陳愷+++何康樂+++尚進(jìn)+++董亞波

摘 要：高速公路作為交通路網(wǎng)中的“大動(dòng)脈”，保障其通行安全尤為重要。隨意變道、掉頭行駛等異常駕駛行為是高速公路交通事故的重要誘因，而緊急制動(dòng)、避障等駕駛行為則往往預(yù)示著已經(jīng)發(fā)生的交通意外事件。文章通過智能手機(jī)實(shí)時(shí)檢測(cè)連續(xù)變道、掉頭等高速公路危險(xiǎn)駕駛行為。實(shí)驗(yàn)結(jié)果顯示文章提出的檢測(cè)技術(shù)具有較高準(zhǔn)確率，具有一定的實(shí)用價(jià)值。

關(guān)鍵詞：危險(xiǎn)駕駛行為檢測(cè)；移動(dòng)智能終端；傳感器

1 概述

道路交通安全向來是社會(huì)重大安全問題之一。僅2014年1月至10月，我國(guó)共發(fā)生道路交通事故426378起，造成87218人死亡、391752人受傷，直接財(cái)產(chǎn)損失20.2億元[1]。在公安部交管局公布的2014年度全國(guó)10大交通事故高危路段[2]中，就有一半是高速公路路段。而隨意變道等駕駛陋習(xí)，則是交通事故的重要誘因[3]。傳統(tǒng)的危險(xiǎn)駕駛行為檢測(cè)主要依賴于道路設(shè)施，如環(huán)形線圈檢測(cè)器、監(jiān)控?cái)z像頭[4，5]等。由于道路設(shè)施部署密度受限，很難全面實(shí)時(shí)檢測(cè)危險(xiǎn)駕駛行為。

隨著智能手機(jī)等移動(dòng)智能終端迅速普及，以及所搭載傳感器逐漸豐富強(qiáng)大，移動(dòng)智能終端也成為了駕駛行為檢測(cè)技術(shù)一個(gè)理想的實(shí)現(xiàn)平臺(tái)[6]。融合移動(dòng)智能終端上的多個(gè)傳感器能提供更高的準(zhǔn)確度[7]。

近幾年來，有不少研究對(duì)基于移動(dòng)智能終端的駕駛行為和相關(guān)行車事件檢測(cè)進(jìn)行了一些嘗試，如Johnson， Derick A等人融合了加速度計(jì)、陀螺儀、磁力計(jì)、GPS來檢測(cè)具有潛在危險(xiǎn)的駕駛動(dòng)作；Eren， H[8]等人在前文基礎(chǔ)上同樣利用加速度計(jì)、陀螺儀和磁力計(jì)進(jìn)行了駕駛行為的判別和其安全性的分析[9]；Promwongsa，Nattakorn[10]等人提出了一個(gè)加速度計(jì)重定向法，來解決設(shè)備朝向和行車方向不一致問題；Castignani，German[11]等人在手機(jī)坐標(biāo)系和行車坐標(biāo)系不一致的問題上，使用合成了各個(gè)方向上加速度得到總加速度大小，來繞過不一致的問題的方法[12]；相比之下，利用移動(dòng)智能終端進(jìn)行駕駛行為檢測(cè)易推廣、易擴(kuò)展，還能結(jié)合大數(shù)據(jù)技術(shù)進(jìn)一步利用個(gè)體事件分析群體行為，有著巨大的優(yōu)勢(shì)。Paefgen，Johannes等人比較了基于移動(dòng)設(shè)備和基于車載設(shè)備的駕駛行為檢測(cè)技術(shù)[13]，說明基于移動(dòng)智能終端的方法是具有可行性的。

本文研究目標(biāo)就是利用移動(dòng)智能終端上的運(yùn)動(dòng)傳感器和定位系統(tǒng)設(shè)計(jì)一個(gè)駕駛行為檢測(cè)方法，用于檢測(cè)高速公路環(huán)境下車輛掉頭行駛、連續(xù)變道等異常駕駛行為。

2 基于移動(dòng)智能終端的危險(xiǎn)駕駛行為檢測(cè)技術(shù)

本檢測(cè)技術(shù)可分為兩個(gè)基本步驟：（1）候選行為事件邊界劃分，即從連續(xù)讀取的傳感器數(shù)據(jù)中，提取出候選危險(xiǎn)駕駛行為事件；（2）候選行為事件分類，基于分類規(guī)則對(duì)候選危險(xiǎn)駕駛行為事件進(jìn)行檢測(cè)，判斷具體行為類別。

2.1 候選危險(xiǎn)駕駛行為事件邊界劃分

而通過以上分析，我們注意到，要在同樣時(shí)間內(nèi)獲得相同的側(cè)向速度，則側(cè)向的速度變化率是相同的，在轉(zhuǎn)彎角度不大的情況下，我們可以認(rèn)為側(cè)向速度變化率近似等于車輛的法向加速度。即法向加速度本身是十分適合作為判斷轉(zhuǎn)向的依據(jù)的。雖然我們難以通過加速度計(jì)獲得可靠準(zhǔn)確的法向加速度，但卻可以通過GPS獲取的移動(dòng)速度配合旋轉(zhuǎn)角速度導(dǎo)出法向加速度。

2.2.2 掉頭檢測(cè)

掉頭行為可以認(rèn)為是一種特殊的轉(zhuǎn)彎行為，我們同樣將其作為一種組合行為，在檢測(cè)出轉(zhuǎn)彎行為的基礎(chǔ)之上來進(jìn)一步檢測(cè)掉頭行為?？紤]到掉頭就是在小范圍內(nèi)進(jìn)行180度轉(zhuǎn)向，我們依據(jù)經(jīng)驗(yàn)指定了兩條分類規(guī)則：

2.2.3 連續(xù)變道檢測(cè)

3 駕駛行為檢測(cè)技術(shù)驗(yàn)證實(shí)驗(yàn)與結(jié)果

本文所提出算法已在基于Android操作系統(tǒng)的智能手機(jī)上實(shí)現(xiàn)，并進(jìn)行了道路實(shí)驗(yàn)。實(shí)驗(yàn)中檢測(cè)的目標(biāo)駕駛行為包括變道、掉頭等。將持續(xù)時(shí)間區(qū)間基本重疊且類型相同的系統(tǒng)檢出事件和人工檢出事件認(rèn)為是正確檢出的事件（true positive， TP），而僅有系統(tǒng)檢出的事件則作為誤報(bào)（false positive， FP），僅有人工檢出的事件作為漏報(bào)（false negative， FN）。在此基礎(chǔ)上，我們考慮兩項(xiàng)衡量本文技術(shù)有效性的指標(biāo)：

查準(zhǔn)率（precision）=TP/（TP+FP）*100%，即系統(tǒng)正確檢出事件數(shù)占系統(tǒng)檢出事件總數(shù)的比例；

查全率（recall）=TP/（TP+FN）*100%，即系統(tǒng)正確檢出事件數(shù)占人工檢出事件總數(shù)的比例。

實(shí)驗(yàn)結(jié)果如表1。

4 結(jié)束語

交通安全問題是關(guān)系到國(guó)家經(jīng)濟(jì)、社會(huì)民生的重大問題，而高速公路通行量大、車速快，極易引起重大交通事故。本文研究的危險(xiǎn)駕駛行為檢測(cè)技術(shù)以目前十分普及的移動(dòng)智能終端感知平臺(tái)為基礎(chǔ)，能夠及時(shí)有效地發(fā)現(xiàn)包括連續(xù)變道、掉頭等高速公路危險(xiǎn)駕駛行為。通過對(duì)所檢測(cè)到危險(xiǎn)駕駛行為進(jìn)行實(shí)時(shí)警示，可有效提升高速公路行車安全性。

參考文獻(xiàn)

[1]辛文.公安部通報(bào)今年以來全國(guó)道路交通事故情況[EB/OL].http：//www.chinahighway.com/news/2004/86831.php.2014.

[2]公安部交通管理局.公安部交管局公布2014年度全國(guó)10大交通事故高危路段[EB/OL].http：//www.mps.gov.cn/n16/n1252/n1837/n2557/4339461.html.2015.

[3]彭波.人民日?qǐng)?bào)：隨意變道，交通事故重要誘因[EB/OL].http：//www.mps.gov.cn/n16/n1252/n1837/n2557/3935438.html.2013

[4]Parkany E， Xie C. A complete review of incident detection algorithms & their deployment： what works and what doesn't[R].The New England Transportation Consortium，2005.

[5]Wikipedia： Apple M7. http：//en.wikipedia.org/wiki/Apple_M7.

[6]Lane N D， Miluzzo E， Lu H， et al. A survey of mobile phone sensing[J]. Communications Magazine， IEEE.2010， 48（9）： 140-150.

[7]Milette G， Stroud A. Professional Android sensor programming[M].John Wiley & Sons，2012：90-91.

[8]H. Eren， S. Makinist， E. Akin， and A. Yilmaz， “Estimating driving behavior by a smartphone，” in Intelligent Vehicles Symposium （IV）， 2012 IEEE，2012：234-239.

[9]Lu H， Pan W， Lane N D， et al. SoundSense： scalable sound sensing for people-centric applications on mobile phones[C].Proceedings of the 7th international conference on Mobile systems， applications， and services. ACM，2009：165-178.

[10]N. Promwongsa， P. Chaisatsilp， S. Supakwong， C. Saiprasert， T. Pholprasit， and P. Prathombutr，“Automatic accelerometer reorientation for driving event detection using smartphone，” in 13th ITS Asia Pacific Forum， Auckland， New Zealand， 2014.

[11]G. Castignani， T. Derrmann， R. Frank， and T. Engel， “Driver behavior profiling using smartphones： A low-cost platform for driver monitoring，” Intell. Transp. Syst. Mag. IEEE， vol. 7， no. 1，2015：91-102.

[12]Hsiao W， Horng M， Tsai Y， et al. A Driving Behavior Detection Based on a Zigbee Network for Moving Vehicles[C].Proceedings of the 2012 Conference on Technologies and Applications of Artificial Intelligence. IEEE Computer Society，2012：91-96.

[13]J. Paefgen， F. Kehr， Y. Zhai， and F. Michahelles，“Driving behavior analysis with smartphones： insights from a controlled field study，” in Proceedings of the 11th International Conference on mobile and ubiquitous multimedia，2012：36.