張永輝

摘 要：危險駕駛行為是駕駛過程中最普遍的行為之一，它嚴(yán)重威脅著人們的生命和財(cái)產(chǎn)安全，妨礙了正常的道路交通秩序。加強(qiáng)危險駕駛識別方法的研究，防止危險駕駛行為的發(fā)生，對提高道路交通安全具有十分重要的意義。為研究危險駕駛行為的一些比較成熟的識別方法，本文從危險駕駛行為、危險駕駛的識別方法兩方面系統(tǒng)梳理和歸納國內(nèi)外的相關(guān)研究成果，最后，根據(jù)自身理解總結(jié)目前方法的不足及未來方法研究展望。

關(guān)鍵詞：公路運(yùn)輸;危險駕駛;識別方法;綜述

0 引言

近年來，在交通強(qiáng)國戰(zhàn)略號召下，使得交通需求快速增加，另一方面社會經(jīng)濟(jì)的高速發(fā)展使得機(jī)動車總量大幅度提高，道路交通安全問題也日益嚴(yán)峻，其中有很大一部分是因?yàn)轳{駛?cè)宋ｋU駕駛而引發(fā)的。

關(guān)于危險駕駛行為的識別方法受到國內(nèi)外較多學(xué)者的重視，危險駕駛識別方法正在逐步發(fā)展完善，良好的識別系統(tǒng)正在普及，目前國內(nèi)外有較多研究。目前，危險駕駛識別方法整體可以分為生理特征識別方法、模型、機(jī)器學(xué)習(xí)算法等，通過對駕駛員各種特征參數(shù)的不同，來有效識別并實(shí)現(xiàn)提前預(yù)警，提高道路交通行車安全。

1 危險駕駛行為理論基礎(chǔ)

1.1 危險駕駛行為描述

生活中，常見的危險駕駛行為可以概括為駕駛員由于注意力不集中、犯困、急加速、急減速、逆行、非法超車和飲酒等導(dǎo)致其對車輛的操控能力和控制精度降低的狀況。總體來講，疲勞駕駛和酒后駕駛造成的交通事故較為嚴(yán)重，對道路安全隱患較大。

1.2 危險駕駛的表現(xiàn)特征

當(dāng)駕駛員處于危險駕駛狀態(tài)上，會產(chǎn)生相應(yīng)的狀態(tài)變化，在客觀上表現(xiàn)為注視方向不改變、眼睛處于半閉合狀態(tài)、打哈欠、駕駛失控等現(xiàn)象。常?？梢詮囊韵聝蓚€方面加以辨別是否是危險駕駛：

（1）車輛行駛狀態(tài)：當(dāng)車輛發(fā)生異常時，常常伴隨著車輛車速控制不均勻、方向盤轉(zhuǎn)角幅度不一致、油門和剎車開閉合狀態(tài)不穩(wěn)定、車輛偏離原來的行車路線等現(xiàn)象。

（2）駕駛員生理狀態(tài)：駕駛員剛開始處于危險駕駛狀態(tài)時，只是從事駕駛操作的部分肌肉靈活性降低;如果繼續(xù)下去，則會產(chǎn)生身體酸痛，從而導(dǎo)致操作動作遲緩;同時，也會引起面部表情、脈搏、心率及腦電波的改變，比如腦電波表現(xiàn)為低頻率與大幅度、打哈欠、頻繁眨眼、臉部肌肉僵硬等，從而引起駕駛動作不協(xié)調(diào)導(dǎo)致突發(fā)交通事故。

綜上所述，在駕車過程中，如出現(xiàn)車輛行駛不規(guī)范、駕駛員的生理參數(shù)發(fā)生明顯變化等現(xiàn)象，表明此時是危險駕駛狀態(tài)，應(yīng)停止繼續(xù)行駛。

2 危險駕駛行為識別方法研究

2.1 國內(nèi)外研究現(xiàn)狀

彭金栓等[2]基于前后車輛跟車距離過小和非正常換道的危險駕駛行為，建立了神經(jīng)網(wǎng)絡(luò)-貝葉斯濾波器識別模型，選取了危險駕駛行為識別樣本，并對識別效果進(jìn)行綜合評價。

WANG等[3]提出了一種基于實(shí)時腦電圖的疲勞駕駛潛在危險識別方法。為了實(shí)時判斷駕駛員的疲勞程度，采用滑動窗口小波熵和脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN）對視覺區(qū)域（主要信息輸入路徑）的腦電信號進(jìn)行處理，分析駕駛員疲勞的神經(jīng)機(jī)制，利用腦功能網(wǎng)絡(luò)跟蹤疲勞對大腦處理能力的影響。

盧化昌[4]構(gòu)建了一種基于手機(jī)數(shù)據(jù)傳感器與城市計(jì)算框架為基礎(chǔ)的危險駕駛行為識別預(yù)警系統(tǒng)，實(shí)現(xiàn)了危險駕駛行為預(yù)警功能的可行性和駕駛行為識別的準(zhǔn)確性。

祁鈺茜[5]利用車輛高精度定位技術(shù)，進(jìn)行車道級定位條件下的危險駕駛行為識別研究，對常見的危險駕駛行為，例如逆行和非法換道等設(shè)計(jì)了一套識別算法，基于車輛定位技術(shù)開發(fā)了危險駕駛行為識別系統(tǒng)，能有效識別和分析危險駕駛行為，并建立了危險行車指標(biāo)評估體系，期望規(guī)范行車安全，減少交通事故發(fā)生。

李娟[6]研究了危險駕駛行為識別和車輛跟蹤算法?？紤]將數(shù)據(jù)融合的理念應(yīng)用于危險駕駛行為識別中，采集不同的參數(shù)，建立粗糙集數(shù)據(jù)融合模型，并設(shè)計(jì)危險駕駛預(yù)警系統(tǒng)，實(shí)現(xiàn)提前預(yù)警。

陳慈等[7]基于虛擬駕駛實(shí)驗(yàn)仿真平臺，獲取實(shí)驗(yàn)樣本數(shù)據(jù)進(jìn)行預(yù)處理，利用逐步回 歸分析法對原始數(shù)據(jù)降維處理，提取特征參數(shù)，并利用改進(jìn)BP_Adaboost多分類算法對危險駕駛行為進(jìn)行識別。

劉偉嘗試將深度學(xué)習(xí)理論運(yùn)用到危險駕駛動作識別研究中，首先得到不同狀態(tài)下的樣本數(shù)據(jù)集，接著將駕駛員分為訓(xùn)練集和測試集，給出一種通過定位駕駛員局部信息來實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)識別危險駕駛行為的算法，另外針對采集數(shù)據(jù)圖像中出現(xiàn)冗余信息的問題，又提出了一種減少冗余信息的優(yōu)化方法。

薛清文等采集了不同車型的不同車輛軌跡數(shù)據(jù)，利用修正碰撞裕度對常見的兩類駕駛行為進(jìn)行風(fēng)險性評估，將其劃分為安全型和風(fēng)險型，并確定了碰撞風(fēng)險評價指標(biāo)，提出輕量梯度提升機(jī)（LGBM）算法對危險駕駛行為進(jìn)行識別，并與隨機(jī)森林、支持向量機(jī)等算法在精度上進(jìn)行比較。

楊維民等針對危險駕駛行為圖像背景存在模糊問題，研究了一種結(jié)合圖像分割和殘差網(wǎng)絡(luò)的危險駕駛行為識別方法，通過使用圖像分割方法對圖像中的駕駛員區(qū)域進(jìn)行前景提取，消除背景模糊問題，進(jìn)一步提高識別準(zhǔn)確度。

2.2 研究現(xiàn)狀評述

目前關(guān)于危險駕駛行為識別方法研究，根據(jù)選取特定的參數(shù)，主要是從生理特征、神經(jīng)網(wǎng)絡(luò)模型、識別及預(yù)警系統(tǒng)設(shè)計(jì)、深度學(xué)習(xí)算法、圖像識別等方面展開?；谀X電信號、心電信號的生理特征識別方法對駕駛員正常操作有干擾性，不利于大規(guī)模推廣;神經(jīng)網(wǎng)絡(luò)模型可有效識別危險駕駛行為，當(dāng)建立多維度復(fù)雜的神經(jīng)網(wǎng)絡(luò)時，會造成樣本數(shù)據(jù)訓(xùn)練時間過長，識別準(zhǔn)確度會受到影響;預(yù)警系統(tǒng)對特定的危險駕駛行為如前方車輛急停可能識別精準(zhǔn)度不高，還需進(jìn)一步改進(jìn);深度學(xué)習(xí)算法識別效率較高，考慮的車輛參數(shù)較為廣泛，在實(shí)際危險駕駛行為識別中運(yùn)用較廣。

3 結(jié)論

本文梳理和總結(jié)了近幾年國內(nèi)外研究學(xué)者對危險駕駛行為的識別方法的理論成果，對其中方法的有效進(jìn)行了適當(dāng)評述。

因此本文主要論述了以下兩方面：

（1）查閱了危險駕駛行為相關(guān)文獻(xiàn)，從客觀角度了解了危險駕駛行為的表現(xiàn)特征，對識別并有效預(yù)警提供了主觀判斷依據(jù)。

（2）對于危險駕駛行為的識別方法，目前主要是生理特征、模型、算法等方面。隨著智能網(wǎng)聯(lián)技術(shù)的不斷提升，利用交通大數(shù)據(jù)和機(jī)器學(xué)習(xí)等手段，研究更高識別精度的智能算法，考慮更全面的車輛特征參數(shù)是未來危險駕駛行為識別的發(fā)展趨勢。

參考文獻(xiàn)：

[1]金雪.基于駕駛行為的疲勞駕駛檢測方法研究[D].北京工業(yè)大學(xué)，2015.

[2]彭金栓，詹盛，徐磊，等.基于神經(jīng)網(wǎng)絡(luò)和貝葉斯濾波器的危險駕駛行為識別[J].武漢理工大學(xué)學(xué)報(bào)，2013，35（11）：85-89.

[3]WANG H，ZHANG C，SHI T，et al.Real-time EEG-based detection of fatigue driving danger for accident prediction[J].International journal of neural systems，2015，25（2）：369-498.

[4]盧化昌.基于智能手機(jī)的危險駕駛行為預(yù)警系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].武漢理工大學(xué)，2016.

[5]祁鈺茜.基于車道級定位的危險駕駛行為識別研究[D].武漢理工大學(xué)，2016.

[6]李娟.基于數(shù)據(jù)融合的危險駕駛行為識別與車輛跟蹤算法研究[D].武漢工程大學(xué)，2017.

[7]陳慈，張敬磊，王云，等.基于逐步回歸分析和BP_Adaboost算法的危險駕駛行為辨識[J].數(shù)學(xué)的實(shí)踐與認(rèn)識，2019，49（14）：200-207.