劉　軍　王利明　聶　斐　袁　俊　程　偉

（江蘇大學(xué)，鎮(zhèn)江212013）

?

基于轉(zhuǎn)向盤轉(zhuǎn)角的疲勞駕駛檢測方法研究

劉軍王利明聶斐袁俊程偉

（江蘇大學(xué)，鎮(zhèn)江212013）

【摘要】為監(jiān)測駕駛?cè)藛T的疲勞駕駛行為，提出了基于轉(zhuǎn)向盤轉(zhuǎn)角的疲勞駕駛檢測方法。該方法利用角度傳感器MLX90316采集轉(zhuǎn)向盤轉(zhuǎn)角數(shù)據(jù)，并從采集的轉(zhuǎn)角數(shù)據(jù)中提取出了能描述駕駛員疲勞狀態(tài)的角度標(biāo)準(zhǔn)差和靜止百分比，根據(jù)角度標(biāo)準(zhǔn)差和靜止百分比建立疲勞狀態(tài)判別模型對駕駛員疲勞狀態(tài)進(jìn)行檢測。實車試驗表明，該方法能夠簡單、快捷地判斷駕駛員的疲勞狀態(tài)，準(zhǔn)確率達(dá)到80.3％。

1　前言

據(jù)調(diào)查統(tǒng)計顯示，在造成交通事故的眾多不良駕駛行為中，疲勞駕駛是最普遍而且后果最為嚴(yán)重的行為［1］。對駕駛?cè)藛T的疲勞駕駛行為進(jìn)行監(jiān)測報警，對于預(yù)防和控制道路交通事故，以及提高駕駛?cè)藛T對道路交通系統(tǒng)的安全意識有著重要意義［2］。

目前，對于疲勞駕駛的檢測方法主要有基于計算機(jī)視覺和視頻圖像處理的非接觸式檢測方法、基于車輛行為的檢測方法、基于駕駛?cè)藛T生理指標(biāo)的檢測方法等［3～6］，但這些方法存在檢測過程繁瑣、算法復(fù)雜、易受個體和實際環(huán)境影響等問題，無法快捷、簡便地實現(xiàn)對疲勞駕駛的檢測。為此，本文提出了基于ZigBee的車載疲勞駕駛狀態(tài)檢測方案，根據(jù)方案架構(gòu)了駕駛員疲勞駕駛檢測系統(tǒng)，利用轉(zhuǎn)向盤狀態(tài)預(yù)測駕駛?cè)藛T的疲勞狀態(tài)，并通過仿真試驗對該方法的準(zhǔn)確性進(jìn)行了驗證。

2　檢測方案與識別方法

2.1檢測方案

疲勞駕駛檢測系統(tǒng)采用非接觸式的絕對轉(zhuǎn)角傳感器MLX90316進(jìn)行轉(zhuǎn)向盤轉(zhuǎn)角數(shù)據(jù)的采集，將采集到的數(shù)據(jù)通過CAN總線發(fā)送給上位機(jī)，上位機(jī)通過對采集數(shù)據(jù)進(jìn)行實時處理和分析建立駕駛員疲勞模型，用以判別駕駛員的疲勞狀態(tài)。疲勞駕駛檢測系統(tǒng)架構(gòu)如圖1所示。

圖1　疲勞駕駛檢測系統(tǒng)架構(gòu)示意

2.2疲勞駕駛檢測過程

疲勞駕駛檢測過程為：首先采集轉(zhuǎn)向盤轉(zhuǎn)角數(shù)據(jù)并進(jìn)行分析處理，提取能描述駕駛員疲勞狀態(tài)的轉(zhuǎn)向盤角度變化特征，然后利用提取的特征建立判別模型來對駕駛員疲勞狀態(tài)進(jìn)行分類。

3　疲勞駕駛檢測實現(xiàn)

3.1數(shù)據(jù)采集與預(yù)處理

在疲勞駕駛檢測系統(tǒng)中，主要利用單片機(jī)MC9S08DZ32上的模塊SPI和角度傳感器MLX90316進(jìn)行數(shù)據(jù)傳輸，此數(shù)據(jù)傳送方式具有信號不易受干擾、傳送較穩(wěn)定的優(yōu)勢。單片機(jī)以主機(jī)的身份接收角度傳感器MLX90316傳輸?shù)臄?shù)據(jù)，并將該數(shù)據(jù)轉(zhuǎn)變?yōu)閷?yīng)的轉(zhuǎn)動角度，通過CAN總線將角度數(shù)據(jù)傳送到整車的CAN總線網(wǎng)絡(luò)中。

3.2疲勞駕駛時轉(zhuǎn)向盤動作特征分析

通過實車道路試驗獲取轉(zhuǎn)向盤轉(zhuǎn)角與駕駛員工作狀態(tài)的關(guān)系，以研究能描述駕駛員疲勞狀態(tài)的轉(zhuǎn)向盤動作特征。在進(jìn)行實際道路駕駛試驗前，首先要保證駕駛員處于淸醒狀態(tài)，實車試驗從駕駛員十分清醒狀態(tài)開始,直到進(jìn)入非常疲勞狀態(tài)結(jié)束。圖2為實車試驗時駕駛員在不同工作狀態(tài)下典型的轉(zhuǎn)向盤轉(zhuǎn)角波形。

圖2　轉(zhuǎn)向盤轉(zhuǎn)角與駕駛員工作狀態(tài)關(guān)系曲線

由圖2a可看出，在清醒狀態(tài)下，駕駛員操控轉(zhuǎn)向盤的轉(zhuǎn)動角度均勻變化，修正轉(zhuǎn)向盤的頻率很頻繁,而且轉(zhuǎn)向盤的修正幅度相對較小；由圖2b可看出，駕駛員對轉(zhuǎn)向盤的修正頻率相對降低，修正幅度變大，表明駕駛員已處于疲勞狀態(tài)；由圖2c可看出，駕駛員對轉(zhuǎn)向盤的修正頻率進(jìn)一步降低，轉(zhuǎn)向盤轉(zhuǎn)角甚至出現(xiàn)一段時間的持續(xù)不變現(xiàn)象，之后轉(zhuǎn)向盤轉(zhuǎn)角又出現(xiàn)了一個大幅度快速波動，這可能是由于此時駕駛員突然發(fā)現(xiàn)車輛偏離車道線后采取了緊急修正，這表明駕駛員已處于非常疲勞狀態(tài)。

由上述分析可知，對轉(zhuǎn)向盤修正頻率的降低及大幅度的修正是駕駛員處于疲勞狀態(tài)下操作轉(zhuǎn)向盤的兩個主要特征，其持續(xù)時間在4～20 s之間。

3.3疲勞駕駛判別指標(biāo)提取

基于上述分析，選取轉(zhuǎn)向盤轉(zhuǎn)角的角度標(biāo)準(zhǔn)差和靜止百分比兩個指標(biāo)來表示轉(zhuǎn)向盤轉(zhuǎn)角變化的特征，用以判別駕駛員工作狀態(tài)。角度標(biāo)準(zhǔn)差可直接表征轉(zhuǎn)向盤轉(zhuǎn)角變化的幅度，而靜止百分比可表征轉(zhuǎn)向盤轉(zhuǎn)角變化角速度及角度變化頻率。但是這兩個指標(biāo)中單獨(dú)一個無法表現(xiàn)出轉(zhuǎn)向盤轉(zhuǎn)角變化所有信息，所以提取這兩個指標(biāo)來共同表示轉(zhuǎn)向盤轉(zhuǎn)角變化的特征。

靜止百分比定義為：

式中，F(xiàn)為靜止百分比，表示修正轉(zhuǎn)向盤的頻率變化；M為指定基準(zhǔn)時間內(nèi)角速度的總采樣點(diǎn)數(shù)；m為總采樣點(diǎn)中轉(zhuǎn)向盤轉(zhuǎn)動角速度小于設(shè)定閾值的點(diǎn)數(shù)，本文中閾值為±0.1°/s。

角度標(biāo)準(zhǔn)差定義為:

式中，W為角度標(biāo)準(zhǔn)差，表示轉(zhuǎn)向盤修正幅度的變化；wi為轉(zhuǎn)向盤轉(zhuǎn)動角速度。

駕駛員的工作狀態(tài)可分為清醒、疲勞和非常疲勞3種，圖3為角度標(biāo)準(zhǔn)差和靜止百分比與駕駛員工作狀態(tài)的關(guān)系。

由圖3a可看出，駕駛員處于疲勞狀態(tài)時的角度標(biāo)準(zhǔn)差與清醒狀態(tài)時很接近，均為1.2°左右；而駕駛員處于非常疲勞狀態(tài)時的角度標(biāo)準(zhǔn)差較大，約為2.0°,可見利用角度標(biāo)準(zhǔn)差可有效識別駕駛員是否處于非常疲勞狀態(tài)。由圖3b可看出，駕駛員處于清醒狀態(tài)時的靜止百比低于疲勞狀態(tài)和非常疲勞狀態(tài)時的靜止百分比，僅為20％；而疲勞狀態(tài)和非常疲勞狀態(tài)下的靜止百分比較相近，分別為35％和38％，即靜止百分比可用來判斷駕駛員是處于清醒狀態(tài)還是非清醒狀態(tài)（疲勞和非常疲勞）。因此，可利用這兩項指標(biāo)建立相關(guān)的數(shù)學(xué)模型來判別駕駛員的工作狀態(tài)。

圖3　角度標(biāo)準(zhǔn)差和靜止百分比與駕駛員工作狀態(tài)關(guān)系

3.4疲勞狀態(tài)判別算法

線性判別分析（LDA）也被稱為Fisher線性判別（FLD），其算法原理是尋找使Fisher準(zhǔn)則達(dá)到極大值的向量作為最佳投影方向，并使投影后的樣本達(dá)到最大的類間離散度和最小的類內(nèi)離散度，使投影后樣本具有最佳的可分離性，是一種有效的用于分類的特征提取方法。本文運(yùn)用LDA建立以靜止百分比和角度標(biāo)準(zhǔn)差為特征向量的線性判別算法。

利用LDA建立的線性判別模型為:

式中，S1、S2、S3為清醒狀態(tài)、疲勞狀態(tài)和非常疲勞狀態(tài)時的線性判別函數(shù)；ai、bi、ci（i=1，2，3）為算法系數(shù)，由實際訓(xùn)練樣本得到；p1、p2、p3為清醒狀態(tài)、疲勞狀態(tài)和非常疲勞狀態(tài)時對應(yīng)的概率。

實際操作時，將傳感器測得的F和W值寫入式（4）中，可以得到函數(shù)S1、S2、S3的值。對p1、p2、p3數(shù)值進(jìn)行比較，其最大值所對應(yīng)的狀態(tài)就是LDA模型的判別結(jié)果,也就是當(dāng)前駕駛員的工作狀態(tài)。

疲勞狀態(tài)判別模型如圖4所示，包含了兩個階段，首先是特征提取，然后是線性判別分析。提取駕駛員特征時，角度標(biāo)準(zhǔn)差由傳感器直接采集。在建立疲勞檢測模型時選用了線性判別分析算法，相對于視頻圖像數(shù)據(jù)的處理來說，該模型及算法更簡單、方便。

圖4　疲勞狀態(tài)判別模型

4　實車試驗

利用實際道路條件下的車輛行駛數(shù)據(jù)對所建立的模型進(jìn)行驗證。試驗所用車輛為別克凱越HRV兩廂車，考慮到駕駛員極易犯困的時段及避免早晚高峰，試驗時間為上午9時～12時和下午1時～4時，地點(diǎn)選擇在鎮(zhèn)江市的主要干道。試驗中測試樣本共300個，其中清醒狀態(tài)樣本為189個，疲勞狀態(tài)樣本為95個,非常疲勞狀態(tài)樣本為15個。測試樣本狀態(tài)是經(jīng)人工主觀判斷所得，模型判斷的結(jié)果與測試樣本狀態(tài)相同則認(rèn)為模型判斷正確，否則為誤判。試驗結(jié)果見表1。

表1　疲勞狀態(tài)判別模型判斷結(jié)果

由表1可知，經(jīng)疲勞狀態(tài)判別模型判斷是清醒狀態(tài)的有169個，判斷是疲勞狀態(tài)的有63個，判斷是非常疲勞狀態(tài)的有9個。模型中正確識別了241個，準(zhǔn)確率達(dá)到了80.3％。同時，還存在59個誤判的樣本狀態(tài)，其中誤判最多的是將22個疲勞樣本狀態(tài)誤判為清醒狀態(tài)，將20個清醒狀態(tài)誤判為疲勞狀態(tài)。導(dǎo)致誤判的原因主要是在少數(shù)路況簡單的直線路段進(jìn)行實車試驗時，無論是在清醒狀態(tài)還是疲勞狀態(tài)，短時間內(nèi)轉(zhuǎn)向盤轉(zhuǎn)角變化的幅度和頻率都較小，使得提取的靜止百分比和角度標(biāo)準(zhǔn)差失效，從而導(dǎo)致誤判的發(fā)生。

5　結(jié)束語

提出了基于轉(zhuǎn)向盤轉(zhuǎn)角的疲勞駕駛檢測方法。該方法利用角度傳感器MLX90316采集轉(zhuǎn)向盤轉(zhuǎn)角數(shù)據(jù)，通過對采集的轉(zhuǎn)角數(shù)據(jù)進(jìn)行處理和分析，提取出了能描述駕駛員疲勞狀態(tài)的轉(zhuǎn)向盤轉(zhuǎn)角的角度標(biāo)準(zhǔn)差和靜止百分比，并根據(jù)角度標(biāo)準(zhǔn)差和靜止百分比建立了疲勞狀態(tài)判別模型，利用該模型對駕駛員的疲勞狀態(tài)進(jìn)行了檢測。實車試驗表明，該方法能夠較準(zhǔn)確地判斷駕駛員的疲勞狀態(tài)，在不降低識別率的前提下，能夠簡單、快捷地對疲勞駕駛狀態(tài)進(jìn)行檢測。

參考文獻(xiàn)

1任曉明，薛青，鄭長偉.虛擬駕駛員決策行為模型研究．計算機(jī)仿真，2012，29（10）:14～17.

2肖獻(xiàn)強(qiáng)，王其東，趙永.基于信息融合的駕駛行為識別技術(shù)的研究.汽車工程，2012，34（3）:222～226．

3彭召意，周玉，朱文球.用于疲勞駕駛檢測的人眼快速跟蹤方法.計算機(jī)工程，2010，36（15）:191～193．

4 Zhong，YJ，DuLP，ZhangK，et al. Localized Energy Study for Analyzing Driver Fatigue State Basedon Wavelet Analysis ［C］.Proc. Int. Conf．Wavelet Anal. PatternRecogn. ICWAP R，Beijing，China，2007（4）: 1843～1846．

5 KingLM，NguyenHT，Lal SKL. Early Driver Fatigue Detec?tion from Electroencephalography Signals using Artificial Neural Networks. Proceedingsof the 28thIEEEEMBSAnnual International Conference，NewYorkCity，USA，2006: 2187～2190．

6李貞，馮曉毅.基于傳感器技術(shù)的駕駛疲勞檢測方法綜述.測控技術(shù)，2007，26（4）:1～3．

（責(zé)任編輯文楫）

修改稿收到日期為2015年12月29日。

主題詞:疲勞駕駛轉(zhuǎn)向盤轉(zhuǎn)角靜止百分比角度標(biāo)準(zhǔn)差檢測

Research on Fatigue Driving Detection Method based on Steering Wheel Angle

Liu Jun, Wang Liming, Nie Fei, Yuan Jun, Cheng Wei
（Jiangsu University, Zhenjiang 212013）

【Abstract】To detect driver′s fatigue driving behavior, a fatigue detection method based on steering wheel angle is proposed, which uses MLX90316 angular transducer to collect the steering- wheel angular data, from which static percentage and angular standard deviation can be extracted, thus the driver′s fatigue driving state can be detected by establishing fatigue state recognition model. The vehicle road tests demonstrate that this method can easily and quickly detect the driver’s fatigue driving state, with accuracy rate of up to 80.3％.

Key words:Fatigue driving, Steering- wheel angle, Static percentage, Angular standard deviation, Detection

中圖分類號:U463.4

文獻(xiàn)標(biāo)識碼:A

文章編號:1000-3703（2016）04-0042-03