茆佳能，王維鋒，張立

（中設(shè)設(shè)計(jì)集團(tuán)股份有限公司，江蘇南京 210014）

疲勞駕駛檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)?

茆佳能，王維鋒，張立

（中設(shè)設(shè)計(jì)集團(tuán)股份有限公司，江蘇南京 210014）

疲勞駕駛是導(dǎo)致交通事故的重要因素。為了克服單一數(shù)據(jù)源檢測(cè)系統(tǒng)的局限性，文中設(shè)計(jì)了一種基于數(shù)據(jù)融合的疲勞駕駛檢測(cè)系統(tǒng)并采用雙微控制單元架構(gòu)進(jìn)行技術(shù)實(shí)現(xiàn)，該系統(tǒng)選取人眼PERCLOS值和車道偏離情況作為融合參數(shù)提取有效特征，采用粗糙集理論進(jìn)行數(shù)據(jù)融合，綜合判斷駕駛員疲勞狀態(tài)。實(shí)車測(cè)試結(jié)果表明，該系統(tǒng)在快速路工況下的識(shí)別準(zhǔn)確率達(dá)93. 9%，具有較高的魯棒性和可用性。

交通安全；疲勞駕駛；PERCLOSE；車道偏離；數(shù)據(jù)融合

隨著中國(guó)汽車保有量的迅速增加，道路交通事故越來(lái)越嚴(yán)重，其中因疲勞駕駛導(dǎo)致的事故和人員傷亡占有相當(dāng)大的比例。疲勞駕駛隱蔽性較強(qiáng)，雖然管理部門制定了相應(yīng)的交通法規(guī)，但因執(zhí)法困難，效果并不理想。因此，開發(fā)一種駕駛員疲勞駕駛實(shí)時(shí)檢測(cè)系統(tǒng)具有十分重要的社會(huì)和經(jīng)濟(jì)價(jià)值。

疲勞駕駛檢測(cè)方法主要分為基于生理信息、基于操控行為、基于行車狀態(tài)和基于機(jī)器視覺(jué)四類。其中：基于生理信息的方法的識(shí)別準(zhǔn)確性最高，但對(duì)駕駛員干擾很大，適用于實(shí)驗(yàn)室環(huán)境；基于操控行為的方法對(duì)駕駛員較友好，數(shù)據(jù)處理簡(jiǎn)單，但理論研究較少，識(shí)別算法閾值難以確定，且在低速駕駛情況下準(zhǔn)確性較低；基于行車狀態(tài)的方法的識(shí)別準(zhǔn)確性受路面狀況、操控習(xí)慣、氣象條件等影響較大；基于機(jī)器視覺(jué)的方法是目前國(guó)內(nèi)外進(jìn)行疲勞駕駛識(shí)別的主要選擇，但該方法識(shí)別準(zhǔn)確性受環(huán)境光線、駕駛員坐姿等的影響較大。目前，基于單一特征的疲勞駕駛識(shí)別方法尚無(wú)法解決實(shí)際運(yùn)用中的準(zhǔn)確性和魯棒性問(wèn)題。為此，該文綜合利用人眼PERCLOS特征和車道偏移特征，采用數(shù)據(jù)融合方法開發(fā)駕駛?cè)似隈{駛檢測(cè)系統(tǒng)。

1　總體結(jié)構(gòu)

疲勞駕駛檢測(cè)系統(tǒng)研究駕駛?cè)藸顟B(tài)、車輛行駛狀態(tài)信息，其整體框架如圖1所示，包括信息采集單元、狀態(tài)判別單元和疲勞預(yù)警單元三部分。信息采集單元通過(guò)攝像頭獲取駕駛員眼睛狀態(tài)、車輛行駛軌跡等原始數(shù)據(jù)；狀態(tài)判別單元完成單一數(shù)據(jù)源特征向量提取、歸一化并進(jìn)行特征識(shí)別后，通過(guò)數(shù)據(jù)融合實(shí)現(xiàn)對(duì)駕駛?cè)似隈{駛狀態(tài)的可靠識(shí)別；疲勞預(yù)警單元根據(jù)判別結(jié)果的嚴(yán)重程度，選取視覺(jué)、聽(tīng)覺(jué)等提醒手段對(duì)駕駛員進(jìn)行及時(shí)預(yù)警。

圖1　疲勞駕駛檢測(cè)系統(tǒng)的整體框架

2　硬件設(shè)計(jì)

疲勞駕駛檢測(cè)系統(tǒng)兼顧實(shí)用性與先進(jìn)性，以JT/T794-2013《道路運(yùn)輸車輛衛(wèi)星定位系統(tǒng)北斗兼容車載終端技術(shù)規(guī)范》為基礎(chǔ)，增加視頻采集和分析的功能。整體采用“主機(jī)+外設(shè)”的結(jié)構(gòu)組成形式，主機(jī)通過(guò)各種接口與眾多功能外設(shè)連接。終端主機(jī)的物理構(gòu)成包括主板（Board_Main）和視頻板（Board-Video）兩部分，采用雙MCU架構(gòu)。分工如下：HI3520A處理器主要進(jìn)行音頻和視頻采集、存儲(chǔ)、分析及3G模塊的數(shù)據(jù)傳輸；STM32F207VET6實(shí)現(xiàn)除音、視頻處理外的所有功能。兩個(gè)MCU分工明確、協(xié)同工作。其整體硬件架構(gòu)如圖2所示。

2.1主板

主板主要具有MCU、GPS/北斗信息的采集、振動(dòng)檢測(cè)、車輛OBD通信等功能；同時(shí)核心板的外部接口設(shè)計(jì)在主板上，包括音頻和視頻輸入端子、3G通信模塊、SIM卡等。

圖2　疲勞駕駛檢測(cè)系統(tǒng)的硬件整體框架

（1）MCU。主板MCU主要完成車輛信號(hào)采集、外設(shè)通信、無(wú)線傳感網(wǎng)絡(luò)、位置采集和T808報(bào)文等對(duì)任務(wù)實(shí)時(shí)性要求較高、處理器要求不高的相關(guān)功能，該系統(tǒng)設(shè)計(jì)采用ARMCortexM3內(nèi)核的STM32F207VET6芯片來(lái)完成。

（2）GPS/BD。采用GPS和北斗雙模定位模塊，根據(jù)JT/T794-2013的要求，實(shí)時(shí)采集車輛位置、速度信息，并通過(guò)位置數(shù)據(jù)實(shí)現(xiàn)車輛的路線管理、區(qū)域管理等位置功能，通過(guò)速度數(shù)據(jù)實(shí)現(xiàn)超速報(bào)警等功能。該模塊與MCU通信的物理接口為UART，輸出數(shù)據(jù)為NMEA0183標(biāo)準(zhǔn)語(yǔ)句，數(shù)據(jù)采樣速率最大能達(dá)1Hz。

（3）MEMS。MEMS設(shè)計(jì)采用加速度傳感器，通過(guò)對(duì)X、Y、Z三軸加速度值的采集，判斷車輛的動(dòng)靜、側(cè)翻等狀態(tài)，實(shí)現(xiàn)自動(dòng)喚醒或側(cè)傾告警功能。MEMS傳感器輸出加速度信號(hào)，與MCU通信的物理接口為SPI方式。為減少M(fèi)CU資源開銷，采用設(shè)定閾值、中斷輸出的方法采集加速度數(shù)據(jù)。

（4）GPIO、OBD、CAN。GPIO端口實(shí)現(xiàn)車輛信號(hào)的開關(guān)量、脈沖量和信號(hào)量采集及繼電器控制輸出功能。OBD單元的數(shù)據(jù)來(lái)自于汽車ECU，而獲取ECU的數(shù)據(jù)必須通過(guò)CAN和K/L總線及ISO15031和J1939協(xié)議，系統(tǒng)采用EL327芯片采集，與MCU通信的物理接口為UART。為減少終端作為采集單元并接到總線上對(duì)總線造成的數(shù)據(jù)負(fù)荷，采集數(shù)據(jù)采樣周期定為500ms。

（5）3G通信模塊。系統(tǒng)3G傳輸分為上行和下行。上行數(shù)據(jù)分別來(lái)自HI3520A的視頻流數(shù)據(jù)和STM32F207VET6的T808報(bào)文數(shù)據(jù)；在傳輸T808報(bào)文時(shí)，HI3520A僅起透?jìng)魍?，通過(guò)在Linux系統(tǒng)應(yīng)用層建立的轉(zhuǎn)發(fā)功能，不作任何數(shù)據(jù)處理，邏輯上變成STM32F207VET6處理器直接與平臺(tái)進(jìn)行通信，只是中間經(jīng)過(guò)了HI3520A、3G模塊的連接與轉(zhuǎn)換。下行數(shù)據(jù)多為參數(shù)設(shè)置、終端控制等命令數(shù)據(jù)，故平臺(tái)數(shù)據(jù)也是直接透?jìng)鹘oSTM32F207VET6處理器。

2.2視頻板

視頻板是系統(tǒng)視頻采集與處理的核心部件，功能獨(dú)立且高度集成，以一個(gè)物理電路板而存在。疲勞駕駛識(shí)別的關(guān)鍵是通過(guò)視頻傳感器獲取駕駛員眼睛和車輛前方車道線信息、識(shí)別特征并進(jìn)行融合判斷，考慮到所涉及的視頻采集、處理、傳輸和存儲(chǔ)等任務(wù)功能相對(duì)集中，而這部分任務(wù)在應(yīng)用技術(shù)上相對(duì)較成熟，選用華為海思芯片作為整體解決方案。

視頻板采用Linux操作系統(tǒng)，主處理器采用工業(yè)級(jí)嵌入式微控制器HI3520A，A/D芯片為Nextchip1914，搭配128Mb（16MB）Flash容量及2048 Mb（256MB）內(nèi)存容量。視頻核心板高度集成，采用標(biāo)準(zhǔn)化接口，支持多模式輸入，提供完善的網(wǎng)絡(luò)服務(wù)?！昂诵陌?主板”的功能組合完全滿足該系統(tǒng)開發(fā)的需求。

3　軟件設(shè)計(jì)

疲勞駕駛識(shí)別技術(shù)經(jīng)過(guò)幾十年的發(fā)展，取得了豐碩成果，但由于道路環(huán)境、駕駛員個(gè)體等差異，至今仍未出現(xiàn)一種基于單一特征屬性、高可靠性、高準(zhǔn)確性的識(shí)別方法。綜合考慮不同方法的優(yōu)缺點(diǎn)及適用范圍，同時(shí)兼顧特征檢測(cè)和算法匹配上的互補(bǔ)性，該系統(tǒng)將基于視頻圖像識(shí)別的人眼和車道線偏離識(shí)別方法進(jìn)行數(shù)據(jù)融合，建立綜合判別模型，提高識(shí)別結(jié)果的準(zhǔn)確性。

3.1基于人眼的疲勞識(shí)別

采用PERCLOSE方法的核心是精準(zhǔn)判斷駕駛員眼睛的閉合狀態(tài)。考慮到人臉信息量較人眼更豐富，能較為方便地從圖像中檢測(cè)出來(lái)，一般先定位人臉位置，然后在圖像中定位眼睛區(qū)域位置?？傮w而言，基于人眼的疲勞識(shí)別是一個(gè)定位對(duì)象不斷減小、精度不斷提升的過(guò)程。

3.1.1人臉檢測(cè)定位算法

該系統(tǒng)根據(jù)膚色信息快速檢測(cè)，縮小人臉可能區(qū)域，完成粗定位；再運(yùn)用類Harr特征的AdaBoost分類器算法完成精準(zhǔn)定位，大大提升算法計(jì)算速度。

首先進(jìn)行人臉?lè)诸惼饔?xùn)練。定義樣本集中元素M（xn，yn），按式（1）進(jìn)行權(quán)重歸一化，根據(jù)每個(gè)人臉特征訓(xùn)練弱分類器hj，其構(gòu)造函數(shù)見(jiàn)式（2）。

計(jì)算每個(gè)元素M（xn，yn）與相對(duì)應(yīng)的弱分類器hj之間的誤差，公式如下：

式中：pj為控制不等式方向的校驗(yàn)器，pj=±1；fj為人臉特征；x是圖像中一個(gè)24×24像素大小的harr-like子窗口；θj為相應(yīng)閾值。

選出容錯(cuò)率最小的ht，更新其權(quán)值，令ωt+1，i= ωt，iβ1-ei，其中βt=εt/（1-εt） 。通過(guò)上述一系列步驟形成基于人臉某一特征的分類器，即：

式中：αt=log（1/βt）。

訓(xùn)練出一系列基于人臉不同特征的分類器后，通過(guò)級(jí)聯(lián)方式最終形成一個(gè)人臉?lè)诸惼?。把所有分割好的人臉區(qū)域通過(guò)最終人臉?lè)诸惼骱Y選出人臉區(qū)域的精確定位。

3.1.2人眼定位與狀態(tài)識(shí)別算法

臉部器官區(qū)域在灰度分布上比周圍更暗，對(duì)人臉進(jìn)行積分投影后，上述器官位置會(huì)出現(xiàn)較小值，以較小值之間的位置關(guān)系建立判斷規(guī)則，得到器官間的水平和垂直位置，分割出眼部區(qū)域。在所有器官中，人眼結(jié)構(gòu)最復(fù)雜，復(fù)雜度也最大。將上一步確定的區(qū)域等分為8×4小塊，按下式計(jì)算其復(fù)雜度：

式中：C（A）為A區(qū)域的復(fù)雜度；SA（）為A區(qū)域的面積；Edge為邊緣檢測(cè)算子。

得到復(fù)雜度最大的10個(gè)小塊，將相鄰小塊合并后剔除孤立小塊，根據(jù)人眼分布的對(duì)稱性，最終得到人眼的精確位置。

為減少噪聲和曲線間斷對(duì)識(shí)別結(jié)果的影響，將圖像空間轉(zhuǎn)換為參數(shù)空間，以參數(shù)的形式描述圖像中的區(qū)域邊界。通過(guò)Hough變換將參數(shù)空間分割為累加器單元Ai，j，k（）并進(jìn)行置零。以圖像平面內(nèi)圓周上某一點(diǎn)x，y（）的參數(shù)坐標(biāo)a，b，r（）的方程x-a（）2+y-b（）2=r2為根據(jù)對(duì)參數(shù)進(jìn)行循環(huán)計(jì)算，如果值am（）得到了對(duì)應(yīng)的bp（）、rq（），則Am，p，q（）的值加1。取值最大累加器所對(duì)應(yīng)參數(shù)a，b，r（）就是圖像平面內(nèi)所要求的圓心坐標(biāo)和半徑值。人眼睜開狀態(tài)下，眼珠呈圓形，用Hough變換檢測(cè)眼珠是否露出，即可判斷眼睛的開閉狀態(tài)。

3.1.3人眼疲勞識(shí)別

該系統(tǒng)計(jì)算單位時(shí)間（30s）內(nèi)PERCLOS值，當(dāng)PERCLOS＞40%時(shí)，判斷駕駛員處于疲勞狀態(tài)；當(dāng)PERCLOS≤40%且每分鐘眨眼次數(shù)小于5時(shí)，同樣判斷駕駛員處于疲勞狀態(tài)。

3.2基于車道偏離的疲勞識(shí)別

利用視頻傳感器采集車輛前方車道線圖像，通過(guò)檢測(cè)車道偏離情況間接反映駕駛員的駕駛狀態(tài)。

3.2.1車道線模型描述

為了提高檢測(cè)系統(tǒng)的魯棒性和實(shí)時(shí)性，對(duì)道路作理想狀態(tài)假設(shè)，使之抽象為數(shù)學(xué)模型。用回旋曲線描述道路的形狀，對(duì)直線與彎道連接部分進(jìn)行平滑處理。模型表達(dá)式為：

式中：CL（）為距離初始點(diǎn)距離為L(zhǎng)時(shí)的曲率；C0為曲線初始點(diǎn)曲率；C1為曲率變化率。

同時(shí)假設(shè)道路的寬度基本保持不變且路面較平坦，把對(duì)車道線的檢測(cè)轉(zhuǎn)換為對(duì)圖像中平行區(qū)域的檢測(cè)，利用車道線特征將圖像從二維空間映射到三維空間。

3.2.2車道線檢測(cè)與識(shí)別

在（x，y）直角坐標(biāo)系中的2點(diǎn)經(jīng)過(guò)關(guān)系映射后在參數(shù)空間中成為2條相交的直線，k為直線的斜率，b為直線的截距（見(jiàn)圖3）。采用“投票機(jī)制”遍歷（b，k）空間中各個(gè)點(diǎn)并得到票數(shù)，得票數(shù)高的勝出。當(dāng)（x，y）空間中的直線與x軸趨近于垂直時(shí)，采用（β，θ）空間變換描述直線：β=xcosθ+ysinθ。將特征點(diǎn)帶入處理好的θ∈ ［0，π）范圍內(nèi)計(jì)算β值，對(duì)（β，θ）空間中對(duì)應(yīng)值加1，將所有特征點(diǎn)進(jìn)行變換，最后得到直線的參數(shù)。

圖3　點(diǎn)線對(duì)偶關(guān)系圖

選擇數(shù)據(jù)結(jié)構(gòu)中x，y（）對(duì)應(yīng)累加器較大的點(diǎn)作為目標(biāo)直線，將其進(jìn)行Hough逆變換得到相應(yīng)的直線方程中k、b的值與β、θ的關(guān)系，其公式為：

3.2.3車道偏離識(shí)別

車道偏離識(shí)別中，首先采用二階TLC算法對(duì)車輛的單次跨越車道線情況進(jìn)行判別，根據(jù)單位時(shí)間內(nèi)的跨越次數(shù)判斷駕駛員的疲勞狀態(tài)。判別過(guò)程中需設(shè)定2個(gè)閾值，即車輛將要觸碰車道線邊緣的時(shí)間閾值T、一段時(shí)間內(nèi)車輛跨越車道線的次數(shù)閾值N。

二階TLC算法判斷是否產(chǎn)生一次車道線跨越的公式為：式中：tc為計(jì)算所得前輪邊緣觸碰車道線的時(shí)間；v1為車輛的側(cè)向速度；a1為車輛的側(cè)向加速度；d為前輪邊緣與車道線的距離。

根據(jù)上述方法判斷車輛在一段時(shí)間內(nèi)跨越車道線的次數(shù)，若超過(guò)閾值N，則認(rèn)為駕駛員處于疲勞駕駛狀態(tài)。

3.3基于數(shù)據(jù)融合的疲勞識(shí)別

基于視頻圖像的駕駛員疲勞識(shí)別過(guò)程中計(jì)算量較大，該系統(tǒng)采用分布式融合結(jié)構(gòu)，對(duì)各攝像頭的原始數(shù)據(jù)作處理分析后，在本地作出判斷，將結(jié)論信息在決策級(jí)按粗糙集理論進(jìn)行融合，得到最終的判斷結(jié)果。

粗糙集的條件屬性參數(shù)為｛a=P80，b=n｝，由于參數(shù)為連續(xù)性數(shù)值數(shù)據(jù)，需對(duì)其進(jìn)行離散化處理。離散歸一過(guò)程中應(yīng)保證信息丟失較少，同時(shí)各屬性值的種類應(yīng)盡量少。根據(jù)數(shù)據(jù)分割法對(duì)屬性值進(jìn)行離散，將屬性離散為3個(gè)等級(jí)｛0，1，2｝：“0”表示在正常范圍內(nèi)；“1”表示稍微超出正常范圍；“2”表示嚴(yán)重超出正常范圍。離散規(guī)則見(jiàn)表1。

表1　屬性離散化規(guī)則

決策屬性O(shè)=0，1，2｛｝中，“0”表示駕駛員處于清醒狀態(tài)，能勝任駕駛?cè)蝿?wù)；“1”表示駕駛員處于輕度疲勞狀態(tài)，可繼續(xù)駕駛，但要休息；“2”表示駕駛員處于疲勞狀態(tài)，繼續(xù)駕駛存在風(fēng)險(xiǎn)?？紤]到人體的疲勞是緩慢增長(zhǎng)的，為增加檢測(cè)的準(zhǔn)確性，選取當(dāng)前時(shí)刻前60s內(nèi)的條件屬性進(jìn)行分析，數(shù)據(jù)融合過(guò)程見(jiàn)圖4。離散化后的數(shù)據(jù)見(jiàn)表2。

圖4　數(shù)據(jù)融合過(guò)程

表2　決策表

考慮到任何一個(gè)條件屬性都是必須的，不作約簡(jiǎn)，根據(jù)最小決策算法判斷駕駛員是否疲勞及其疲勞程度。

4　測(cè)試分析

選擇南京繞城高速公路作為試驗(yàn)線路，對(duì)該系統(tǒng)進(jìn)行實(shí)車測(cè)試。以副駕駛位測(cè)試工作人員對(duì)駕駛?cè)藛T疲勞程度的評(píng)測(cè)作為實(shí)際疲勞程度基準(zhǔn)值，共得到樣本數(shù)據(jù)280組，其中清醒樣本142個(gè)、輕度疲勞樣本97個(gè)、深度疲勞41個(gè)。

表3為基于單一特征與數(shù)據(jù)融合算法的測(cè)試結(jié)果比較。從表3可知：融合算法對(duì)駕駛員疲勞狀態(tài)的檢測(cè)準(zhǔn)確率為93.9%，相較于單一特征算法，判別準(zhǔn)確率顯著提升，可作為疲勞駕駛判定的有效依據(jù)。

表3　基于單一特征和信息融合的疲勞駕駛判定結(jié)果

5　結(jié)語(yǔ)

疲勞駕駛檢測(cè)系統(tǒng)是車輛主動(dòng)安全的重要組成部分。該文以道路運(yùn)輸車輛動(dòng)態(tài)監(jiān)管終端技術(shù)標(biāo)準(zhǔn)為基礎(chǔ)，增加視頻采集和分析功能，通過(guò)“主板+視頻板+外設(shè)”的形式對(duì)疲勞駕駛檢測(cè)系統(tǒng)的硬件架構(gòu)進(jìn)行設(shè)計(jì)；結(jié)合人眼PERCLOSE和車道偏離兩種不同原理，引入數(shù)據(jù)融合技術(shù)，提出了疲勞駕駛識(shí)別算法。實(shí)際道路測(cè)試結(jié)果表明，該系統(tǒng)實(shí)現(xiàn)了不同特征數(shù)據(jù)間的互補(bǔ)，相對(duì)于以往基于單一數(shù)據(jù)源的識(shí)別技術(shù)，在準(zhǔn)確性方面有很大提高，具有廣闊的應(yīng)用前景。

［1］ 李都厚，劉群.疲勞駕駛與交通事故關(guān)系［J］.交通運(yùn)輸工程學(xué)報(bào)，2010，10（2）.

［2］ 毛科俊，劉小明，趙曉華，等.基于腦電信號(hào)的駕駛疲勞預(yù)報(bào)關(guān)鍵參數(shù)選?。跩］.北京工業(yè)大學(xué)學(xué)報(bào)，2010，36 （7）.

［3］ MPatel，SKLLai.Applyingneuralnetworkanalysis onheartratevariabilitydatatoassessdriverfatigue ［J］.ExpertSystemswithApplications，2011，38（6）.

［4］ EskandarianA，MortazaviA.Evaluationofasmartalgorithmforcommercialvehicledriverdrowsinessdetection［A］.Proceedingsofthe2007IEEEIntelligent VehiclesSymposium［C］.2007.

［5］ 毛喆，初秀民，嚴(yán)新平，等.汽車駕駛員駕駛疲勞監(jiān)測(cè)技術(shù)研究進(jìn)展［J］.中國(guó)安全科學(xué)學(xué)報(bào)，2005，15（3）.

［6］ ForsmanPM，VilaBJ，ShortRA，etal.Efficientdriverdrowsinessdetectionatmoderatelevelsofdrowsiness［J］.AccidentAnalysisandPrevention，2013，50.

［7］ 張希波，成波，馮睿嘉.基于方向盤操作的駕駛?cè)似跔顟B(tài)實(shí)時(shí)檢測(cè)方法［J］.清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，50（7）.

［8］ TD’Orazio，MLeo，CGuaragnella，etal.Avisualapproachfordriverinattentiondetection［J］.PatternRecognition，2007，40（8）.

［9］ BatistaJ.Adrowsinessandpointofattentionmonitoringsystemfordrivervigilance［A］.IntelligentTransportationSystemsConference［C］.2007.

［10］ LeeD，OhS，HeoS，etal.Drowsydrivingdetectionbasedonthedriver’sheadmovementusinginfrared sensors［A］.Proceedingsofthe2ndInternational SymposiumonUniversalCommunication［C］.2008.

［11］ 袁翔，黃博學(xué)，夏晶晶.疲勞駕駛檢測(cè)方法研究現(xiàn)狀［J］.公路與汽運(yùn)，2007（3）.

［12］ 方志輝.基于嵌入式平臺(tái)的疲勞駕駛狀態(tài)參數(shù)信息融合研究［D］.太原：太原理工大學(xué)，2011.

［13］ 秦洪懋，劉志強(qiáng)，汪澎.基于多通道信息融合的疲勞駕駛行為分析研究［J］.中國(guó)安全科學(xué)學(xué)報(bào)，2011，21 （2）.

［14］ 韓相軍，關(guān)永，王雪立.基于DSP的疲勞駕駛實(shí)時(shí)監(jiān)測(cè)系統(tǒng)研究［J］.微機(jī)發(fā)展，2006（2）.

［15］ 高永萍，秦華標(biāo).駕駛員疲勞檢測(cè)系統(tǒng)［J］.儀表技術(shù)與傳感器，2007（1）.

U471.1

A

1671-2668（2016）04-0055-05

?江蘇省交通運(yùn)輸科技項(xiàng)目（2013Y03）

2016-01-26