基于車輛行駛軌跡特征的駕駛人疲勞狀態識別技術研究

石曉玲+楊英倉

【摘要】 疲勞駕駛是引發交通事故的重要因素之一。設計了利用車輛行駛軌跡進行駕駛人疲勞狀態判識的方案，基于車輛在車道線中的位置數據，建立了基于平均偏離程度和航向角標準差進行疲勞狀態判識的模型，并應用實際道路的實驗數據對該模型進行了驗證。

【關鍵詞】 駕駛疲勞 車輛軌跡 機器視覺

Driver Drowsiness Detection Based on Vehicle Track SHI Xiaoling，YANG Yingcang（Guizhou Province Engineering Research Center for Traffic Accidents Responsibility Verification， Guiyang， 550005， China）

Abstract： Driver drowsiness is a major cause of road accidents. This paper puts forward a method of driver drowsiness detection which based on vehicle track. The Classification model which consists of deviation mean and standard deviation of steering angle is built as well.

Keywords： driver drowsiness， vehicle track， machine vision

一、引言

疲勞駕駛是當今交通安全的重要隱患之一。駕駛人在疲勞時，其對周圍環境的感知能力、形勢識別判斷能力和對車輛的操控能力都有不同程度的下降，因此很容易發生交通事故。統計數據表明，在2004年至2006年，我國因疲勞駕駛直接導致的死亡人數占全國機動車駕駛人交通肇事總死亡人數的比例分別為3.27%、2.81%和2.5%[1-3]，大約每年有3000人死于疲勞駕駛。另外，世界各發達國家也正在積極開展駕駛人疲勞狀態監控技術的研究，如歐洲的AWAKE項目、美國的SAVE-IT項目、日本的ASV項目等。研究結果表明，通過對對駕駛人的狀態進行監測并及時向駕駛人提示相關信息，可大幅度減少交通事故的發生。

駕駛人的狀態必然會反映到其駕駛行為特性，本文通過對駕駛人在清醒和疲勞狀態下行駛軌跡的研究，建立了基于行駛軌跡的疲勞判別模型，通過軌跡特征反演駕駛人的當前狀態。該技術主要包括三個環節：車道線的識別、車輛在當前車道中位置的解算、利用建立的模型對駕駛人的狀態進行判識。

對于車輛在車道中位置的識別技術，Mobileye公司的LDW（車道偏離預警）裝置目前已產品化，2007年德國寶馬公司宣布在新5系中全球第一個采用該產品。我國在該方面也進行了一些有益的探索[5]，但在應用車輛行駛軌跡特征對駕駛人疲勞狀態識別方面，國內外未見相關資料。通過本技術的研究，可以為駕駛人疲勞狀態識別提供一種新的技術途徑，有效減少交通事故的發生，產生重大的社會、經濟效益。

二、總體設計方案

該系統總統方案如圖1所示，來自CCD攝像頭的視頻信號依次經過濾波去噪、邊緣增強、二值化處理后，進行車道線的檢測和識別，并獲取圖像中左右車道線的方程。然后由圖像坐標系向世界坐標系進行映射，進行道路重建，得到在世界坐標系中車道線方程，在世界坐標系中將車輛在車道線中的位置解算出來。建立基于車輛軌跡特性的駕駛人疲勞狀態判識模型，根據車輛在車道線中的位置數據，對駕駛人的疲勞狀態進行判識。關于車道線的識別和車輛在車道線中位置的解算，目前已有許多較好的模型[4]-[5]，本文僅就基于車輛軌跡對駕駛人疲勞狀態的判別進行討論。

三、 基于軌跡特征的狀態判識模型的建立及實驗結果

該判識模型以對駕駛人疲勞狀態的主觀視頻評分作為基準。主觀視頻評分的實施方法如下：第一步，駕駛人進行一段長時間的駕駛，在該駕駛過程中，要保證出現疲勞狀態。在行駛過程中，采用兩個CCD分別對駕駛人的面部圖像和車道線圖像進行實時采集，所得的兩段視頻作為原始實驗數據；第二步，將駕駛人的面部視頻進行視頻分割，分割成一系列長度為0.5分鐘的片段；第三步，讓三名視頻打分人員分別對每一個視頻片斷進行打分，打分參考標準如表1所示；第四步，對三名打分人員的打分結果進行平均，作為該時間片內駕駛人的疲勞等級。該疲勞等級就作為我們基于軌跡特征進行疲勞狀態判識的依據和基準。

下面就以2008年6月在京沈高速進行實驗采到的數據進行分析。本文將以該次實驗中11：40～12：00時間段的實驗數據為例進行分析。11：40～12：00時間段駕駛人疲勞狀態的主觀視頻評分結果如圖2所示，從圖中可以看出，在該時間段，駕駛人的疲勞狀態變化比較明顯。在該時間段內共有27000個采樣點，每個采樣點上包括車輛偏離車道中線的距離和車輛航向角兩個數據，為數據處理方便，截取2000～6000數據區間的4000個采樣點作為清醒狀態的分析數據，23000～27000區間的4000個采樣點作為疲勞階段的分析數據。

建立疲勞判斷模型如下：該疲勞模型對駕駛人疲勞狀態的判斷基于如下兩個假設：

1、如圖3所示，B點為車輛當前所在的位置，A點為車輛30s前所在的位置。車輛在從A點到達B點的過程中，其行駛軌跡的均值偏離車道中線的大小反映了駕駛人的疲勞程度；

2、在從A點到達B點的過程中，航向角的標準差反映了駕駛人的操作的積極性，若標準差很小，則表征駕駛人對車輛的控制消極，依此來判斷駕駛人的疲勞狀態。

將這兩個條件融合，作為一個綜合指標來判斷駕駛人的疲勞狀態。

對2000～6000數據區間的4000個采樣點，作出車輛偏離車道中線的曲線，如圖4所示，正值表示車輛在車道線中線右側，負值表示車輛在車道線中線左側。作出車輛偏航角曲線，如圖5所示。

計算出各個時間片（30s）內車輛偏離車道中線的偏移量，如表2所示。

同理，作出23000～27000區間4000個采樣點車輛偏離車道中線的曲線，如圖6所示，作出車輛偏航角曲線，如圖7所示。

計算出各個時間片（30s）內車輛偏離車道中線的偏移量，如表3所示。

為便于比較，將清醒狀態和疲勞狀態下偏移量的平均值畫到同一個圖中，如圖8所示，將清醒狀態和疲勞狀態下偏航角的標準差畫到同一個圖中，如圖9所示。

由圖可以看出，在30s時間窗內平均偏離程度和偏航角標準差兩個指標能夠較好的反應兩個指標能夠較好的區分清醒與疲勞兩種狀態可以用來作為疲勞狀態的判斷基準。

四、 結論

本文基于車輛行駛軌跡數據建立了基于平均偏離程度和航向角標準差進行疲勞狀態判識的方法。實驗表明，所提取的指標能夠較好的區分清醒與疲勞狀態。但是，也應看到，本文所建立的數學模型比較粗糙，尚未對車輛換線這種有意識的車道偏離作進一步的處理，同時，該模型的判識結果只能定位到是否疲勞，而不能根據疲勞程度將其細分成較為疲勞、嚴重疲勞等。另外，駕駛人的操作除了與疲勞狀態有關外，還受到個人習慣、行駛速度、道路環境、操作技能的影響，車輛的行駛狀態也與車輛特性、道路等很多環境因素有關。因此，在下一步的研究中如果能針對這些問題進行深入分析，可望得到可靠性、魯棒性更好的結果。

參 考 文 獻

[1] 2004年全國道路交通事故情況，道路交通管理，2005（1）：4-7

[2] 2005年全國道路交通事故概況，道路交通管理，2006（1）：4-5

[3] 2006年全國道路交通事故情況，道路交通管理，2007（2）：22-23

[4] 李兵，張朋飛，何克忠. 基于增強轉移網絡（ATN）的室外移動機器人道理圖像理解. 中國圖象圖形學報， 9（3）： 380-384， 2004.

[5] 余天洪. 基于機器視覺的車道偏離預警系統研究[D].吉林：吉林大學，2006年