景區道路交通標志視認效率評價

朱夢悅 馬健霄 劉宇航 仇舒誠 丁子羿

摘 要：為探尋駕駛人視認交通標志效率，本文構建景區道路標志視認效率評價體系，設計實地視線追蹤實驗，采集駕駛人在景區道路對交通標志的視認數據;參照數據變化規律及指標特性確定各項眼動特征數據的最優值和臨界值，建立交通標志視認效率評價指標集;采用基因選擇算法對評價指標進行重要度排序，確定各評價指標對評價體系的影響程度;利用功效系數法對指標進行標定，并建立視認效率評價體系。應用評價體系對南京鐘山風景名勝區進行視認效果評價，從視認效率出發提出交通標志設置改善優化建議。

關鍵詞：交通安全;交通標志;景區道路;視覺特性;效率評價;基因選擇算法

中圖分類號：U121??? 文獻標識碼：A?? 文章編號：1006-8023（2021）04-0135-09

Evaluation of Visual Recognition Efficiency of Traffic Signs in Scenic Spots

ZHU Mengyue， MA Jianxiao*， LIU Yuhang， QIU Shucheng， DING Ziyi

（College of Automobile and Traffic Engineering， Nanjing Forestry University， Nanjing 210037， China）

Abstract：In order to explore the efficiency of drivers' visual recognition of traffic signs， an evaluation system of visual recognition efficiency of road signs in scenic spots was constructed. The field eye-tracking experiment was designed and data of drivers' visual recognition of traffic signs in scenic spots were collected. Based on the data variation rule and index characteristics， the optimal value and the critical value of the eye movement characteristic data were analyzed and the evaluation index set of traffic sign recognition efficiency was established. Then， support vector machine-recursive feature elimination was used to rank the significance of evaluation indexes to determine the degree of influence of each evaluation index on the evaluation system. In addition， the calibration index of efficacy coefficient method was adopted to establish the evaluation system of visual recognition efficiency. Finally， the system was used to evaluate the visual recognition in Nanjing Zhongshan Mountain National Park and some suggestions on improvement and optimization of traffic sign setting from the perspective of visual recognition efficiency were proposed.

Keywords：Traffic safety; traffic signs; scenic road; visual characteristics; efficiency evaluation; support vector machine-recursive feature elimination

收稿日期：2021-03-09

基金項目：江蘇省交通運輸科技項目計劃（2016T04）;南京市科協軟科學研究項目（NJKX2017RKX-05）

第一作者簡介：朱夢悅，碩士研究生。研究方向為交通安全與交通大數據。E-mail：125620776@qq.com

*通信作者：馬健霄，博士，教授。研究方向為交通安全技術。E-mail：majx@njfu.edu.cn

引文格式：朱夢悅，馬健霄，劉宇航，等.景區道路交通標志視認效率評價[J].森林工程，2021，37（4）：135-143.

ZHU M Y， MA J X， LIU Y H， et al. Evaluation of visual recognition efficiency of traffic signs in scenic spots[J]. Forest Engineering，2021，37（4）：135-143.

0 引言

伴隨旅游業的迅速興起，兼具林區特征的景區不斷增加。由于道路交通性質的不同[1]，城市道路交通設計方法不能完全適應此類景區交通出行特性，且部分景區交通設施設計仍沿用公路標準，無法高效地為駕駛人提供行車信息。本研究通過對兼具林區特征的景區道路展開交通標志視認效率研究，旨在為此類景區及林區道路交通設施設計提供參考，保障行車安全。

國內外學者在旅游交通和標志視認性方面開展了廣泛性研究。桂零等[2]基于人類工效學理論建立了指路標志視認性評價模型，在調查問卷的基礎上通過層次分析法確定不同影響因素的權重值。陳娜等[3]運用3Ds Max建立虛擬交通視景，通過改變標志標線自身屬性渲染出不同場景效果，通過專家打分法對不同場景進行比較以確定視認性最優的標志標線設置值。劉小明等[4]選取駕駛人信息需求程度構建基礎模型，引入理解度和信息量2個修正系數，建立了指路標志版面工效性評價模型。Ben-bassat [5]提出標志的易理解性會影響旅客及新手司機安全出行，通過分組實驗驗證符合人體工程學原則的標志設計更易于司機理解。Albalate等[6]通過數據分析和案例研究指出旅游強度是城市交通需求增長的一個影響因素，旅游給城市交通系統帶來明顯的需求壓力，論證了景區交通研究的必要性。

已有研究多在城市道路、高速公路或虛擬場景中對標志視認效率進行評價[7-8]，未考慮到景區與其他道路在交通道路特性方面的不同，忽視其評價工作的差異。同時，國內外的評價方法大多依賴專家經驗確定權重值，主觀影響較大[9]。本文通過駕駛人在景區道路實地視認交通標志時的視覺特性來確定視認效率評價指標，并利用基因選擇算法對所選指標進行客觀的重要度排序，運用功效系數法確定標準化的指標功效，進而建立景區交通標志視認效率客觀評價體系。

1 實驗方案

1.1 實驗人員及設備

為盡可能減少駕駛人特性對實驗結果帶來的不確定性影響，受試者整體構成比例及駕駛車型貼近自駕游主體出行人群特征，包括年齡、性別等，較少關注駕駛人性格差異，但考慮到駕駛人在景區道路順暢的條件下自駕出游時，心理狀態類似，結果具有一定的普適性[10]。對20名小型車駕駛人進行實地視線追蹤實驗。男性16名，女性4名，年齡為25～40歲，矯正視力正常，無弱視或色盲等視覺障礙，駕齡均超過2 a，有良好的駕駛經驗，且實驗過程中保持良好的身體狀況。

實驗設備為Tobii Glasses系列眼動儀和ErgoLAB人機環境同步系統。Tobii Glasses系列眼動儀采樣頻率大于等于50 Hz，瞳孔追蹤精度小于等于0.1°，視線追蹤精度小于等于0.3°，場景攝像機視野范圍為90°，分辨率為1 920×1 080像素，豎向角度可調，數據傳輸方式為USB。

實時采集受試者看到的真實場景和視認位置，應用在基于現實場景或實物的定性及定量的眼動分析研究。

1.2 實驗步驟

實驗人員向受試者說明實驗目的及過程中注意事項，并回答其疑問，使其盡量以平穩心態進行實驗，確保數據準確性。實驗開始前，受試者正確佩戴眼動儀，完成眼球確認和注視點確認。實驗過程中，受試者按照要求在景區道路按指定路線行駛，行駛過程中僅依靠交通標志引導駕駛，不得依靠手機、車載導航或問路等方式，車速控制在限定的安全速度內。結束后，以視頻形式輸出眼動儀所記錄場景，使用ErgoLAB人機環境同步系統進行分析處理數據，實驗流程如圖1所示。

1.3 數據獲取及分析

實驗采集行駛過程中20位駕駛人視認2組交通標志時的視覺特性數據，包括注視次數、單次注視時間、掃視時間、眨眼次數、聚焦點以及瞳孔直徑均值6種眼動行為數據，見表1。

截取駕駛人視認交通標志時段內的視頻，輸出各項數據。其中，目標區域內落在標志上的聚焦點占總聚焦點的比例記為有效注視點比例;眨眼次數與視認標志總時長的比值記為眨眼頻率，如圖1所示。

KS檢驗是用于檢驗數據是否符合某種分布的非參數檢驗，由于不需要知道數據的分布情況，在小樣本統計分析中效果較好。運用KS檢驗驗證實驗數據是否符合正態分布，原假設h0為數據符合正態分布，顯著性水平取0.05，對比結果，當P值小于0.05時，拒絕h0;查表得當樣本量為40時，臨界D值為0.22，當D值大于0.22時，拒絕H0，見表2。

5組數據均符合正態分布，在累計頻率15%和85%點附近有明顯轉折，在此區間內增速較快，表明在該區間內數據波動較大，在評價指標定量分析中可以運用百分位數法結合指標特性確定最優值和臨界值。

2 基于視覺特性的評價指標分析

2.1 評價指標的選取

交通標志視認效率多通過駕駛人在行駛過程中視認標志時的直觀感受評價。綜合考慮眼動儀輸出數據和選取原則，確定單塊交通標志注視時間（s）、單塊交通標志掃視時間（s）、眨眼頻率（次/s）、瞳孔直徑均值（mm）、有效注視點比例（%）及目標信息集中程度（%）為交通標志視認效率評價指標。

2.2 評價指標的分析

（1）單塊交通標志注視時間

注視時間為駕駛人讀取交通標志信息的時間，與標志所含信息量有直接關聯[11-13]。標志信息量高于正常值會增加駕駛人視認信息時間，使其視線長時間偏離道路。基于注視時間與標志信息量間的顯著相關性，本文以注視時間作為信息量衡量標準。區分不同路名/景點指示數量下的注視時間，提供一條指示信息記為1，依次類推，取最小指示數為2，最大指示數為7。指示數為6的標志，如圖3所示，指示信息量包含路名指示“陵園路”及景點方位指示“海底世界” “明孝陵” “中山陵” “靈谷寺景區” “美齡宮”。

改變交通標志指示數，重復實驗，計算在不同指示數條件下實驗數據組的第85%位單塊交通標志注視時間、第15%位單塊交通標志注視時間，為擬定單項指標最優值和臨界值提供參考。

（2）單塊交通標志掃視時間

掃視時間為駕駛人在交通標志中找尋到目標信息所用時間，與標志版面設計及設置位置相關聯。可通過掃視時間長短判斷交通標志信息設置是否顯著，若掃視時間過長，則標志信息設置不顯著[14-15]。計算實驗數據組的第85%位單塊交通標志掃視時間、第15%位單塊交通標志掃視時間。

（3）眨眼頻率

駕駛人在行駛過程中利用眨眼來緩解視疲勞，眨眼頻率越高表明駕駛人視負荷越大、視疲勞嚴重[16]。計算實驗數據組的第85%位眨眼頻率、第15%位眨眼頻率。

（4）瞳孔直徑均值

駕駛人行駛過程中的瞳孔直徑與駕駛環境的光線強弱呈反比關系。城市景區道路兩側栽種的大量植被樹木生長錯落，駕駛人在其間連續行駛時，光線強弱時有變化且整體相對于城市道路較弱、瞳孔直徑波動范圍更大。景區道路與城市道路在此項指標上差異性最為顯著。計算實驗數據組的第85%位瞳孔直徑均值、第15%位瞳孔直徑均值及平均瞳孔直徑均值。

（5）有效注視點比例

計算目標區域內標志注視點數量占總注視點的比例，用以評價空間內干擾物對駕駛人讀取、判斷標志信息的影響程度。當有效注視點比例過低，說明目標區域內存在干擾嚴重的現象。計算實驗數據組的第85%位有效注視點比例、第15%位有效注視點比例。

（6）目標信息集中程度

駕駛人在尋找并讀取交通標志的過程中，視線易受到道路兩側樹木、建筑和廣告牌等的遮擋和干擾。利用熱點圖中交通標志熱點覆蓋比例，分析駕駛人視認標志過程中的有效聚焦點，獲取駕駛人對交通標志版面信息的視線集中程度，信息集中程度越高越好。

3 基于基因選擇算法的指標重要度排序

基因選擇算法（SVM-RFE）是一種基于SVM最大間隔原理的特征選擇算法，通過多次迭代得到所有評價指標重要度排序，在判斷駕駛人行駛狀態中，可應用該算法對各項指標進行重要度排序，選取合適數量的指標構建判斷模型，提高模型準確度[17-18]。

用實驗數據訓練分類器，實驗數據為20組參與實驗人員實地駕駛時采集的視認數據，每條數據包括單塊交通標志注視時間、單塊交通標志掃視時間、眨眼頻率、瞳孔直徑均值、有效注視點比例和目標信息集中程度6項指標信息。計算所有指標的排序得分，在評價指標集中，去除最小排序得分的指標，對余下指標再次進行反復訓練，當評價指標集中只剩一個指標時迭代結束，得到按重要度排列的指標排序表，確定各指標對評價體系的影響程度[19]。

基于SVM-RFE算法的交通標志視認效率評價指標重要度排序流程如下。

步驟1：將實地視線追蹤實驗所得樣本數值按公式（1）進行標準化處理，歸一化至[-1，1]區間，消除各指標間數值差異，避免各指標數據單位量綱不同帶來的影響。

yi=2（xi-xmin）xmax-xmin-1 。 （1）

式中：yi為標準化后的數值;xi為原始數值;xmax為樣本數值中的最大值;xmin為樣本數值中的最小值。

步驟2：利用SVM-RFE算法對交通標志視認效率評價指標進行重要度排序。

步驟3：按指標重要度排序，根據各自指標的占比，確定每個指標對評價體系的影響程度，見表3。

直觀反映駕駛人視線集中程度、空間內多余信息干擾的目標信息集中程度指標排在重要度第一位，而反映景區道路與城市道路標志視認存在顯著性差異的瞳孔直徑均值指標排名第二位，該重要度排序主要反映景區道路空間和光線環境對標志視認的影響，也可知景區交通標志視認效率評價與城市道路存在差異。

4 交通標志視認效率評價體系

為將實驗數值轉化為可度量的結果，利用功效系數法結合各評價指標特性確定標準化的指標功效。根據SVM-RFE算法所確定的指標重要度，將標準化的指標功效按其各自的影響程度計入評價結果，構建景區道路交通標志視認效率評價體系，評價流程如圖4所示。

僅考慮目標信息集中程度，根據其指標特性，擬定最優值Cmax取值為100，其功效系數為1，擬定臨界值Cmin取值為60，其功效系數為0，建立目標信息集中度功效函數如下：

d1=1Cmax-Cmin（C-Cmin）。? （2）

式中：d1為目標信息集中程度指標功效;C為實測目標信息集中程度;Cmax為目標信息集中程度最優值;Cmin為目標信息集中程度臨界值。

對于瞳孔直徑均值，擬定平均值為最優值Dmax，其功效系數為1，擬定第15%位值、第85%位值為臨界值Dmin，1、Dmin，2，其功效系數為0，建立瞳孔直徑均值功效函數如下：

d2=1Dmax-Dmin，1（D-Dmin，1），0≤D

式中：d2為瞳孔直徑均值指標功效;D為實測瞳孔直徑均值;Dmax為瞳孔直徑均值最優值;Dmin，1、Dmin，2為瞳孔直徑均值臨界值。

對于有效注視點比例，擬定第85%位值為最優值Pmax，其功效系數為1，擬定第15%位值為臨界值Pmin，其功效系數為0，建立有效注視點比例功效函數如下：

d3=1Pmax-Pmin（P-Pmin） 。（4）

式中：d3為有效注視點比例指標功效;P為實測有效注視點比例;Pmax為有效注視點比例最優值;Pmin為有效注視點比例臨界值。

對于單塊交通標志注視時間，擬定第15%位值為最優值TF，max，其功效系數為1，擬定第85%位值為臨界值TF，min，其功效系數為0，建立單塊交通標志注視時間功效函數如下：

d4=1TF，max-TF，min（TF-TF，min）。 （5）

式中：d4為單塊交通標志注視時間指標功效;TF為實測單塊交通標志注視時間;TF，max為單塊交通標志注視時間最優值;TF，min為單塊交通標志注視時間臨界值。

對于眨眼頻率，擬定第15%位值為最優值Nmax，其功效系數為1，擬定第85%位值為臨界值Nmin，其效系數為0，建立眨眼頻率功效函數如下：

d5=1Nmax-Nmin（N-Nmin） 。（6）

式中：d5為眨眼頻率指標功效;N為實測眨眼頻率;Nmax為眨眼頻率最優值;Nmin為眨眼頻率臨界值。

對于單塊交通標志掃視時間，擬定第15%位值為最優值TS，max，其功效系數為1，擬定第85%位值為臨界值TS，min，其功效系數為0，建立單塊交通標志掃視時間功效函數如下：

d6=1TS，max-TS，min（TS-TS，min）。 （7）

式中：d6為單塊交通標志掃視時間指標功效;TS為實測單塊交通標志掃視時間;TS，max為單塊交通標志掃視時間最優值;TS，min為單塊交通標志掃視時間臨界值。

單項評價指標最優值及臨界值取值，見表4。

單項指標取值合理區間內功效值為[0，1]，對超出取值范圍的功效值，按公式（8）處理，即不合理區間內指標功效值為負。

di=di，? di<01-di，di>1。（8）

結合SVM-RFE算法求得每個指標對評價體系的影響程度，可求出評價對象整體功效，為平衡負數功效值帶來的影響，并直觀地展示評價結果，參考百分制評分法，將功效值轉化為百分制的效率值。引入基準分的概念，取臨界值即合理區間極限值作為基準，以60分即及格分作為基準分，功效值乘以40，將兩者相加，得到評價結果如公式（9）所示，構建交通標志視認效率評價體系。

E=∑6i=1wi×（di×40+60）。 （9）

式中：E為交通標志視認效率評價結果;wi為各評價指標重要度;di為各評價指標功效。

參考百分制五等級判斷標準評判視認效率結果，見表5。

5 視認效率評價應用

選取南京鐘山風景名勝區為例，南京鐘山風景名勝區總面積34.91 km2，劃分為玄武湖景區、山北景區、北岳景區、陵園景區和山南景區。駕駛人行駛路線及沿路重要交通標志如圖4所示。

采用所構建評價體系評價景區內交通標志視認效率。運用功效系數法對所得數據進行標準化處理，得到單項指標功效，選取中位數值作為單項指標評價結果，按重要度累加得到景區交通標志視認效率評價結果，見表6。

南京鐘山風景名勝區交通標志視認效率評價結果如公式（10）所示。

E=∑6i=1wi×（di×40+60）=78.02。 （10）

由此看出，交通標志視認效率屬中等水平，存在不足。單塊交通標志掃視時間、瞳孔直徑均值和有效注視點比例3項眼動指標功效較低，說明駕駛人在尋找讀取標志信息時容易受到干擾物影響，景區交通標志設置顯著性不足。瞳孔直徑均值整體偏低，可以看出駕駛人在景區道路行駛時駕駛環境光線較弱。

針對視認評價結果反映出標志設置的不足，對標志設置進行如下調整。

（1）景區照明環境：南京鐘山風景名勝區開放時間為白天，為減少燈光對動植物的干擾，故景區內照明環境雖偏暗，但不建議通過增設或調亮路燈等方式變動景區照明環境。

（2）交通標志版面設置：標志還存在部分格式不統一等問題，需規范版面設計、尺寸大小。對于一桿多標志的標志桿，需優化信息排列方式，突出重要信息，便于駕駛人快速讀取目標信息。景區照明環境受多方因素影響，難以調節，可通過提升標志本身的反光性能，或設置為主動發光式標志牌[20]，以緩解景區光線較弱給駕駛人視認標志帶來的不利影響。

（3）交通標志設置方式：現有標志設置方式主要有懸臂式和立柱式，由于景區道路多為雙車道，故無須擔心內側車道駕駛人視線被遮擋。對懸臂式標志，根據道路兩側樹木生長情況如高度、枝杈等，合理確定懸臂桿的高度和臂長，避免樹木遮擋標志信息，增加標志的顯著性，減少信息找尋讀取時間。對立柱式標志，根據駕駛人視認角度和道路環境，選擇合適高度，并使其設置位置可稍向近車道側偏移，避免被前后樹木遮擋。

6 結束語

（1）本文通過實地視線追蹤實驗獲取駕駛人在景區道路視認交通標志的視認特性，基于實驗結果和選取原則確定景區道路交通標志視認效率評價指標，采用基因選擇算法（SVM-RFE）對交通標志視認效率評價指標進行客觀排序，目標信息集中程度和瞳孔直徑均值2項指標重要度位居前兩位，表明景區交通標志設置時應多關注道路空間及光線環境。

（2）利用實驗數值和指標特性確定各評價指標的最優值和臨界值，其中目標信息集中程度最優值為1，瞳孔直徑均值最優值為2.635 mm，合理值區間上下限分別為3.010 mm和2.330 mm。本文所得指標數值合理取值區間，可從駕駛人視認感知角度為景區交通設施設計提供參考。

（3）實證運用建立的評價體系獲取單項指標功效及整體交通標志視認效率，總體得分78.02分，其中單塊交通標志掃視時間指標得分最低，僅為71.76分，對結果進行分析，可知景區道路標志視認主要存在標志顯著性不夠及駕駛環境光線較弱等問題，提出針對性改進方向，也可看出景區道路標志視認與城市道路標志視認存在顯著差異。

該評價方法可為同類景區及林區道路交通標志的正確設置提供參考，表明景區交通標志設置有別于城市道路需額外關注的問題，為保障景區行車安全及交通設計提供參考。

【參 考 文 獻】

[1]錢琳琳. 大型旅游景區交通組織與管理方法研究[D]. 南京： 東南大學， 2015.

QIAN L L. Study on the traffic management plan of large tourist attractions[D]. Nanjing： Southeast University， 2015.

[2]桂零， 袁黎， 蔡明杰. 基于人類工效學的指路標志視認性研究[J]. 交通運輸研究， 2016， 2（5）： 33-38.

GUI L， YUAN L， CAI M J. Recognition of guide sign based on ergonomics[J]. Transport Research， 2016， 2（5）： 33-38.

[3]陳娜， 張俊友， 姬全健. 基于虛擬現實技術的交通標志視認性實驗分析方法[J]. 重慶交通大學學報（自然科學版）， 2014， 33（4）： 134-137.

CHEN N， ZHANG J Y， JI Q J. Experimental analysis method of traffic sign legibility based on virtual reality technology[J]. Journal of Chongqing Jiaotong University （Natural Science）， 2014， 33（4）： 134-137.

[4]劉小明， 張偉， 魏中華， 等. 指路標志版面評價與優化[J]. 北京工業大學學報， 2015， 41（1）： 95-102.

LIU X M， ZHANG W， WEI Z H， et al. Evaluation and optimization of traffic guide sign layout[J]. Journal of Beijing University of Technology， 2015， 41（1）： 95-102.

[5]BEN-BASSAT T. Are ergonomically designed road signs more easily learned？[J]. Applied Ergonomics， 2019， 78： 137-147.

[6]ALBALATE D， BEL G. Tourism and urban public transport： Holding demand pressure under supply constraints[J]. Tourism Management， 2010， 31（3）： 425-433.

[7]SCHROM-FEIERTAG H， SETTGAST V， SEER S. Evaluation of indoor guidance systems using eye tracking in an immersive virtual environment[J]. Spatial Cognition & Computation， 2017， 17（1/2）： 163-183.

[8]劉博華. 基于仿真技術的駕駛員標志視認安全性研究[D]. 北京： 北京工業大學， 2012.

LIU B H. Drivers visual cognition safety research of traffic signs based on simulation technology[D]. Beijing： Beijing University of Technology， 2012.

[9]王羽塵， 劉宇航， 白瑩佳. 基于數據包絡分析的單向交通網絡運行效率評價[J]. 交通運輸研究， 2019， 5（4）： 89-96.

WANG Y C， LIU Y H， BAI Y J. Evaluation on operating efficiency of one-way traffic network based on data envelopment analysis[J]. Transport Research， 2019， 5（4）： 89-96.

[10]戴權， 王芳， 倪安寧. 認知過程中交通標志視認有效性影響因素分析[J]. 中國安全科學學報， 2009， 19（12）： 57-60.

DAI Q， WANG F， NI A N. Influence factors of traffic sign comprehension effectiveness in cognitive process[J]. China Safety Science Journal， 2009， 19（12）： 57-60.

[11]陳孟柯， 馬健霄， 陸濤， 等. 高速公路隧道行車視覺特性分析[J]. 交通信息與安全， 2019， 37（3）： 86-92.

CHEN M K， MA J X， LU T， et al. Visual characteristics of drivers for driving through freeway tunnel[J]. Journal of Transport Information and Safety， 2019， 37（3）： 86-92.

[12]徐志， 關宏志， 嚴海， 等. 交通標志文字信息駕駛員眼動視認特性[J]. 北京工業大學學報， 2011， 37（12）： 1830-1835.

XU Z， GUAN H Z， YAN H， et al. Driver eye movement features on text message from traffic signs[J]. Journal of Beijing University of Technology， 2011， 37（12）： 1830-1835.

[13]裴玉龍， 張馨予. 基于視認特性的指路標志版面不同區域視認效果研究[J]. 森林工程， 2020， 36（4）： 109-115.

PEI Y L， ZHANG X Y. Research on visual effect of different areas of guide sign layout based on characteristics of recognition[J]. Forest Engineering， 2020， 36（4）： 109-115.

[14]施麗莎， 陸濤， 周智文， 等. 基于視覺追蹤的導向標志評價體系設計[J]. 交通運輸研究， 2019， 5（2）： 36-44.

SHI L S， LU T， ZHOU Z W， et al. Evaluation system of guidance signs based on visual tracking[J]. Transport Research， 2019， 5（2）： 36-44.

[15]周智文，馬健霄，譚婷.公路毗鄰隧道群路段駕駛人視覺穩定性評價[J].森林工程，2020，36（4）：116-122.

ZHOU Z W， MA J X， TAN T. Evaluation of drivers' visual stability in highway adjacent tunnel group sections[J]. Forest Engineering， 2020， 36（4）： 116-122.

[16]丁袁， 馬健霄， 潘義勇. 有無信號控制路段下行人過街眼動特性研究[J]. 交通信息與安全， 2019， 37（2）： 40-47.

DING Y， MA J X， PAN Y Y. Characteristics of eye movements of pedestrians crossing with or without signal control[J]. Journal of Transport Information and Safety， 2019， 37（2）： 40-47.

[17]宋志新.無人駕駛汽車制動系統模糊控制研究[J].自動化技術與應用，2019，38（10）：16-19.

SONG Z X. Research on fuzzy control of braking system of unmanned vehicles[J]. Techniques of Automation and Applications， 2019， 38（10）：16-19.

[18]張輝， 錢大琳， 邵春福， 等. 模擬駕駛環境下駕駛人分心狀態判別[J]. 中國公路學報， 2018， 31（4）： 43-51.

ZHANG H， QIAN D L， SHAO C F， et al. Drivers distraction states identification in simulating driving environment[J]. China Journal of Highway and Transport， 2018， 31（4）： 43-51.

[19]MA Y L， LI Z X， LI Y C， et al. Driving style estimation by fusing multiple driving behaviors： a case study of freeway in China[J]. Cluster Computing， 2019， 22（4）： 8259-8269.

[20]LIOU J J， WU C F. Assessment of drivers visual perception of information displayed in LED traffic signs at road construction sites[J]. Journal of the Society for Information Display， 2017， 25（1）： 53-60.