李振中 應(yīng)夢飛

摘要：汽車駕駛?cè)说钠诔潭茸R別對于預(yù)防交通事故具有十分重要的意義。設(shè)計了實車駕駛實驗，采集了20名汽車駕駛?cè)嗽谄隈{駛狀態(tài)下的眼動特征參數(shù)，將汽車駕駛?cè)说钠诘燃壏譃榫X、輕度疲勞、深度疲勞和嗜睡四個級別。利用主成分分析法（PCA）預(yù)處理了所采集的眼動特征數(shù)據(jù)，并利用支持向量機（SVM）算法建立了PCA-SVM疲勞檢測模型。實驗結(jié)果表明，該模型能夠高精度地識別駕駛?cè)说乃姆N疲勞狀態(tài)。

關(guān)鍵詞：駕駛疲勞；主成分分析法；支持向量機；智能汽車；主動安全

中圖分類號：U467? 收稿日期：2023-04-12

DOI：10.19999/j.cnki.1004-0226.2023.05.021

1 前言

目前，疲勞駕駛已被廣泛認為是各種交通事故的重要因素[1]。雖然目前很難直接獲得駕駛疲勞所導(dǎo)致的交通事故的數(shù)量，但可以明確的一點是目前關(guān)于駕駛疲勞所導(dǎo)致的交通事故數(shù)量統(tǒng)計的數(shù)字被低估了。許多生理學(xué)家和交通專家已經(jīng)就疲勞對駕駛的影響開展了廣泛的研究[2-3]，并證明了疲勞是導(dǎo)致交通事故的主要原因。眾多汽車公司從20世紀90年代后期開始研發(fā)車載智能安全系統(tǒng)，以實現(xiàn)駕駛?cè)说膶崟r疲勞駕駛狀態(tài)預(yù)警功能。

汽車駕駛?cè)说钠跈z測應(yīng)當能夠檢測到駕駛?cè)说钠跔顟B(tài)，如打瞌睡或睡眠，并在此狀態(tài)下發(fā)出警報以提醒駕駛?cè)薣4]。要想直接檢測疲勞的狀態(tài)，本身并不是一件容易的事情。目前的技術(shù)手段是無法直接檢測疲勞狀態(tài)的，研究中所使用的大多數(shù)方法都是通過檢測疲勞相關(guān)的生理、心理參數(shù)，從而間接地檢測疲勞狀態(tài)[5-6]。也就是說，目前許多研究中得到的疲勞檢測結(jié)果并非是疲勞狀態(tài)這一結(jié)果本身。測量駕駛?cè)说哪X電波、心電和脈搏信號是原發(fā)性的嗜睡及注意力不集中狀態(tài)檢測的最佳手段，但這些方法具有侵入性，因為它們需要駕駛?cè)伺宕飨嚓P(guān)的儀器設(shè)備[7-9]，這往往會對駕駛本身造成一定的干擾，且不易于在實際駕駛的汽車中進行應(yīng)用。

處于疲勞狀態(tài)的駕駛?cè)送ǔ橛幸欢ǖ囊曈X行為，很容易從他們的面部特征（如眼睛、頭部和面部）的變化中觀察到。利用計算機視覺技術(shù)，僅通過一個攝像頭便可以實現(xiàn)一種自然、非侵入的駕駛?cè)似跈z測技術(shù)，用于實時檢測駕駛?cè)说钠跔顟B(tài)[10-12]。

國外目前也有許多學(xué)者對疲勞辨識展開了相關(guān)研究。Bhardwaj等[13]設(shè)計實驗采集了駕駛?cè)说男碾娦盘?，他們選取心率變異性這一特征參數(shù)用于訓(xùn)練疲勞駕駛識別模型。他們在研究中對比了深度學(xué)習(xí)和機器學(xué)習(xí)兩類模型的辨識效果。實驗結(jié)果中，深度學(xué)習(xí)的模型雖然準確率超過90%，但其計算需要較大的運行內(nèi)存，對疲勞識別的實時性較差。Muhammad等[14]提取了腦電信號的時域和頻域特征以及心電信號的心率變異性參數(shù)，并對二者進行特征融合，用于訓(xùn)練支持向量機模型，其準確率達到93.3%。Murugan等[15]對疲勞進行了等級劃分，包括困倦、注意力分散、疲勞、認知注意力分散四類，使用心電設(shè)備采集駕駛?cè)说男碾娦盘柼卣鳎ㄐ穆屎托穆首儺愋?。他們利用SVM、KNN以及集成算法訓(xùn)練模型，實驗結(jié)果表明，所訓(xùn)練模型對每一類疲勞狀態(tài)均有較好的識別效果，但對于四類疲勞集成檢測性能只有58.3%。

本研究中將駕駛?cè)说钠诘燃壏譃榫X、輕度疲勞、深度疲勞和嗜睡四個級別，設(shè)計并開展了實車駕駛實驗，采集了不同駕駛?cè)嗽诓煌燃壠诔潭认碌拿娌刻卣鲄?shù)，利用主成分分析法預(yù)處理了所采集的特征數(shù)據(jù)以實現(xiàn)降維的目的，然后利用支持向量機算法建立了PCA-SVM疲勞檢測模型，所構(gòu)建的模型在實驗所得數(shù)據(jù)集上取得了95.97%的準確率，能夠有效地辨識汽車駕駛?cè)说钠跔顟B(tài)。

2 實驗方法

2.1 實驗參與人員

本研究通過社會招募的方式選擇了20名實驗對象，其中包括男性駕駛?cè)?3名，女性駕駛?cè)?名。這些實驗參與人員為不同行業(yè)領(lǐng)域的社會人員，如教師、學(xué)生、國企員工、網(wǎng)約車司機等。允許實驗參與人員佩戴眼鏡參與實車實驗。實驗參與人員的基本信息如表1所示。

2.2 實驗設(shè)備

合理地選擇實驗設(shè)備是有效開展實驗的前提。由于實車駕駛實驗中存在一定的危險性，應(yīng)選取不會對駕駛?cè)诵纬筛蓴_的實驗設(shè)備。因此本研究中使用一個普通的RGB攝像頭配合移動設(shè)備Jetson Nano的嵌入式系統(tǒng)采集駕駛?cè)说拿娌啃畔⒉⒈４?。實驗設(shè)備如圖1所示。

2.3 實驗組織

由于實車實驗具有一定的危險性，因此我們在實驗過程中不對駕駛?cè)俗鋈魏我?，只需要駕駛?cè)吮３终５淖匀获{駛狀態(tài)。但在實驗開始前，要求駕駛?cè)嗽?8 h內(nèi)不能熬夜，要有足夠的休息時間，且在實驗前駕駛?cè)瞬辉试S喝酒、服用精神類藥物以及功能飲料、咖啡等。我們將組裝好的攝像頭及Jetson Nano嵌入式系統(tǒng)安裝到實驗參與人員的車輛中。每當駕駛?cè)嗽谖绾蠡蛲砩像{車時，打開設(shè)備，設(shè)備將自動運轉(zhuǎn)并開始采集駕駛?cè)说拿娌啃畔?。這是由于午后及晚上駕駛?cè)巳菀滋幱谄跔顟B(tài)，在這個時間段能夠采集到較多的駕駛?cè)似诿娌刻卣鲾?shù)據(jù)。每當采集完一個實驗參與人員的數(shù)據(jù)后，將設(shè)備拆下，安裝到另一個實驗參與人員的車輛中繼續(xù)進行采集。

實驗結(jié)束后，整理實驗所得的數(shù)據(jù)。從實驗所得數(shù)據(jù)中人工篩選出具有疲勞特征的視頻片段，并利用專家打分法將篩選得到的疲勞視頻劃分為警覺、輕度疲勞、深度疲勞和嗜睡四個級別。其中，警覺狀態(tài)被視為正常駕駛狀態(tài)，輕度疲勞、深度疲勞和嗜睡狀態(tài)被視為疲勞駕駛狀態(tài)。每1 min的疲勞時間片段被篩選出來用作建立疲勞駕駛數(shù)據(jù)集，而在連續(xù)5 min沒有出現(xiàn)疲勞狀態(tài)的正常駕駛時間段中同樣篩選1 min的時間片段，用作建立對比數(shù)據(jù)集。經(jīng)過篩選后我們得到了33組滿足要求的視頻片段構(gòu)建實車駕駛實驗數(shù)據(jù)庫，其中包括14組疲勞駕駛視頻片段構(gòu)成的疲勞駕駛實驗數(shù)據(jù)庫，以及19組正常駕駛視頻片段構(gòu)成的正常駕駛實驗數(shù)據(jù)庫。

3 結(jié)果與討論

3.1 實驗數(shù)據(jù)預(yù)處理

本研究中，我們選取了駕駛?cè)嗣娌刻卣鲄?shù)中的11個參數(shù)作為疲勞駕駛檢測的特征參數(shù)，具體信息如表2所示。

式中，TP為疲勞駕駛被識別為疲勞駕駛的樣本數(shù)；TN為正常駕駛被識別為正常駕駛的樣本數(shù)；FP為正常駕駛被識別為疲勞駕駛的樣本數(shù)；FN為疲勞駕駛被識別為正常駕駛的樣本數(shù)。

為了突顯PCA-SVM模型的優(yōu)越性，我們選取了K領(lǐng)域模型（KNN）和隨機森林模型（RF）用作對比，同樣使用經(jīng)過PCA預(yù)處理后的數(shù)據(jù)訓(xùn)練KNN模型和RF模型。所得實驗結(jié)果的混淆矩陣如表4所示。

根據(jù)混淆矩陣，計算三個模型的評價指標，所得結(jié)果如圖2所示。

對比分析三類模型的驗證結(jié)果，可以看出所構(gòu)建的PCA-SVM模型在各方面都表現(xiàn)了良好的性能，均優(yōu)于對比所用的KNN和RF模型。因此，本文所提出的疲勞檢測方法能夠有效地檢測汽車駕駛?cè)说钠跔顟B(tài)。

4 結(jié)語

本研究設(shè)計了實車駕駛實驗，采集了20名汽車駕駛?cè)嗽谄隈{駛狀態(tài)下的眼動特征參數(shù)，將汽車駕駛?cè)说钠诘燃壏譃榫X、輕度疲勞、深度疲勞和嗜睡四個級別。利用主成分分析法（PCA）預(yù)處理了所采集的眼動特征數(shù)據(jù)，并利用支持向量機（SVM）算法建立了PCA-SVM疲勞檢測模型。實驗結(jié)果表明，該模型能夠高精度地檢測駕駛?cè)说钠跔顟B(tài)。

參考文獻：

[1]Alvaro P K，Burnett N M，Kennedy G A，et al. Driver education：enhancing knowledge of sleep，fatigue and risky behaviour to improve decision making in young drivers[J].Accident Analysis & Prevention，2018，112：77-83.

[2]Zhou Z，Zhou Y，Pu Z，et al.Simulation of pedestrian behavior during the flashing green signal using a modified social force model[J]. Transportmetrica A：Transport Science，2019，15（2）：1019-1040.

[3]Zhou Z，Cai Y，Ke R，et al. A collision avoidance model for two-pedestrian groups：Considering random avoidance patterns[J].Physica A： Statistical Mechanics and its Applications，2017，475：142-154.

[4]Amodio A，Ermidoro M，Maggi D，et al.Automatic detection of driver impairment based on pupillary light reflex[J].IEEE Transactions on Intelligent Transportation Systems，2018，20（8）：3038-3048.

[5]吳汪友高速公路貨車司機疲勞駕駛誘發(fā)因素與對策研究[J]武漢交通職業(yè)學(xué)院學(xué)報，2018，20（2）：18-21+88.

[6]Dua M，Shakshi，Singla R，et al.Deep CNN models-based ensemble approach to driver drowsiness detection[J].Neural Computing and Applications，2021，33（8）：3155-3168.

[7]Zhao Z，Zhou N，Zhang L，et al.Driver fatigue detection based on convolutional neural networks using em-cnn[J].Computational Intelligence and Neuroscience，2020，2020：7258210.

[8]MASOUMEH T，ALI N，SERAJEDDIN E H K.Driver drowsiness detection using facial thermal imaging in a driving simulator[J].Proceedings of the Institution of Mechanical Engineers，Part H：Journal of Engineering in Medicine，2022，236（1）：43-55.

[9]Němcová A，Svozilov? V，Bucsuházy K，et al.Multimodal features for detection of driver stress and fatigue[J].IEEE Transactions on Intelligent Transportation Systems，2021，22（6）：3214-3233.

[10]Papakostas M，Das K，Abouelenien M，et al.Distracted and drowsy driving modeling using deep physiological representations and multitask learning[J].Applied Sciences，2021，11（1）：88.

[11]Lee H，Lee J，Shin M.Using wearable ECG/PPG sensors for driver drowsiness detection based on distinguishable pattern of recurrence plots[J].Electronics，2019，8（2）：192.

[12]Pan T，Wang H，Si H，et al.Identification of pilots fatigue status based on electrocardiogram signals[J].Sensors，2021，21（9）：3003.

[13]Bhardwaj R，Natrajan P，Balasubramanian V.Study to determine the effectiveness of deep learning classifiers for ECG based driver fatigue classification[C]//2018 IEEE 13th International Conference on Industrial and Information Systems（ICIIS）.Rupnagar： IEEE，2018：98-102.

[14]Awais M，Badruddin N，drieberg M.A hybrid approach to detect driver drowsiness utilizing physiological signals to improve system performance and wearability[J].Sensors，2017，17（9）：1991.

[15]Murugan S，Selvaraj J，Sahayadhas A.Detection and analysis：driver state with electrocardiogram（ECG）[J].Physical and Engineering Sciences in Medicine，2020，43（2）：525-537.

作者簡介：

李振中，男，1983年生，高級工程師，研究方向為智能網(wǎng)聯(lián)測試技術(shù)。