張皓月　周銘哲　徐韜茗　李紫云

關(guān)鍵詞：交通風(fēng)險(xiǎn)評(píng)估；樹莓派；疲勞駕駛；Logistic 回歸模型

中圖分類號(hào)：U463.6；U491.31；TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A

0 引言

道路交通運(yùn)輸是我國重要的運(yùn)輸方式之一，在社會(huì)經(jīng)濟(jì)發(fā)展中發(fā)揮著至關(guān)重要的作用。據(jù)統(tǒng)計(jì)，我國每年有近6 萬人在交通事故中喪生，交通事故給人民財(cái)產(chǎn)造成了超過10 億元的重大損失，道路交通事故特別是重特大交通事故給社會(huì)帶來了巨大損害。

通過對(duì)高速公路交通事故的統(tǒng)計(jì)分析發(fā)現(xiàn)，由于駕駛員操作失誤產(chǎn)生的事故約占交通事故總量的80%[1]，由于駕駛員疲勞駕駛造成的事故占交通事故總量的10% ～ 20% [2]，在特大交通事故中，駕駛員疲勞駕駛導(dǎo)致的交通事故比例更是高達(dá)40%，疲勞駕駛已成為造成交通事故的重要因素[3]。因此研發(fā)一款通過采取有效措施改善駕駛員疲勞駕駛的裝置對(duì)降低交通事故發(fā)生概率、提高道路安全水平具有重大意義。

1 駕駛風(fēng)險(xiǎn)評(píng)估系統(tǒng)設(shè)計(jì)

1.1 系統(tǒng)硬件設(shè)計(jì)

該系統(tǒng)硬件部分以樹莓派4B 作為主控模塊；采用攝像頭進(jìn)行圖像采集；采用OLED（有機(jī)發(fā)光二極管）顯示屏作為顯示模塊；采用舵機(jī)云臺(tái)實(shí)現(xiàn)運(yùn)動(dòng)跟蹤，為實(shí)現(xiàn)人臉動(dòng)態(tài)跟蹤，其硬件上采用了舵機(jī)云臺(tái)作為執(zhí)行機(jī)構(gòu)，執(zhí)行器采用兩個(gè)舵機(jī)，分別完成x 軸和y 軸兩維的運(yùn)動(dòng)控制；采用USB 揚(yáng)聲器作為語音播報(bào)模塊，在監(jiān)測(cè)過程中完成相應(yīng)的語音提醒。該系統(tǒng)硬件結(jié)構(gòu)框圖如圖1 所示。

1.2 系統(tǒng)軟件設(shè)計(jì)

1.2.1 駕駛疲勞檢測(cè)軟件設(shè)計(jì)

疲勞檢測(cè)部分軟件設(shè)計(jì)通過Python 語言編程實(shí)現(xiàn)。首先通過SVM（支持向量機(jī)）線性分類器生成人臉檢測(cè)器對(duì)駕駛員進(jìn)行人臉檢測(cè)；其次將檢測(cè)到的人臉數(shù)據(jù)輸入到預(yù)先訓(xùn)練好的面部形狀預(yù)測(cè)器模型中，完成對(duì)駕駛員眼部、嘴部特征數(shù)據(jù)的提取，通過對(duì)疲勞狀態(tài)時(shí)的眼部、嘴部狀態(tài)定義閾值進(jìn)而判斷駕駛員是否疲勞駕駛[4-5]，其中面部形狀預(yù)測(cè)器模型是基于ERT（回歸樹集合）面部特征點(diǎn)定位算法和iBUG-300W 數(shù)據(jù)集自定義訓(xùn)練得出的。在提取面部的眼嘴特征數(shù)據(jù)后，采用縱橫比（AR）的方法對(duì)提取的眼嘴特征數(shù)據(jù)進(jìn)行計(jì)算處理，得出眼部縱橫比（EAR）和嘴巴縱橫比（MAR）；采用單位時(shí)間內(nèi)眼睛閉合（PERCLOS）與嘴巴張開（PEROPEN）的時(shí)間，用以識(shí)別駕駛員的疲勞狀態(tài)，實(shí)現(xiàn)疲勞狀態(tài)檢測(cè)[6]。

同時(shí)系統(tǒng)又結(jié)合PID 算法，在檢測(cè)到人臉的基礎(chǔ)上采用位置式PID 控制舵機(jī)云臺(tái)，使其完成對(duì)駕駛員人臉的運(yùn)動(dòng)跟蹤，實(shí)現(xiàn)在不同駕駛狀態(tài)下進(jìn)行監(jiān)測(cè)[7]；并在駕駛員處于疲勞狀態(tài)時(shí)對(duì)其進(jìn)行語音播報(bào)提醒。疲勞駕駛監(jiān)測(cè)系統(tǒng)軟件算法框圖如圖2所示。

在檢測(cè)到駕駛員人臉的基礎(chǔ)上，采用位置式PID 算法，以攝像頭采集到的圖像中心點(diǎn)作為輸入，以舵機(jī)為執(zhí)行機(jī)構(gòu)，將輸出給到舵機(jī)云臺(tái)，使其做出相應(yīng)的跟蹤。云臺(tái)PID 控制系統(tǒng)功能框圖如圖3所示。

1.2.2 Logistic 風(fēng)險(xiǎn)評(píng)價(jià)模型設(shè)計(jì)

通過對(duì)事故數(shù)據(jù)和以往研究成果的統(tǒng)計(jì)分析，證實(shí)了“人—車—路—環(huán)境”4 個(gè)方面是影響高速公路交通安全的主要風(fēng)險(xiǎn)因素來源；只基于單一類型風(fēng)險(xiǎn)因素建模，可能會(huì)導(dǎo)致評(píng)價(jià)結(jié)果偏差。因此本文綜合人、車、路、環(huán)境4 個(gè)方面對(duì)駕駛員駕駛風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)評(píng)價(jià)[8]。

通過國際交通論壇（International TransportForum，ITF）官網(wǎng)數(shù)據(jù)庫，篩選了符合條件的492條2020 — 2021 年英國東北部的交通事故數(shù)據(jù)導(dǎo)入SPSS 軟件中。

根據(jù)Logistic 回歸理論從人、車、路、環(huán)境4 個(gè)方面對(duì)駕駛風(fēng)險(xiǎn)相關(guān)因素的影響程度進(jìn)行探析和定量化，對(duì)特征變量進(jìn)行賦值。影響因素賦值說明如表1 所示。

采取正向逐步法，將顯著水平設(shè)為α=0.05。可建立基于人、車、路、環(huán)境4 個(gè)方面的駕駛風(fēng)險(xiǎn)預(yù)測(cè)評(píng)價(jià)模型。

2 駕駛風(fēng)險(xiǎn)系統(tǒng)測(cè)試及分析

2.1 疲勞監(jiān)測(cè)功能測(cè)試及分析

最終測(cè)試的軟件環(huán)境為OpenCV-3.4.3+dlib-19.22，在背光與對(duì)光兩種環(huán)境下，對(duì)3 名駕駛員的眼睛（1號(hào)駕駛員眼睛大小中等，2 號(hào)較小，3 號(hào)較大）各測(cè)試10 次，運(yùn)行程序，得到其疲勞識(shí)別率背光與對(duì)光環(huán)境測(cè)試數(shù)據(jù)分別如表2 和表3 所示。

由表2 可知，本系統(tǒng)在背光環(huán)境下對(duì)3 名駕駛員疲勞駕駛時(shí)眼部的平均識(shí)別率為83.3%，其嘴部平均識(shí)別率為93.3%，綜合計(jì)算為88.3%，其效果一般。分析原因有二：其一為背光下存在檢測(cè)不到人臉的情況；其二為系統(tǒng)對(duì)眼睛較小的眼部識(shí)別率較低，因?yàn)檠劬π?，EAR 區(qū)別度小，對(duì)識(shí)別率有一定的影響。

由表3 可知，本系統(tǒng)在對(duì)光環(huán)境下對(duì)疲勞駕駛識(shí)別率達(dá)90% 以上，可對(duì)駕駛員的疲勞駕駛起到監(jiān)測(cè)作用。

人臉動(dòng)態(tài)跟蹤最終預(yù)期的效果是在駕駛室范圍內(nèi)，模擬駕駛員不斷擺動(dòng)頭部，得出云臺(tái)跟蹤人臉的動(dòng)態(tài)響應(yīng)曲線如圖4 所示。

圖4 中曲線1 為x 軸舵機(jī)的動(dòng)態(tài)響應(yīng)曲線，曲線2 為y 軸舵機(jī)的動(dòng)態(tài)響應(yīng)曲線，曲線3 為x 軸舵機(jī)目標(biāo)值曲線，曲線4 為y 軸舵機(jī)目標(biāo)值曲線。分別對(duì)曲線1 和曲線2 關(guān)鍵點(diǎn)進(jìn)行標(biāo)點(diǎn)，其中P3、P5、P7、P9 表示每次擺頭后人臉中心點(diǎn)在圖像中的新x 軸坐標(biāo)，P4、P6、P8、P10 表示每次擺頭后云臺(tái)跟蹤人臉穩(wěn)定后人臉中心點(diǎn)在圖像中的x 軸坐標(biāo)；P3'、P5'、P7'、P9' 表示每次擺頭后人臉中心點(diǎn)在圖像中的新y 軸坐標(biāo)，P4'、P6'、P8'、P10' 表示每次擺頭后云臺(tái)跟蹤人臉穩(wěn)定后人臉中心點(diǎn)在圖像中的y 軸坐標(biāo)。

分析云臺(tái)的快速性，可通過計(jì)算每次擺頭至云臺(tái)跟蹤人臉穩(wěn)后的時(shí)間差得出云臺(tái)響應(yīng)時(shí)間。由表4 可知，云臺(tái)x 軸舵機(jī)平均響應(yīng)時(shí)間為2.112 5s，y 軸舵機(jī)平均響應(yīng)時(shí)間為1.5 s，因此云臺(tái)跟蹤人臉的快速性基本滿足系統(tǒng)設(shè)計(jì)要求。

2.2 Logistic 風(fēng)險(xiǎn)評(píng)價(jià)模型檢驗(yàn)

模型系數(shù)的綜合檢驗(yàn)如表5 所示。若P ＜ 0.05，則表示在擬合出的模型中，納入的變量至少有一個(gè)的OR（比值比）值具有統(tǒng)計(jì)學(xué)意義，即模型總體有意義[9]。

本文采用霍斯默—萊梅肖擬合優(yōu)度檢驗(yàn)（表6）來檢驗(yàn)本系統(tǒng)模型的擬合優(yōu)度。當(dāng)P 值不小于檢驗(yàn)水準(zhǔn)時(shí)（P ≥ 0.05），表示數(shù)據(jù)中的信息已被充分提取，即預(yù)測(cè)值與真實(shí)值之間并無明顯的差異，模型擬合優(yōu)度較高[10]。

3 結(jié)論

本文引入了駕駛員實(shí)時(shí)疲勞檢測(cè)結(jié)果，并基于二元Logistic 回歸模型建立了綜合“人—車—路—環(huán)境”多因素的駕駛風(fēng)險(xiǎn)評(píng)估系統(tǒng)。將基于面部多特征的疲勞駕駛檢測(cè)結(jié)果作為駕駛員駕駛狀態(tài)輸入，將通過高德地圖API 獲得的駕駛員行駛路線、當(dāng)前天氣狀況、車輛類型分別作為“路”“環(huán)境”“車”等因素的自變量輸入，建立駕駛風(fēng)險(xiǎn)評(píng)估系統(tǒng)。同時(shí)在疲勞監(jiān)測(cè)裝置上添加顯示屏，能夠?qū)崟r(shí)提供給駕駛員上述駕駛安全影響因素的數(shù)據(jù)，并給予最終風(fēng)險(xiǎn)評(píng)估。針對(duì)疲勞駕駛監(jiān)測(cè)，設(shè)計(jì)疲勞狀態(tài)識(shí)別算法，同時(shí)采用舵機(jī)云臺(tái)結(jié)合PID 算法對(duì)人臉實(shí)時(shí)動(dòng)態(tài)跟蹤，保證駕駛員面部在攝像頭監(jiān)測(cè)范圍內(nèi)，提高識(shí)別準(zhǔn)確率。本系統(tǒng)運(yùn)行良好，基本能實(shí)現(xiàn)預(yù)期目標(biāo)，具有一定的實(shí)用價(jià)值。