(西安交通大學(xué) 機(jī)械工程學(xué)院， 西安 710049)

0 引言

疲勞駕駛是指汽車駕駛員在長期連續(xù)駕駛汽車后，心理機(jī)能和生理機(jī)能都產(chǎn)生了失調(diào)，導(dǎo)致駕駛員在駕駛反應(yīng)和技能上出現(xiàn)下降的狀況[1]。疲勞駕駛的產(chǎn)生是因?yàn)轳{駛員長時(shí)間駕駛汽車或駕駛員的睡眠不足[2]。當(dāng)駕駛員疲勞駕駛汽車時(shí)會(huì)使駕駛員在注意力、感覺、意志和思維等方面出現(xiàn)下降的現(xiàn)象，甚至?xí)霈F(xiàn)駕駛動(dòng)作過早或延誤、操作時(shí)間不當(dāng)、出現(xiàn)記憶瞬間消失及精神恍惚等不安全的因素，很容易發(fā)生交通事故[3-4]。我國交通部門對“疲勞駕駛經(jīng)歷”進(jìn)行問卷調(diào)查，發(fā)現(xiàn)有70%的駕駛員在開車時(shí)出現(xiàn)打瞌睡的情況，有90%的駕駛員睡眠時(shí)間都在8小時(shí)以下，50%的駕駛員睡眠時(shí)間在7小時(shí)以下[5]。根據(jù)調(diào)查發(fā)現(xiàn)我國每年有一多半的交通事故是因?yàn)槠隈{駛造成的，并因疲勞駕駛造成交通事故的經(jīng)濟(jì)損失高達(dá)數(shù)千億，同時(shí)造成了大量的人員傷亡[6]。目前國內(nèi)的疲勞駕駛監(jiān)測預(yù)警方法存在獲取規(guī)律難、監(jiān)測預(yù)警方法得不到統(tǒng)一評價(jià)標(biāo)準(zhǔn)、監(jiān)測靈敏度低、可靠性差的問題[7]。為此，提出一種疲勞駕駛多元性智能監(jiān)測預(yù)警方法。

疲勞駕駛監(jiān)測預(yù)警是避免因睡眠不足和長時(shí)間疲勞駕駛而造成交通事故的主要方法。為了使疲勞駕駛監(jiān)測預(yù)警方法更好的應(yīng)用到行車駕駛中，需要對疲勞駕駛監(jiān)測預(yù)警方法進(jìn)行深入的分析和研究。文獻(xiàn)[8]提出了一種基于機(jī)器視覺的疲勞駕駛監(jiān)測預(yù)警方法，該方法通過縮小監(jiān)測預(yù)警擬合點(diǎn)的取值范圍，減少監(jiān)測預(yù)警擬合點(diǎn)所用的時(shí)間，根據(jù)人眼前后移動(dòng)和大小的不同提取人眼的輪廓特征參數(shù)。采用歸一化的方法減少人眼特征提取的誤差，通過連續(xù)幀分析的方法對駕駛員的疲勞狀態(tài)進(jìn)行判定，該方法的實(shí)時(shí)性較高，但監(jiān)測預(yù)警的結(jié)果誤差較大。文獻(xiàn)[9]提出了一種基于人眼狀態(tài)信息的非接觸式疲勞駕駛監(jiān)測預(yù)警方法，該方法以人眼的圖像信息為標(biāo)準(zhǔn)，建立一個(gè)單位時(shí)間內(nèi)駕駛員非正常狀態(tài)時(shí)間所占百分比的疲勞駕駛監(jiān)測預(yù)警判斷模型。通過紅外光源對駕駛員的眼睛進(jìn)行主動(dòng)照明，金屬半導(dǎo)體攝像頭對駕駛員人眼的圖像信息進(jìn)行采集，采用Adaboost算法對人眼進(jìn)行準(zhǔn)確定位，并利用Harris強(qiáng)角點(diǎn)監(jiān)測駕駛員人眼的中心，采集駕駛員視線內(nèi)的信息，判斷駕駛員的疲勞狀態(tài)，該方法的抗干擾性強(qiáng)，但監(jiān)測預(yù)警所用時(shí)間較長。文獻(xiàn)[10]提出了一種多算法融合的疲勞駕駛監(jiān)測預(yù)警方法，該方法通過Otsu算法識別駕駛員眼睛中的圖像信息，采用動(dòng)態(tài)滑動(dòng)窗口算法計(jì)算駕駛員眨眼的閾值，并通過PERCLOS算法對駕駛員的疲勞狀態(tài)進(jìn)行估算，根據(jù)駕駛環(huán)境的變化采用攝像頭收集駕駛員眼中的圖像信息，判斷駕駛員的不同疲勞狀態(tài)，該方法可以快速的分辨駕駛員的疲勞狀態(tài)，但成本較高。根據(jù)傳統(tǒng)方法存在監(jiān)測預(yù)警結(jié)果誤差高、監(jiān)測所用時(shí)間長、成本高等問題，提出了一種疲勞駕駛多源性智能監(jiān)測預(yù)警方法。

1 基于智能移動(dòng)終端的汽車疲勞駕駛監(jiān)測預(yù)警方法

在汽車的正常行駛中，首先通過計(jì)算固定在駕駛員右上方的智能移動(dòng)終端加速傳感器X、Y、Z三個(gè)方向在水平面上的加速度，得到3個(gè)方向的加速度和，進(jìn)而算出駕駛員水平方向駕駛汽車的加速度，對駕駛員的疲勞駕駛狀態(tài)進(jìn)行判定。

開始監(jiān)測時(shí)汽車停在水平的道路上并處于靜止?fàn)顟B(tài)，此時(shí)汽車水平方向的加速度為0，智能移動(dòng)終端的加速傳感器X、Y、Z三個(gè)方向在水平面上的加速度和為0，智能移動(dòng)終端的加速傳感器中X軸在水平面上的投影方向?yàn)閅軸，水平面垂直Y軸的方向?yàn)閄軸，如圖1所示。

圖1 水平方向投影示意圖

智能移動(dòng)終端的加速傳感器X、Y、Z三個(gè)方向是兩兩相互垂直的，在計(jì)算時(shí)取X、Y、Z的絕對值，其中地球的重力方向是豎直向下的，加速度取值為9.8 m/s2，智能移動(dòng)終端加速傳感器X、Y、Z三個(gè)方向與水平地面的夾角分別是α、β、γ，3個(gè)夾角的正弦值分別為x/9.8、y/9.8、z/9.8，在水平方向加速度的計(jì)算公式如下：

(1)

(2)

(3)

智能移動(dòng)終端加速傳感器水平方向的3個(gè)方向初始加速度和為0 m/s2，進(jìn)行智能監(jiān)測分析后，可得出下列等式：

a=bsinθ1+csinθ2

(4)

(5)

在駕駛員實(shí)際駕駛汽車時(shí)，智能移動(dòng)終端的θ1和θ2都是小于90度的，此時(shí)智能移動(dòng)終端的加速度正弦值取比0大的一組，計(jì)算公式為：

(6)

(7)

將公式(1)、(2)、(3)帶入公式(6)、(7)中可以得到駕駛員水平方向駕駛汽車的加速度，計(jì)算公式如下：

(8)

在基于智能移動(dòng)終端的汽車疲勞駕駛監(jiān)測預(yù)警方法中，地球的重力加速度的取值定為9.8 m/s2，并且地球的水平面與汽車的水平面會(huì)存在一定角度，這些因素不可避免，所以基于智能移動(dòng)終端的汽車疲勞駕駛監(jiān)測預(yù)警方法不可避免的存在一定誤差。

2 疲勞駕駛多源性智能監(jiān)測預(yù)警方法

2.1 駕駛員圖像預(yù)處理

使用疲勞駕駛多源性智能監(jiān)測預(yù)警方法對駕駛員眼睛中的圖像信息進(jìn)行跟蹤和定位之前，應(yīng)該先對攝像頭采集的圖像進(jìn)行原始圖像預(yù)處理，駕駛員圖像預(yù)處理是通過采集駕駛員圖像中的像素灰度分布密度函數(shù)進(jìn)行圖像灰度的變換，計(jì)算采集的駕駛員圖像信息灰度值，得到駕駛員圖像中像素灰度分布范圍和密度，為后續(xù)的監(jiān)測和預(yù)警工作做準(zhǔn)備。

采集的駕駛員圖像中包含了大量的信息，通過計(jì)算駕駛員圖像信息的灰度值，得到一個(gè)函數(shù)，計(jì)算公式如下：

(9)

式中:k=0,1,2,…,L-1，rk代表的是駕駛員圖像k級的灰度值，nk表示的是存在灰度值rk圖像的數(shù)量，n所表示的是駕駛員圖像中的像素總和，L代表的是駕駛員圖像中的總灰度級別。Pr(rk)體現(xiàn)了rk在駕駛員圖像中出現(xiàn)的概率，通過計(jì)算Pr(rk)可以得到駕駛員圖像中灰度分布的準(zhǔn)確范圍。通過改變駕駛員圖像的原始像素分布狀態(tài)，使像素灰度均勻的分散在駕駛員圖像的灰度范圍空間內(nèi)，增強(qiáng)了駕駛員圖像的顯示效果。

對駕駛員圖像進(jìn)行預(yù)處理時(shí)，在像素分布密度大的地方進(jìn)行擴(kuò)大，增強(qiáng)駕駛員圖像的對比度；在像素分布密度較小的部分進(jìn)行壓縮，減小駕駛員圖像的對比度，駕駛員像素分布密度變化計(jì)算公式如下：

(10)

經(jīng)過監(jiān)測預(yù)警方法的圖像預(yù)處理后，駕駛員圖像中像素的分布密度較為均衡、平坦，駕駛員圖像變得更加明亮、清晰，提高了駕駛員圖像的整體顯示效果，采集的駕駛員圖像使用價(jià)值變高。

課文大多語言文字富有特色，是學(xué)生習(xí)作的好范文。怎樣引導(dǎo)學(xué)生體會(huì)文本的語言特色呢？我們運(yùn)用“段落大PK”的方法進(jìn)行對比閱讀。

2.2 疲勞駕駛圖像多源性特征跟蹤監(jiān)測預(yù)警

對駕駛員圖像進(jìn)行預(yù)處理后，采用卡爾曼濾波算法對駕駛員的圖像信息進(jìn)行跟蹤，得到駕駛員各個(gè)時(shí)間內(nèi)的狀態(tài)估計(jì)值，最后，通過計(jì)算駕駛員狀態(tài)估計(jì)值判斷駕駛員是否存在疲勞狀態(tài)?？柭鼮V波算法對駕駛員行駛過程中的面部特征、車輛狀態(tài)、眼部特征、方向盤特征和嘴部特征方面對疲勞駕駛的監(jiān)測和預(yù)警進(jìn)行分析，以駕駛員圖像的嘴部圖像為例：采集第t個(gè)駕駛員圖像，對駕駛員圖像進(jìn)行預(yù)處理得到駕駛員嘴部區(qū)域，每個(gè)采集的駕駛員圖像嘴部狀態(tài)都可以用速度和位置進(jìn)行表示。設(shè)(xt,yt)代表駕駛員圖像的嘴部區(qū)域的中心點(diǎn)在第t個(gè)圖像中的像素位置，(ux,vy)代表的是駕駛員圖像嘴部區(qū)域的中心點(diǎn)在第t個(gè)圖像中的方向和速度，駕駛員圖像嘴部區(qū)域的狀態(tài)向量用Xt表示。

Xt=(xt,yt,ux,vy)T

(11)

在疲勞駕駛多源性智能監(jiān)測預(yù)警方法中，第t+1個(gè)駕駛員圖像嘴部區(qū)域的狀態(tài)向量為Xt+1，計(jì)算公式如下：

Xt+1=AtXt+Wt

(12)

式中:At所代表的是駕駛員圖像嘴部區(qū)域狀態(tài)的轉(zhuǎn)移矩陣，Wt代表的是駕駛員圖像嘴部區(qū)域狀態(tài)的噪聲。設(shè)兩個(gè)相鄰的駕駛員圖像中嘴部區(qū)域的狀態(tài)變化不大，計(jì)算駕駛員圖像間的運(yùn)動(dòng)恒定，駕駛員嘴部區(qū)域的狀態(tài)轉(zhuǎn)移矩陣如下：

(13)

設(shè)疲勞駕駛多源性智能監(jiān)測預(yù)警方法中駕駛員圖像的觀測向量為Zt，表示在第t個(gè)駕駛員圖像中嘴部區(qū)域的估計(jì)值。

Zt=(xt,yt)

(14)

Zt=HtXt+Vt

(15)

式中:Ht表示的是疲勞駕駛多源性智能監(jiān)測預(yù)警方法中駕駛員圖像測量和狀態(tài)的轉(zhuǎn)移矩陣，Vt所代表的是駕駛員圖像中的測量噪聲。Ht的表達(dá)公式如下：

(16)

3 實(shí)驗(yàn)結(jié)果分析

3.1 實(shí)驗(yàn)步驟

1)分別采用本文方法和基于Android平臺的疲勞駕駛監(jiān)測預(yù)警方法進(jìn)行丟包率測試。

2)分別采用本文方法和文獻(xiàn)[9]方法、文獻(xiàn)[10]方法進(jìn)行疲勞駕駛多源性智能監(jiān)測預(yù)警方法的性能測試，對比兩種不同方法的多源性。

3)采用本文方法和文獻(xiàn)[8]方法進(jìn)行疲勞駕駛監(jiān)測預(yù)警方法的抗干擾性測試。

4)通過參數(shù)rk對疲勞駕駛多源性智能監(jiān)測預(yù)警方法的灰度值計(jì)算效率進(jìn)行測試。

3.2 實(shí)驗(yàn)結(jié)果分析

本次實(shí)驗(yàn)在重慶市機(jī)場高速路段完成，測試時(shí)機(jī)動(dòng)車以80千米/小時(shí)的速度在重慶機(jī)場高速路段上進(jìn)行折返行駛，進(jìn)行實(shí)驗(yàn)時(shí)天氣狀況為中雨。圖2為疲勞駕駛多源性智能監(jiān)測預(yù)警方法采集駕駛員圖像信息。

圖2 駕駛員圖像信息

分別采用本文方法和基于Android平臺的疲勞駕駛監(jiān)測預(yù)警方法進(jìn)行測試，對比兩種方法的丟包率(%)，丟包率指的是在進(jìn)行監(jiān)測預(yù)警實(shí)驗(yàn)時(shí)丟失的數(shù)據(jù)包數(shù)量占發(fā)送總數(shù)據(jù)包的比率，對比結(jié)果如表1所示。

表1 兩種不同方法的丟包率對比

分析表1可知，本文方法的平均丟包率為7.6%，基于Android平臺的疲勞駕駛監(jiān)測預(yù)警方法的平均丟包率為38.7%，通過對比可知本文方法的平均丟包率比基于Android平臺的疲勞駕駛監(jiān)測預(yù)警方法的平均丟包率低。基于Android平臺的疲勞駕駛監(jiān)測預(yù)警方法將采集駕駛員圖像信息的攝像頭安置在機(jī)動(dòng)車方向盤中心的后方，每隔2秒對機(jī)動(dòng)車駕駛過程中方向盤的轉(zhuǎn)角速度和加速度進(jìn)行計(jì)算并儲存，然后每隔12秒從數(shù)據(jù)庫中提取圖像信息作為疲勞駕駛級別的判定指標(biāo)，通過計(jì)數(shù)模型判斷疲勞駕駛的級別，對不同級別的疲勞駕駛采取不同程度的預(yù)警措施?；贏ndroid平臺的疲勞駕駛監(jiān)測預(yù)警方法收集駕駛員圖像信息和處理信息的過程較為復(fù)雜、所用時(shí)間長，數(shù)據(jù)在傳輸過程中容易丟失，該方法的丟包率較高。

分別采用本文方法和文獻(xiàn)[9]方法、文獻(xiàn)[10]方法進(jìn)行疲勞駕駛多源性智能監(jiān)測預(yù)警方法的性能測試，對比3種不同方法的多源性，對比結(jié)果如表2所示。

表2 3種不同方法的多源性對比p

分析表2可知，本文方法的疲勞駕駛監(jiān)測來源有面部特征、車輛狀態(tài)、眼部特征、嘴部特征、方向盤特征。文獻(xiàn)[9]方法建立駕駛疲勞監(jiān)測預(yù)警判斷模型，以人眼的圖像信息為標(biāo)準(zhǔn)，主要通過紅外光源對駕駛員的眼睛進(jìn)行主動(dòng)照明，采用Adaboost算法對駕駛員眼部的圖像信息進(jìn)行準(zhǔn)確定位，并利用Harris角點(diǎn)檢測算法監(jiān)測駕駛員眼部的圖像視覺中心，獲得駕駛員視線內(nèi)的信息，由此判斷駕駛員的疲勞狀態(tài)，可見采用該方法進(jìn)行疲勞駕駛監(jiān)測預(yù)警過程中，監(jiān)測的主要目標(biāo)僅有眼部特征，對于駕駛者以及車況的監(jiān)測所選目標(biāo)較少，文獻(xiàn)[10]方法通過Otsu算法識別駕駛員眼中的圖像信息，采用動(dòng)態(tài)滑動(dòng)窗口算法得到駕駛員眨眼的閾值，并通過PERCLOS算法對駕駛員的疲勞狀態(tài)進(jìn)行估算，根據(jù)駕駛環(huán)境的變化采用攝像頭收集人眼中的圖像，以此判斷駕駛員的不同疲勞狀態(tài)。該方法對于駕駛員疲勞駕駛的判定依據(jù)主要是眼部特征和面部特征，當(dāng)實(shí)際行駛環(huán)境為大霧或是雨天時(shí)，僅通過上述兩種特征對駕駛者存在的疲勞駕駛狀態(tài)進(jìn)行判定，對于后續(xù)進(jìn)行監(jiān)測預(yù)警得出的結(jié)果存在一定程度上的誤差。對比可知本文方法的疲勞駕駛監(jiān)測來源要遠(yuǎn)遠(yuǎn)多于文獻(xiàn)[9]方法和文獻(xiàn)[10]方法，本文方法針對于疲勞駕駛監(jiān)測預(yù)警相應(yīng)的參考來源范圍較廣，具有智能多源性特點(diǎn)。

分別采用本文方法和文獻(xiàn)[8]方法進(jìn)行疲勞駕駛多源性智能監(jiān)測預(yù)警方法的性能測試，在兩種方法正常工作時(shí)加入干擾信號，對比兩種方法的抗干擾性(%)，對比結(jié)果如圖3所示。

圖3 兩種不同方法的抗干擾性對比

分析圖3可知，圖3(a)表示的本文方法正常運(yùn)行時(shí)的數(shù)據(jù)傳輸信號，圖3(b)表示的是加入干擾信號的本文方法數(shù)據(jù)傳輸信號，對比圖3(a)和(b)可知，本文方法在加入干擾信號前后的數(shù)據(jù)傳輸信號沒有太大波動(dòng)。圖3(c)表示的是文獻(xiàn)[8]方法正常運(yùn)行時(shí)的數(shù)據(jù)傳輸信號，圖3(d)表示的是文獻(xiàn)[8]方法加入干擾信號后的數(shù)據(jù)傳輸信號。分析圖3(c)和(d)可知，文獻(xiàn)[8]方法在加入干擾信號后的數(shù)據(jù)傳輸信號波動(dòng)較大，因?yàn)槲墨I(xiàn)[8]方法通過縮小監(jiān)測預(yù)警擬合點(diǎn)的取值范圍，減少監(jiān)測預(yù)警擬合點(diǎn)所用的時(shí)間，根據(jù)人眼前后移動(dòng)和大小的不同提取人眼的輪廓特征參數(shù)。采用歸一化的方法減少人眼特征提取的誤差，通過連續(xù)幀分析的方法對駕駛員的疲勞狀態(tài)進(jìn)行判定，該方法的抗干擾性較低。

表3是疲勞駕駛多源性智能監(jiān)測預(yù)警方法中參數(shù)rk對計(jì)算駕駛員圖像灰度值效率的影響，當(dāng)此參數(shù)控制在1.5～1.6區(qū)間時(shí)，疲勞駕駛多源性智能監(jiān)測預(yù)警方法計(jì)算圖像灰度值的效率最高，像素灰度均勻的分散在駕駛員圖像的灰度范圍空間內(nèi)，增強(qiáng)了駕駛員圖像的顯示效果。

表3 參數(shù)rk對監(jiān)測預(yù)警方法計(jì)算灰度值的效率影響

通過表3可知，疲勞駕駛多源性智能監(jiān)測預(yù)警方法中參數(shù)rk對灰度值計(jì)算效率有著深度影響，當(dāng)參數(shù)在1.5～1.6區(qū)間內(nèi)疲勞駕駛多源性智能監(jiān)測預(yù)警方法的灰度值計(jì)算效率明顯高于其他區(qū)間內(nèi)參數(shù)的灰度值計(jì)算效率，當(dāng)參數(shù)在1.5～1.6區(qū)間時(shí)，疲勞駕駛多源性智能監(jiān)測預(yù)警方法的灰度值計(jì)算效率在96.57%～98.76%之間，進(jìn)一步證明了本文所提的疲勞駕駛多源性智能監(jiān)測預(yù)警方法的可實(shí)現(xiàn)性。

4 結(jié)論

疲勞駕駛多源性智能監(jiān)測預(yù)警方法是避免因疲勞駕駛產(chǎn)生的交通事故，減少人員傷亡和經(jīng)濟(jì)損失的主要方法，傳統(tǒng)的疲勞駕駛監(jiān)測預(yù)警方法存在誤差高、監(jiān)測時(shí)間長、成本高等問題，本文方法在解決以上問題的基礎(chǔ)上，對疲勞駕駛監(jiān)測預(yù)警方法的丟包率、多源性、抗干擾性和計(jì)算效率進(jìn)行改進(jìn)和提升，為駕駛員安全駕駛提供了保障。

[1]曹國震, 彭 寒, 譚 偉. 基于FPGA的疲勞駕駛檢測算法研究與設(shè)計(jì)[J]. 電子設(shè)計(jì)工程, 2016, 24(12):165-167.

[2]宮法明. 交通駕駛員臉疲勞駕駛行為優(yōu)化圖像識別[J]. 計(jì)算機(jī)仿真, 2015, 32(11):199-202.

[3]陳永高, 單豪良. 基于BIM與物聯(lián)網(wǎng)的地下工程施工安全風(fēng)險(xiǎn)預(yù)警與實(shí)時(shí)控制研究[J]. 科技通報(bào), 2016, 32(7):94-98.

[4]陳曉靜, 戚春華, 朱守林,等. 基于表面肌電的草原公路駕駛員局部肌肉疲勞試驗(yàn)研究[J]. 科學(xué)技術(shù)與工程, 2015, 15(4):278-282.

[5]陳 軍, 陸嬌藍(lán), 劉 堯,等. 基于云計(jì)算的多特征疲勞駕駛檢測系統(tǒng)研究與設(shè)計(jì)[J]. 計(jì)算機(jī)測量與控制, 2015, 23(10):3341-3343.

[6]付 銳, 程文冬, 張名芳,等. 基于動(dòng)態(tài)匹配模型的駕駛?cè)俗觳啃袨樽R別與分級預(yù)警[J]. 汽車工程, 2015, 37(9):1095-1102.

[7]王冬梅, 馮 偲, 王海鵬,等. 疲勞駕駛檢測中基于稀疏表示的眼睛狀態(tài)識別研究[J]. 影像科學(xué)與光化學(xué), 2016, 34(1):95-101.

[8]何 鵬, 劉高凱, 李靜輝. 基于機(jī)器視覺的疲勞駕駛監(jiān)測預(yù)警系統(tǒng)[J]. 廣西師范大學(xué)學(xué)報(bào)(自然科學(xué)版), 2015, 33(4):25-29.

[9]李建平, 牛燕雄, 楊 露,等. 基于人眼狀態(tài)信息的非接觸式疲勞駕駛監(jiān)測與預(yù)警系統(tǒng)[J]. 激光與光電子學(xué)進(jìn)展, 2015, 52(4):83-88.

[10]陳東偉, 張 喆, 韓 娜,等. 多算法融合的疲勞駕駛監(jiān)測算法設(shè)計(jì)與實(shí)現(xiàn)[J]. 太原理工大學(xué)學(xué)報(bào), 2016, 47(4):518-522.