基于馬爾可夫鏈的隧道出口駕駛?cè)俗⒁曁匦匝芯?/h1>
2017-04-25 06:34:19尚俊雅茹強楊世安
汽車實用技術(shù) 2017年6期
尚俊雅，茹強，楊世安
（長安大學(xué)汽車學(xué)院，陜西 西安 710064）
基于馬爾可夫鏈的隧道出口駕駛?cè)俗⒁曁匦匝芯?/p>
尚俊雅，茹強，楊世安
（長安大學(xué)汽車學(xué)院，陜西 西安 710064）
采用faceLAB 5非接觸眼動儀采集9名駕駛?cè)笋偝龈咚俟匪淼莱隹跁r的眼動數(shù)據(jù)。運用K均值聚類法對駕駛?cè)俗⒁晠^(qū)域進(jìn)行劃分然后統(tǒng)計出駕駛?cè)嗽谒淼莱隹谔幍囊曈X分布與視覺轉(zhuǎn)移頻次。運用馬爾可夫鏈理論分析駕駛?cè)俗⒁朁c在各個注視區(qū)域之間一步轉(zhuǎn)移概率和平穩(wěn)分布。研究發(fā)現(xiàn)，駕駛?cè)说闹饕⒁晠^(qū)域是正前方區(qū)域，并且在到達(dá)隧道出口處視覺轉(zhuǎn)移頻次達(dá)到最大。
交通工程；注視區(qū)域；馬爾可夫鏈理論；視覺轉(zhuǎn)移；K均值聚類
CLC NO.:U491.254Document Code:AArticle ID:1671-7988 (2017)06-79-02
引言
駕駛?cè)笋偝鏊淼揽跁r會經(jīng)歷一個突然由暗到明的“明適應(yīng)”過程同時駕駛?cè)艘曇巴蝗蛔兊瞄_闊，駕駛?cè)丝赡軙囁倥c車間距離產(chǎn)生誤判。因此研究駕駛?cè)艘曈X轉(zhuǎn)移特性可以更好體現(xiàn)隧道口暗明變化對駕駛?cè)擞绊憽?/p>
1、試驗數(shù)據(jù)獲取
1.1 試驗路段
本試驗選擇了西漢高速段的5處隧道作為試驗路段。
1.2試驗設(shè)備
非接觸式眼動儀face LAB 5；WTD-012X個人GPS定位器；XYC1-LC-5非接觸式五輪儀。
2、劃分駕駛?cè)俗⒁晠^(qū)域
2.1 K均值聚類法
本文首先運用K均值聚類法對駕駛?cè)说淖⒁晠^(qū)域進(jìn)行劃分：
（1）輸入樣本集的大小為n，令t=1，確定K個初始的聚類中心：Fj(t), j=1,2,…k；
（2）計算每一個樣本點與聚類中心的距離：G(xi,Fj(t)), i=1,2,…,nj=1,2,…k；若是G(xi,Fk(t))=min{ G(xi,Fj(t))}, i=1,2,…, n,則xi∈wk；
（3）對誤差平方和函數(shù)S進(jìn)行計算：
（4）若是||S(t)-S(t-1)||＜ζ,表示計算結(jié)果在誤差允許范圍內(nèi)，計算結(jié)束。否則t=t+1，再計算出K個新的聚類中心，返回（2）進(jìn)行計算。新的聚類中心的計算公式如下：
2.2 注視區(qū)域的劃分
結(jié)合駕駛?cè)俗⒁朁c的分布圖將駕駛?cè)饲胺阶⒁晠^(qū)域劃分為：左方、正前方、右方、左后視鏡、右后視鏡、車內(nèi)后視鏡、前方遠(yuǎn)處和儀表盤。
3、駕駛?cè)俗⒁暦植加谵D(zhuǎn)移特性
3.1 駕駛?cè)俗⒁暦植?/p>
圖 1駕駛?cè)嗽诮?jīng)過隧道出口時注視區(qū)域主要集中于正前方。對比圖1駕駛?cè)嗽谒淼揽谧⒁暦植寂c圖2駕駛?cè)嗽谄胀访孀⒁暦植?，駕駛?cè)藢⒅饕⒁饬杏谡胺絽^(qū)域，而在普通路面上駕駛?cè)藢τ谡胺降年P(guān)注程度更高，對于左方和右方的關(guān)注程度明顯低于駕駛?cè)嗽谒淼莱隹谔幍年P(guān)注程度。
圖1 駕駛?cè)怂淼莱隹谧⒁暦植糉igure1 the driver's tunnel exit gaze distribution
圖2 駕駛?cè)似胀访孀⒁暦植糉igure2 the driver's normal road gaze distribution
3.2 駕駛?cè)艘曈X轉(zhuǎn)移特性
為了研究駕駛?cè)顺鏊淼揽跁r視覺轉(zhuǎn)移變化的特性，以10米為單位分別統(tǒng)計出駕駛?cè)嗽谒淼纼?nèi)距隧道口 50米到出隧道口150之間的視覺轉(zhuǎn)移頻次。結(jié)果顯示駕駛?cè)嗽谖闯鏊淼揽跁r視覺轉(zhuǎn)移頻次持續(xù)增加，駕駛?cè)藢τ谕粎^(qū)域的關(guān)注時間也在減少，駕駛?cè)嗽谖闯鏊淼揽跁r視覺范圍較窄。
4、駕駛?cè)艘曈X轉(zhuǎn)移特性
駕駛?cè)说淖⒁朁c轉(zhuǎn)移過程中，下一點的駕駛?cè)说淖⒁暊顟B(tài)只與上一點駕駛?cè)俗⒁暊顟B(tài)有關(guān)，與上一點之前的駕駛?cè)俗⒁暊顟B(tài)無關(guān)，這種特性符合馬爾可夫性。運用馬爾可夫理論研究隧道出口處駕駛?cè)说淖⒁朁c在各區(qū)域的一步轉(zhuǎn)移概率和平穩(wěn)分布。
4.1 一步轉(zhuǎn)移概率
通過場景攝像頭選擇有用的眼動數(shù)據(jù)，統(tǒng)計出9名駕駛?cè)嗽谒淼莱隹谔幍淖⒁朁c轉(zhuǎn)移情況并作均值化處理。根據(jù)注視點在不同注視區(qū)域上的變化，得出連續(xù)兩個注視點之間轉(zhuǎn)移規(guī)律，計算出駕駛?cè)嗽谒淼揽诓煌瑓^(qū)域之間的注視點的一步轉(zhuǎn)移概率矩陣。如表1所示。
表1 隧道出口處一步轉(zhuǎn)移概率矩陣Table 1 tunnel exit step transition-probability matrix
?注視點從其他區(qū)域到某一區(qū)域的轉(zhuǎn)移概率最大值用灰色標(biāo)記。
（1）6處灰色區(qū)域指向正前方而且正前方的轉(zhuǎn)移概率最大。駕駛?cè)俗⒁朁c轉(zhuǎn)移到正前方、左方、右方和前方區(qū)域的轉(zhuǎn)移概率總計0.669。
（2）駕駛?cè)藦恼胺絽^(qū)域最有可能轉(zhuǎn)向左方、右方、前方遠(yuǎn)處區(qū)域。駕駛?cè)藦淖蠛笠曠R區(qū)域最有可能轉(zhuǎn)向左方區(qū)域，觀察完左方區(qū)域最有可能轉(zhuǎn)向正前方區(qū)域。
（3）從前方遠(yuǎn)處轉(zhuǎn)移到內(nèi)后視鏡的轉(zhuǎn)移概率遠(yuǎn)大于從其他區(qū)域轉(zhuǎn)移到內(nèi)后視鏡的概率。
4.2 注視的平穩(wěn)分布
將隧道出口處一步轉(zhuǎn)移概率矩陣作為系統(tǒng)的初始概率，得出駕駛?cè)俗⒁暤钠椒€(wěn)分布：
駕駛?cè)说闹饕⒁晠^(qū)域是正前方，其次是左方、右方、前方遠(yuǎn)處。而對于儀表盤、左后視鏡、右后視鏡和內(nèi)后視鏡關(guān)注較小。
5、結(jié)論
（1）駕駛?cè)俗⒁饬性谡胺絽^(qū)域，對比隧道出口處的注視分布與普通路面的注視分布，駕駛?cè)嗽谒淼莱隹谠黾恿藢ψ笥覂蓚?cè)的關(guān)注。
（2）根據(jù)馬爾可夫鏈理論計算發(fā)現(xiàn)駕駛?cè)俗⒁朁c從某一區(qū)域轉(zhuǎn)向正前方的概率最大，并且駕駛?cè)俗钣锌赡茉谧笥覂蓚?cè)從左（右）后視鏡-左（右）邊區(qū)域-正前方轉(zhuǎn)移。
[1] Santella A, Decarlo D. Robust clustering of eye movement record ings for quantification of visual interest[C].San Antonio, Texas: 2004.
[2] Seeingmachines. faceLAB 5 [OL]（2012-4-11）[2013-8-21].
[3] 賈偉.高速公路隧道安全評價研究[D].長安大學(xué),2009﹒
[4] 曾祥平.公路隧道交通安全預(yù)警理論與方法研究[D].重慶交通大學(xué),2008.
[5] 袁偉. 城市道路環(huán)境中汽車駕駛員動態(tài)視覺特性試驗研究[D].長安大學(xué),2008.
Study on the characteristics of the driver's tunnel exit fixation based on Markov chain
Shang Junya, Ru Qiang, Yang Shian
( School of Automobile, Chang'an University, Shaanxi Xi'an 710064 )
Using faceLAB 5 non-contact eye tracker real-time acquisition of 9 drivers who exit the highway tunnel, when the eye movement data K mean clustering method is used to classify the driver's gaze region. The theory of Markov chain is used to analyze the transition probability and the stationary distribution of the driver's fixation point in the various gaze regions. The study found that the main concern of the driver is in the front area, and the frequency of the visual transfer in the tunnel exit is the largest.
Traffic Engineering; Gaze region; Markov chain theory; visual transfer; K means clustering
U491.254
A
1671-7988 (2017)06-79-02
尚俊雅，就讀長安大學(xué)汽車學(xué)院。
10.16638/j.cnki.1671-7988.2017.06.026
猜你喜歡
眼動儀技術(shù)在里院建筑特色分析中的應(yīng)用智能建筑與智慧城市(2022年9期)2022-09-28 12:07:56 基于超復(fù)數(shù)小波和圖像空域的卷積網(wǎng)絡(luò)融合注視點預(yù)測算法蘭州理工大學(xué)學(xué)報(2021年5期)2021-11-02 03:01:22 隧道口減光設(shè)施對照明的影響探討中國交通信息化(2020年2期)2021-01-14 01:26:08 射擊運動員的反向眼跳研究體育時空(2017年6期)2017-07-14 09:24:48 臂戴后視鏡中國新聞周刊(2017年21期)2017-06-15 10:42:00 預(yù)留土法對高鐵隧道口淺埋偏壓段的影響湖南城市學(xué)院學(xué)報(自然科學(xué)版)(2016年2期)2016-12-01 04:06:31 基于中央凹圖像顯著性和掃視傾向的注視點轉(zhuǎn)移預(yù)測模型復(fù)旦學(xué)報(自然科學(xué)版)(2016年4期)2016-09-21 05:30:42 創(chuàng)新的攝像監(jiān)視系統(tǒng)取代車外和車內(nèi)后視鏡汽車零部件(2015年8期)2015-06-23 13:53:51 汽車的復(fù)眼 后視鏡及側(cè)視鏡的由來汽車科技(2015年1期)2015-02-28 12:14:52 側(cè)式地鐵站隧道口邊界條件替代方案研究城市軌道交通研究(2015年5期)2015-02-27 11:01:53
尚俊雅，茹強，楊世安
（長安大學(xué)汽車學(xué)院，陜西 西安 710064）
基于馬爾可夫鏈的隧道出口駕駛?cè)俗⒁曁匦匝芯?/p>
尚俊雅，茹強，楊世安
（長安大學(xué)汽車學(xué)院，陜西 西安 710064）
采用faceLAB 5非接觸眼動儀采集9名駕駛?cè)笋偝龈咚俟匪淼莱隹跁r的眼動數(shù)據(jù)。運用K均值聚類法對駕駛?cè)俗⒁晠^(qū)域進(jìn)行劃分然后統(tǒng)計出駕駛?cè)嗽谒淼莱隹谔幍囊曈X分布與視覺轉(zhuǎn)移頻次。運用馬爾可夫鏈理論分析駕駛?cè)俗⒁朁c在各個注視區(qū)域之間一步轉(zhuǎn)移概率和平穩(wěn)分布。研究發(fā)現(xiàn)，駕駛?cè)说闹饕⒁晠^(qū)域是正前方區(qū)域，并且在到達(dá)隧道出口處視覺轉(zhuǎn)移頻次達(dá)到最大。
交通工程；注視區(qū)域；馬爾可夫鏈理論；視覺轉(zhuǎn)移；K均值聚類
CLC NO.:U491.254Document Code:AArticle ID:1671-7988 (2017)06-79-02
引言
駕駛?cè)笋偝鏊淼揽跁r會經(jīng)歷一個突然由暗到明的“明適應(yīng)”過程同時駕駛?cè)艘曇巴蝗蛔兊瞄_闊，駕駛?cè)丝赡軙囁倥c車間距離產(chǎn)生誤判。因此研究駕駛?cè)艘曈X轉(zhuǎn)移特性可以更好體現(xiàn)隧道口暗明變化對駕駛?cè)擞绊憽?/p>
1、試驗數(shù)據(jù)獲取
1.1 試驗路段
本試驗選擇了西漢高速段的5處隧道作為試驗路段。
1.2試驗設(shè)備
非接觸式眼動儀face LAB 5；WTD-012X個人GPS定位器；XYC1-LC-5非接觸式五輪儀。
2、劃分駕駛?cè)俗⒁晠^(qū)域
2.1 K均值聚類法
本文首先運用K均值聚類法對駕駛?cè)说淖⒁晠^(qū)域進(jìn)行劃分：
（1）輸入樣本集的大小為n，令t=1，確定K個初始的聚類中心：Fj(t), j=1,2,…k；
（2）計算每一個樣本點與聚類中心的距離：G(xi,Fj(t)), i=1,2,…,nj=1,2,…k；若是G(xi,Fk(t))=min{ G(xi,Fj(t))}, i=1,2,…, n,則xi∈wk；
（3）對誤差平方和函數(shù)S進(jìn)行計算：
（4）若是||S(t)-S(t-1)||＜ζ,表示計算結(jié)果在誤差允許范圍內(nèi)，計算結(jié)束。否則t=t+1，再計算出K個新的聚類中心，返回（2）進(jìn)行計算。新的聚類中心的計算公式如下：
2.2 注視區(qū)域的劃分
結(jié)合駕駛?cè)俗⒁朁c的分布圖將駕駛?cè)饲胺阶⒁晠^(qū)域劃分為：左方、正前方、右方、左后視鏡、右后視鏡、車內(nèi)后視鏡、前方遠(yuǎn)處和儀表盤。
3、駕駛?cè)俗⒁暦植加谵D(zhuǎn)移特性
3.1 駕駛?cè)俗⒁暦植?/p>
圖 1駕駛?cè)嗽诮?jīng)過隧道出口時注視區(qū)域主要集中于正前方。對比圖1駕駛?cè)嗽谒淼揽谧⒁暦植寂c圖2駕駛?cè)嗽谄胀访孀⒁暦植?，駕駛?cè)藢⒅饕⒁饬杏谡胺絽^(qū)域，而在普通路面上駕駛?cè)藢τ谡胺降年P(guān)注程度更高，對于左方和右方的關(guān)注程度明顯低于駕駛?cè)嗽谒淼莱隹谔幍年P(guān)注程度。
圖1 駕駛?cè)怂淼莱隹谧⒁暦植糉igure1 the driver's tunnel exit gaze distribution
圖2 駕駛?cè)似胀访孀⒁暦植糉igure2 the driver's normal road gaze distribution
3.2 駕駛?cè)艘曈X轉(zhuǎn)移特性
為了研究駕駛?cè)顺鏊淼揽跁r視覺轉(zhuǎn)移變化的特性，以10米為單位分別統(tǒng)計出駕駛?cè)嗽谒淼纼?nèi)距隧道口 50米到出隧道口150之間的視覺轉(zhuǎn)移頻次。結(jié)果顯示駕駛?cè)嗽谖闯鏊淼揽跁r視覺轉(zhuǎn)移頻次持續(xù)增加，駕駛?cè)藢τ谕粎^(qū)域的關(guān)注時間也在減少，駕駛?cè)嗽谖闯鏊淼揽跁r視覺范圍較窄。
4、駕駛?cè)艘曈X轉(zhuǎn)移特性
駕駛?cè)说淖⒁朁c轉(zhuǎn)移過程中，下一點的駕駛?cè)说淖⒁暊顟B(tài)只與上一點駕駛?cè)俗⒁暊顟B(tài)有關(guān)，與上一點之前的駕駛?cè)俗⒁暊顟B(tài)無關(guān)，這種特性符合馬爾可夫性。運用馬爾可夫理論研究隧道出口處駕駛?cè)说淖⒁朁c在各區(qū)域的一步轉(zhuǎn)移概率和平穩(wěn)分布。
4.1 一步轉(zhuǎn)移概率
通過場景攝像頭選擇有用的眼動數(shù)據(jù)，統(tǒng)計出9名駕駛?cè)嗽谒淼莱隹谔幍淖⒁朁c轉(zhuǎn)移情況并作均值化處理。根據(jù)注視點在不同注視區(qū)域上的變化，得出連續(xù)兩個注視點之間轉(zhuǎn)移規(guī)律，計算出駕駛?cè)嗽谒淼揽诓煌瑓^(qū)域之間的注視點的一步轉(zhuǎn)移概率矩陣。如表1所示。
表1 隧道出口處一步轉(zhuǎn)移概率矩陣Table 1 tunnel exit step transition-probability matrix
?注視點從其他區(qū)域到某一區(qū)域的轉(zhuǎn)移概率最大值用灰色標(biāo)記。
（1）6處灰色區(qū)域指向正前方而且正前方的轉(zhuǎn)移概率最大。駕駛?cè)俗⒁朁c轉(zhuǎn)移到正前方、左方、右方和前方區(qū)域的轉(zhuǎn)移概率總計0.669。
（2）駕駛?cè)藦恼胺絽^(qū)域最有可能轉(zhuǎn)向左方、右方、前方遠(yuǎn)處區(qū)域。駕駛?cè)藦淖蠛笠曠R區(qū)域最有可能轉(zhuǎn)向左方區(qū)域，觀察完左方區(qū)域最有可能轉(zhuǎn)向正前方區(qū)域。
（3）從前方遠(yuǎn)處轉(zhuǎn)移到內(nèi)后視鏡的轉(zhuǎn)移概率遠(yuǎn)大于從其他區(qū)域轉(zhuǎn)移到內(nèi)后視鏡的概率。
4.2 注視的平穩(wěn)分布
將隧道出口處一步轉(zhuǎn)移概率矩陣作為系統(tǒng)的初始概率，得出駕駛?cè)俗⒁暤钠椒€(wěn)分布：
駕駛?cè)说闹饕⒁晠^(qū)域是正前方，其次是左方、右方、前方遠(yuǎn)處。而對于儀表盤、左后視鏡、右后視鏡和內(nèi)后視鏡關(guān)注較小。
5、結(jié)論
（1）駕駛?cè)俗⒁饬性谡胺絽^(qū)域，對比隧道出口處的注視分布與普通路面的注視分布，駕駛?cè)嗽谒淼莱隹谠黾恿藢ψ笥覂蓚?cè)的關(guān)注。
（2）根據(jù)馬爾可夫鏈理論計算發(fā)現(xiàn)駕駛?cè)俗⒁朁c從某一區(qū)域轉(zhuǎn)向正前方的概率最大，并且駕駛?cè)俗钣锌赡茉谧笥覂蓚?cè)從左（右）后視鏡-左（右）邊區(qū)域-正前方轉(zhuǎn)移。
[1] Santella A, Decarlo D. Robust clustering of eye movement record ings for quantification of visual interest[C].San Antonio, Texas: 2004.
[2] Seeingmachines. faceLAB 5 [OL]（2012-4-11）[2013-8-21].
[3] 賈偉.高速公路隧道安全評價研究[D].長安大學(xué),2009﹒
[4] 曾祥平.公路隧道交通安全預(yù)警理論與方法研究[D].重慶交通大學(xué),2008.
[5] 袁偉. 城市道路環(huán)境中汽車駕駛員動態(tài)視覺特性試驗研究[D].長安大學(xué),2008.
Study on the characteristics of the driver's tunnel exit fixation based on Markov chain
Shang Junya, Ru Qiang, Yang Shian
( School of Automobile, Chang'an University, Shaanxi Xi'an 710064 )
Using faceLAB 5 non-contact eye tracker real-time acquisition of 9 drivers who exit the highway tunnel, when the eye movement data K mean clustering method is used to classify the driver's gaze region. The theory of Markov chain is used to analyze the transition probability and the stationary distribution of the driver's fixation point in the various gaze regions. The study found that the main concern of the driver is in the front area, and the frequency of the visual transfer in the tunnel exit is the largest.
Traffic Engineering; Gaze region; Markov chain theory; visual transfer; K means clustering
U491.254
A
1671-7988 (2017)06-79-02
尚俊雅，就讀長安大學(xué)汽車學(xué)院。
10.16638/j.cnki.1671-7988.2017.06.026
猜你喜歡
智能建筑與智慧城市(2022年9期)2022-09-28 12:07:56
蘭州理工大學(xué)學(xué)報(2021年5期)2021-11-02 03:01:22
中國交通信息化(2020年2期)2021-01-14 01:26:08
體育時空(2017年6期)2017-07-14 09:24:48
中國新聞周刊(2017年21期)2017-06-15 10:42:00
湖南城市學(xué)院學(xué)報(自然科學(xué)版)(2016年2期)2016-12-01 04:06:31
復(fù)旦學(xué)報(自然科學(xué)版)(2016年4期)2016-09-21 05:30:42
汽車零部件(2015年8期)2015-06-23 13:53:51
汽車科技(2015年1期)2015-02-28 12:14:52
城市軌道交通研究(2015年5期)2015-02-27 11:01:53
