提供了新的視角和方法，對于提升道路交通安全具有重要意義。然而，本研究仍存在局限性，如試驗樣本量有限、分心任務(wù)類型不夠全面等，未來研究可以進(jìn)一步擴大樣本量，探索更多類型的分心任務(wù)，以及研究分心駕駛對駕駛員生理和心理狀態(tài)的全面影響。

參考文獻(xiàn)：

[1]孫劍，張一豪，王俊驊.基于自然駕駛數(shù)據(jù)的分心駕駛行為識別方法[J].中國公路學(xué)報，2020，33（9）：225-235.

[2]羅霜，易鑫鑫，邵毅明，等.城市道路下分心行為對駕駛員駕駛績效的影響[J].中國安全科學(xué)學(xué)報，2024，34（1）：70-76.

[3]秦斌斌，彭良康，盧向明，等.司機分心駕駛檢測研究進(jìn)展[J].計算機應(yīng)用，2021，41（8）：2330-2337.

[4]韓西陽.基于駕駛績效的駕駛員認(rèn)知分心檢測方法研究[D].長沙：湖南大學(xué)，2019.

[5]王海曉，丁旭，郭敏，等.基于視覺信息加工的草原公路行車安全性分析[J].重慶交通大學(xué)學(xué)報（自然科學(xué)版），2024，43（2）：65-74.

[6]于國豐.眼球運動的類型及其表現(xiàn)形式[J].心理科學(xué)進(jìn)展，1983（7）：31-38.

[7]Liang Y L，Lee J D.A hybrid Bayesian Network approach to detect drivercognitive distraction[J].Transport Res C-Emer，2014，38：146-155.

[8]靳慧斌，陳健，劉文輝，等.眼動指標(biāo)在實時測量心理負(fù)荷中的應(yīng)用進(jìn)展[J].科學(xué)技術(shù)與工程，2015，35（5）：79-85.

[9]劉長寶，臧延偉，孫興.基于視覺特性的城市隧道中間段洞頂景觀對行車安全的影響分析[J].現(xiàn)代隧道技術(shù)，2024，61（3）：228-235.

[10]Alberto M ，Pnina G ，Bruce M ， et al.A model for naturalistic glance behavior around Tesla Autopilot disengagements[J].Accident Analysis and Prevention，2021，161：106348-106348.

[11]劉卓凡，何瑜超，丁濤，等.不同交通環(huán)境下視覺分心程度對駕駛行為的影響[J].公路交通科技，2023，40（5）：178-183.

[12]褚英帆，秦華，冉令華，等.不同年齡段人群駕駛分心時的視覺特性分析[J].科學(xué)技術(shù)與工程，2023，23（34）：14851-14856.

作者簡介：

亓鑫，男，1998年生，助理工程師，研究方向為智能網(wǎng)聯(lián)汽車測試。