譚德榮，呂長(zhǎng)民，于廣鵬，張洪加

(山東理工大學(xué) 交通與車輛工程學(xué)院，山東 淄博 255049)

?

高速公路環(huán)境下駕駛員狀態(tài)辨識(shí)

譚德榮，呂長(zhǎng)民，于廣鵬，張洪加

(山東理工大學(xué) 交通與車輛工程學(xué)院，山東 淄博 255049)

摘要：為了進(jìn)一步提高高速公路環(huán)境下車輛的主動(dòng)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(shí)方法?；诟咚俟否{駛員駕駛特征，通過(guò)高速公路模擬駕駛試驗(yàn)，對(duì)駕駛員眼部狀態(tài)和油門(mén)踏板信號(hào)進(jìn)行檢測(cè)。選取加油頻率、眨眼頻率、眼睛閉合率和眨眼持續(xù)時(shí)間作為駕駛員狀態(tài)的評(píng)價(jià)指標(biāo)，采用模糊評(píng)價(jià)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(shí)的模型，并通過(guò)實(shí)例驗(yàn)證了該模型的有效性。

關(guān)鍵詞：駕駛員狀態(tài)識(shí)別；信息融合；模糊評(píng)價(jià)；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(guó)高速公路總里程數(shù)超過(guò)美國(guó)，位居世界第一[1]。然而，高速公路給人們的生活帶來(lái)方便的同時(shí)，也帶來(lái)了嚴(yán)重的安全問(wèn)題和巨大的經(jīng)濟(jì)損失。另外，據(jù)美國(guó)高速公路駕駛安全管理委員會(huì)統(tǒng)計(jì)，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(duì)于提高車輛主動(dòng)安全性有著重要的作用。文獻(xiàn)[3]研究了駕駛員眼部特征與駕駛員狀態(tài)的關(guān)系。文獻(xiàn)[4]研究了駕駛員操作行為與駕駛員狀態(tài)的關(guān)系。本文通過(guò)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(zhǔn)確判斷出駕駛員的狀態(tài)特征。

本文采用模糊評(píng)價(jià)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(shí)模型。首先，通過(guò)駕駛模擬器上加油踏板傳感器和視頻檢測(cè)技術(shù)獲取駕駛員的油門(mén)信號(hào)和眼部特征信息。然后，運(yùn)用模糊評(píng)價(jià)方法對(duì)駕駛員眼部特征信息和油門(mén)動(dòng)作信息進(jìn)行初步融合，以模糊評(píng)價(jià)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(yùn)用優(yōu)化權(quán)重對(duì)證據(jù)本身進(jìn)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(zhǎng)時(shí)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(jì)，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(guó)高速公路管理部門(mén)公布的一項(xiàng)調(diào)查試驗(yàn)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(dāng)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(shí)間約4 s。駕駛員的疲勞狀態(tài)可以通過(guò)駕駛員特征表現(xiàn)出來(lái)，本文以駕駛員的油門(mén)動(dòng)作頻率、眨眼頻率、眼睛閉合率和眨眼持續(xù)時(shí)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(cè)量的駕駛員油門(mén)動(dòng)作頻率與駕駛時(shí)長(zhǎng)的關(guān)系[4]。隨著駕駛時(shí)間的增加，駕駛員的加速頻率明顯低于正常狀態(tài)。一個(gè)精神狀態(tài)良好的駕駛員的眨眼頻率約 2～4 s/次，當(dāng)駕駛員進(jìn)入疲勞狀態(tài)時(shí)其眨眼頻率會(huì)明顯降低。文獻(xiàn)[3]研究發(fā)現(xiàn)：當(dāng)眨眼頻率低于 7 次/min 時(shí)，需要對(duì)駕駛員進(jìn)行警告提示。同時(shí)，疲勞狀態(tài)下駕駛員眨眼速度明顯變慢,其眨眼持續(xù)時(shí)間約為1～2 s，而正常狀態(tài)下駕駛員的眨眼持續(xù)時(shí)間一般在0.25 s 以內(nèi),也可能在 1 s 以內(nèi)，但是卻不會(huì)在 1 s 以上。眼睛閉合率以PERCLOS判斷，PERCLOS指眼睛閉合時(shí)間占特定時(shí)間的百分率，能夠很好地反映駕駛員狀態(tài)，PERCLOS 的P70 標(biāo)準(zhǔn)(眼瞼遮住瞳孔的面積超過(guò) 70%就計(jì)為眼睛閉合，統(tǒng)計(jì)在一定時(shí)間內(nèi)眼睛閉合時(shí)所占的時(shí)間比例[3])與疲勞相關(guān)系數(shù)則可以更好地預(yù)測(cè)疲勞。

圖1　油門(mén)動(dòng)作頻率與駕駛時(shí)長(zhǎng)的關(guān)系

2駕駛員狀態(tài)辨識(shí)模型的建立

2.1模糊評(píng)價(jià)初步融合模型的建立

將模糊綜合評(píng)價(jià)原理運(yùn)用于駕駛員狀態(tài)辨識(shí)中，利用多個(gè)駕駛員行為特征對(duì)模糊對(duì)象進(jìn)行模糊評(píng)定，得出模糊矩陣。然后與各個(gè)評(píng)定因素的權(quán)重進(jìn)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(píng)價(jià)對(duì)象，設(shè)定各個(gè)評(píng)價(jià)對(duì)象中的評(píng)價(jià)因素集U={u1,u2,…,un}及其評(píng)價(jià)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(píng)價(jià)對(duì)象的模糊隸屬度。由8名專家評(píng)定打分，確定駕駛員的行為特征與駕駛員狀態(tài)的相關(guān)性，模糊評(píng)判表如表1所示。

表1　駕駛員特征的模糊評(píng)判表

(Ⅲ)采用層次分析法獲取各個(gè)評(píng)價(jià)因素的權(quán)值向量A，并選取合成算子，對(duì)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(jìn)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(píng)價(jià)的評(píng)價(jià)集作為D-S證據(jù)理論的焦元E，E={E1,E2,E3,E4}；以模糊評(píng)價(jià)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(gè)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(cè)的實(shí)時(shí)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(guò)優(yōu)化權(quán)重對(duì)其進(jìn)行修正，然后計(jì)算各證據(jù)體的基本概率賦值[5-6]。權(quán)重向量?jī)?yōu)化的過(guò)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(jì)算出相對(duì)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(shí)為保證基本概率分配函數(shù)之和為1，需要對(duì)函數(shù)進(jìn)行補(bǔ)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(jì)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(duì)證據(jù)體進(jìn)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(fēng)險(xiǎn)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(shí)例分析

本文在駕駛模擬器上進(jìn)行模擬駕駛試驗(yàn)，通過(guò)眼動(dòng)儀和油門(mén)位置傳感器，以15 s為一個(gè)周期對(duì)駕駛員特征進(jìn)行實(shí)時(shí)采集，包括眨眼頻率、眼睛閉合率、眨眼持續(xù)時(shí)間和油門(mén)動(dòng)作頻率。表2是某名駕駛員某段時(shí)間3個(gè)周期的采集數(shù)據(jù)，可以對(duì)駕駛員狀態(tài)進(jìn)行實(shí)時(shí)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(guān)系矩陣：

(Ⅱ)采用模糊層次分析法對(duì)評(píng)價(jià)因素兩兩對(duì)比，獲取各個(gè)評(píng)價(jià)因素的權(quán)值向量A，結(jié)果見(jiàn)表3。

表3　評(píng)價(jià)因素權(quán)重比對(duì)表

根據(jù)表3組建比較矩陣s：

A=[0.3020.1770.4260.095]。

通過(guò)模糊評(píng)價(jià)對(duì)權(quán)重向量和模糊關(guān)系矩陣進(jìn)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(guò)式(1)和式(2)對(duì)基本概率分配值修正，得到新的概率分配值，見(jiàn)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(dāng)前狀態(tài)為疲勞。

4結(jié)束語(yǔ)

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

參考文獻(xiàn)：

[1]王洪明.我國(guó)公路交通事故的現(xiàn)狀及特征分析[J].中國(guó)安全科學(xué)學(xué)報(bào),2009,19(10):121-126.

[2]胡立偉,林玉珍.駕駛?cè)斯否{車過(guò)程中主要生理參數(shù)變化規(guī)律研究[J].交通運(yùn)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(shí)別模型研究[J].中國(guó)安全科學(xué)學(xué)報(bào),2007,17(4):162-165.

[5]于東平,段萬(wàn)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(jì)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(jì)算機(jī)工程與應(yīng)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(guó)慣性技術(shù)學(xué)報(bào),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(biāo)識(shí)別[J].計(jì)算機(jī)工程,2012,38(15):172-174.

[9]劉希亮,陳桂明.一種改進(jìn)的證據(jù)合成方法[J].計(jì)算機(jī)應(yīng)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(cè)方法研究[D].廣州:華南理工大學(xué),2013.

中圖分類號(hào)：U491

文獻(xiàn)標(biāo)志碼：A

收稿日期：2015-04-16

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

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目(61074140)；山東省自然科學(xué)基金項(xiàng)目(ZR2011EEM034)

文章編號(hào)：1672-6871(2016)03-0029-04

DOI:10.15926/j.cnki.issn1672-6871.2016.03.007