李光華，張洪濤，謝鳳祥，韓名亮

（國能大渡河大數據服務有限公司，四川成都 610041）

車輛交通極大地便利了大眾的出行，但駕駛出行方式存在的危險影響因素也隨之增加，其中影響最大的危險因素就是駕駛員的異常行為，一旦車輛受到異?？刂凭蜁霈F十分嚴重的交通事故。當駕駛員的駕駛狀態(tài)出現異常時，對于外界的感知慢慢消失或者敏感度降低，為了縮短駕駛員異常行為預警的時間，減少出行事故的發(fā)生，提出了駕駛員異常行為預警方法的設計，預警方法的關鍵是既要在最短的時間內識別到駕駛員的異常行為，又要保證駕駛員可以充分地理解預警語音和行為。

文獻[1]提出的基于PERCLO 的預警方法，對于駕駛員在車輛內的任何動作，其識別靈敏性極高，由于動作的連貫性，此方法在工作時會將駕駛員一些安全動作認證為異常行為進行預警，影響駕駛員的駕駛狀態(tài)，可行系數較低。文獻[2]提出的基于計算機視覺分析的預警方法，雖然誤判駕駛員異常行為的概率很低，但是由于計算機視覺與動作的轉化分析過程，耗用的時間較長，使駕駛員異常行為持續(xù)的時間超過車輛可以承受異常操作的時間，預警效果不明顯，需要進一步進行優(yōu)化更新。為了解決以上問題，提出基于標簽相關性學習的駕駛員異常行為預警方法，首先利用協(xié)方差方法對駕駛員的異常行為進行特征提取，然后利用標簽集相關性學習方法，對駕駛員異常行為進行預警等級的分析，最終根據不同級別的異常行為，輸出相應的應答預警結果。

1 車輛異常特征提取

駕駛員異常行為最直觀的表現就是駕駛車輛出現異常，所提方法獲取駕駛員異常行為的方式是通過連續(xù)對駕駛員駕駛操作行為的拍攝過濾完成的，拍攝駕駛員行為的數據信息較多，無方向的信息提取，不僅給駕駛員異常行為過濾造成極大的計算量，而且不能完全發(fā)現駕駛員的異常行為。因此所提方法在保證車輛異常行為過濾的精準度基礎上，根據駕駛車輛異常特征的提取，確定駕駛員是否存在異常行為[3-4]。

由于攝像設備對色彩的敏感性很高，所提方法設計的預警方法，在駕駛員動作拍攝過程中，會對靠近汽車內部關鍵位置的區(qū)域采用色彩分布設計，駕駛員在駕駛過程中會觸碰到色域，因此當色域出現行為數據幀時，首先要進行分析，判斷駕駛員行為是否存在異常，這就是顏色特征[5-6]。圖像顏色特征通過HSV 顏色模型完成行為信息的提取，顏色模型可以形象地反饋出顏色底層下最真實的圖像行為，顏色模型的基礎三原色包括紅綠藍，因為目前出現的任意顏色都是紅色、藍色、綠色混合而成的，HSV 顏色模型考慮到了光線對于圖像信息的照射情況，具有較高的還原效果[7]。HSV 圖像顏色模型如圖1 所示。

圖1 HSV圖像顏色模型

駕駛車輛異常的紋理特征是圖像的本質，因為圖像經過后期平移、剪輯、尺度調整、旋轉等行為時，圖像內的信息有時會發(fā)生改變，影響判斷駕駛員行為狀態(tài)的真實度。因為后期對于駕駛員駕駛視頻尺度縮放或者旋轉處理時，只是更改了圖像的大小，并未更改圖像內各個參數的比例，在提取紋理特征時，根據小波參數的方差值，依次還原最真實的圖像參數，即可提取出圖像的紋理特征[8]。所提方法采用三維濾波函數為核心，完成駕駛員駕駛視頻中紋理信息的表征，函數如式（1）所示：

其中，g(x,y,z)表示提取的紋理特征；δx表示沿x軸正方向尺度系數；δy表示沿y軸正方向尺度系數；δz表示沿z軸正方向尺度系數；α表示數據幀的傾斜量。

駕駛員異常行為的出現往往會伴隨瞬時動作，此動作對于交通安全和預判駕駛員的狀態(tài)尤為重要。根據描述，所提方法利用梯度特征捕獲到駕駛員的瞬時行為，避免由于行為過快，漏查駕駛員的行為信息。任何行為都會產生一種模擬聲音信號，區(qū)別是聲音信號的大小不同，不同的模擬聲音信號對應的行為不同。具體梯度特征表征公式如式（2）所示：

其中，G(x,y,z) 表示提取的梯度特征；i表示視頻像素值；dx(i,j)表示像素的位置；u表示數據幀圖像的尺度系數；φ表示駕駛員行為的方向角度。

顏色特征、紋理特征以及梯度特征之間存在一定的關聯(lián)性，但是各種特征所表征的類型是不一樣的，所提方法利用協(xié)方差的方法對駕駛員行為進行特征融合，完成特征的提取。協(xié)方差方法的優(yōu)點是可以對光線、斑駁、旋轉等操作進行免疫過濾，高度還原駕駛員真實的駕車行為，提取流程為：首先將需要分析的駕駛員行為圖形隨機分割為若干個信息塊，然后在每個信息塊上建立一個三維坐標系，根據駕駛員異常行為特征的標注情況，提取出每個信息塊上的異常行為特征，最終將所有特征利用協(xié)方差因子進行連接，輸出駕駛員的異常行為特征[9]。

提取公式如式（3）所示：

其中，Xr表示特征提取結果；s表示駕駛員行為特征向量的均值；zi表示三維坐標中所有特征點的集合；r表示圖像信息中所存在特征的個數；βr表示行為信息變換系數；f表示協(xié)方差因子。

2 駕駛員異常行為等級劃分

駕駛員的異常行為指的是非正常駕駛行為之外的所有動作。駕駛員異常行為主要由突發(fā)疾病和疲勞駕駛引起，前者是不可避免的，因此所提方法在對駕駛員異常行為等級定義的基礎上，利用標簽集相關性學習方法分析由疲勞駕駛引起的駕駛員異常行為等級的劃分[10]。駕駛員異常行為等級分為三個級別，分別為一級異常行為、二級異常行為和三級異常行為，每級異常行為表現的方式不同，因為行為的界限是一個模糊的定義，所以在對駕駛員異常行為判定時，采用進級判斷。

一級駕駛員異常行為等級的本質是駕駛員的行為是不可控的，不能完成車輛的起步、停車、減速等操作，喪失了安全駕駛車輛的能力。此類型的駕駛員異常行為所造成的后果最嚴重。二級駕駛員異常行為等級的本質是駕駛員表現出行為遲鈍，且出現駕駛員意識模糊，但在引導下可以完成基本的駕車操作。三級駕駛員異常行為等級表示駕駛員具有清晰的意識，但是由于其他因素導致駕駛員的反應較慢，可以完成停車、制動、減速等基本行為[11-12]。

標簽集相關性學習方法對駕駛員異常行為進行等級劃分原理是駕駛員異常行為的表征與駕駛員異常行為等級之間相關性的概率，表征結果與哪級駕駛員異常行為等級認定界限最接近，則判斷駕駛員的異常行為等級即為該級。在判定駕駛員異常行為等級前，需要判斷駕駛員行為是否存在異常，如果不是，則不需要進行異常行為等級劃分操作，反之執(zhí)行等級劃分方法即可。標簽集相關性學習方法的優(yōu)點是可以準確區(qū)分正常駕駛行為和異常駕駛行為，因為部分安全駕駛行為操作時，由于駕駛員力度控制的偏差，會出現假性駕駛員異常操作行為。標簽集相關性學習通過多次檢索駕駛員某一段時間范圍內駕駛員的各個瞬時行為，將擁有混淆特點的駕駛行為都進行標簽記錄，標簽集合內的所有駕駛員異常行為類型的標簽都是相對獨立的，計算駕駛員異常行為特征與異常行為等級之間相關性公式如式（4）所示：

其中，L表示駕駛員異常行為與異常等級之間相關性結果；k表示權重系數；vw表示標簽集合；σ表示平衡因子；Fr表示異常行為的特征變量；w表示標簽的鄰域變量；d表示異常駕駛行為與安全駕駛行為之間的誤差系數；其他未知數的意義同上。

按照駕駛員異常行為等級的劃分，規(guī)定參數結果在0～7.8 為一級異常行為等級，參數結果為7.9～14.7 為二級異性行為等級，其他區(qū)域內的參數結構都為三級異常行為等級[13]。

3 駕駛員異常行為預警

駕駛員異常行為預警方法設計的目的不僅要保證駕駛員可以正確地理解預警語言和指示燈，而且要將駕駛員的知覺作為主要引導方向，防止由于誤解預警語言和輔助行為，造成更為嚴重的交通事故。因此根據不同級別的駕駛員異常行為，設計不同理解程度的預警展示形式。所提方法設計的預警方法采用語音、視覺以及感知三重疊加預警模式，降低駕駛員在異常狀態(tài)下的理解難度，提高預警效果。視覺預警方式通過指示燈實現，語音預警向導由遠程藍牙通道完成，感知預警方法通過駕駛員腳下、面部、頸部的吹風系統(tǒng)進行提示?；跇撕灱嚓P性學習的駕駛員異常行為預警方法執(zhí)行的流程如圖2 所示。

圖2 基于標簽集相關性學習的駕駛員異常行為預警方法執(zhí)行流程

首先，獲取駕駛員駕駛視頻信息，調用協(xié)防差流方法提取駕駛員駕駛視頻內的駕駛行為特征；

然后，辨認獲取到的駕駛行為特征是否為異常行為特征，如果是，則繼續(xù)進行下一步操作，如果不是，則停止分析即可；

最終，將獲取到的駕駛員異常行為特征在已存在的駕駛異常行為標簽集合內進行檢索，計算出異常駕駛行為所處于的異常行為等級，根據計算結果進行相對應程度的預警，駕駛員異常行為等級的預警方法如下：

1）識別到駕駛員處于一級駕駛員異常行為時，應該立即遠程控制迫使汽車緊急制動，并伴隨車載GPS 地理信息向相關部門進行報警避免造成交通事故。

2）駕駛員出現二級駕駛員異常行為時，其駕駛意識模糊，應立即通過車載儀器向駕駛員發(fā)出聲音叫醒加以預警。

3）如果最終結果顯示駕駛員的異常行為等級為三級，應該采取語音和燈光雙層疊加的方式進行解決，引導駕駛員脫離危險駕駛[14-16]。

4 實驗研究

為了驗證基于標簽集相關性學習的駕駛員異常行為預警方法，將所提方法與文獻[1]的基于PERCLO 的預警方法、文獻[2]基于計算機視覺分析的預警方法進行實驗對比。

選取對象為12 名非專業(yè)駕駛員在所提供的駕駛模擬器中進行操作，在操作之前，工作人員需要向他們解釋操作方式和操作過程的各項要求，駕駛員熟練10 min 后，可以進行操作。

選取5 名具有豐富經驗的工作員預案分析駕駛員的車輛駕駛異常行為，當發(fā)現駕駛員存在異常行為后，需要確定駕駛員的異常行為的等級，同時啟動三種預警方法進行對比。

不同的預警方法發(fā)出預警信號之后，用戶對于預警信號的理解能力不同，設定信號理解能力共有1～4 個等級，等級1 為難以理解，等級2 為相對難以理解，等級3 為相對容易理解，等級4 為容易理解。匯總用戶的理解能力結果，得到的實驗結果如表1所示。

表1 用戶理解能力和實驗結果

根據表1 可知，不同用戶對于預警方法的反應能力不同，PERCLO 預警方法對于用戶而言最難理解[17-18]，因為PERCLO 預警方法采用的是觸覺信號，駕駛員在駕駛時，對于觸覺的理解性過低，尤其是存在異常行為時，觸覺感知能力更低，因此，PERCLO預警方法的實用性較差。而計算機視覺分析預警方法對于用戶而言相對較好理解，計算機視覺分析技術應用視覺信號，通過視覺信號為用戶帶來刺激，提醒用戶存在行為異常，絕大多數用戶能夠更好地理解計算機視覺分析預警方法發(fā)出的預警信號。所提方法將視覺技術和聽覺技術融合到一起，通過多種匯總方法對用戶進行預警，利用復合預警方案讓用戶在更短的時間內理解自己存在異常行為，并作出改善行為，對于用戶安全行駛有重要意義。

對12 名駕駛員的反應時間進行統(tǒng)計，比較不同預警方法下駕駛員的反應時間，得到的實驗結果如圖3 所示。

圖3 預警反應時間實驗結果

觀察圖3 可知，所提預警方法預警反應時間最短，預警能力最強。雖然不同人對于預警信號的反應時間存在差異，但是對12 位駕駛用戶進行測試時，基于計算機視覺分析技術的預警方法，用戶預警時間最長，甚至超過了23 s，即使反應最為迅速的用戶預警時間也在15 s 以上，危險系數極高。相比較于基于計算機視覺的預警方法，基于PERCLO 的預警方法的預警能力更強，用戶的反應時間相對較短，其中用戶6 花費的預警時間僅有9 s，但是用戶10 花費的預警時間為21 s。所提方法提出的預警方法花費的預警時間在3～7.5 s 內波動，用戶可以在短時間內快速意識到自己的駕駛行為存在異常，對于確保用戶安全駕駛有重要意義。

預警方法在進行預警時，可能會造成用戶行為混淆，對于用戶的舒適度產生影響，所提方法綜合分析舒適度和可接受性，對于不同的預警方法進行評分，最高分為3 分，最低分為0 分，記錄不同駕駛員的舒適度，得到的實驗結果如表2 所示。

根據表2 可知，PERCLO 預警方法的舒適度最高，所提預警方法舒適度最差，因為所提的預警方法從多種渠道進行預警，用戶容易受到信號干涉，因此舒適度相對較差。

表2 用戶舒適度實驗結果

綜上所述，所提預警方法能夠幫助用戶在短時間內迅速發(fā)現自己的異常行為，通過多種渠道提醒用戶讓用戶作出預警反應，從而保證用戶的安全性。所提方法具有很強的實際應用意義，對于用戶安全行駛可以起到積極的促進作用。

5 結束語

通過實驗分析所提的基于標簽集相關性學習的駕駛員異常行為預警方法的預警效果，證明了方法的可行性。該預警方法的優(yōu)勢在于采用駕駛員異常行為等級和預警方法分級控制的模式完成預警，具有參照性。并且預警方法是隨駕駛員異常行為的更新而實時更新的，具有時效性。方法利用標簽學，對已經認證的駕駛員異常行為進行錄入，標簽集相關學習方法不僅豐富了預警語言，還提高了對駕駛員異常行為分類的準確率，克服傳統(tǒng)標簽集語義冗余和相關性較差的問題。相信通過所提預警方法的分析，可以減少駕駛員由于異常行為導致發(fā)生交通事故的頻率，為預警方法提供新思路?？梢詫⑺岱椒ㄔO計的核心應用到預警車輛乘坐人對駕駛員駕駛狀態(tài)的預警方法中，保證駕駛員行車的安全性。