(西安交通大學 機械工程學院， 西安 710049)

0 引言

疲勞駕駛是指汽車駕駛員在長期連續(xù)駕駛汽車后，心理機能和生理機能都產(chǎn)生了失調(diào)，導致駕駛員在駕駛反應(yīng)和技能上出現(xiàn)下降的狀況[1]。疲勞駕駛的產(chǎn)生是因為駕駛員長時間駕駛汽車或駕駛員的睡眠不足[2]。當駕駛員疲勞駕駛汽車時會使駕駛員在注意力、感覺、意志和思維等方面出現(xiàn)下降的現(xiàn)象，甚至會出現(xiàn)駕駛動作過早或延誤、操作時間不當、出現(xiàn)記憶瞬間消失及精神恍惚等不安全的因素，很容易發(fā)生交通事故[3-4]。我國交通部門對“疲勞駕駛經(jīng)歷”進行問卷調(diào)查，發(fā)現(xiàn)有70%的駕駛員在開車時出現(xiàn)打瞌睡的情況，有90%的駕駛員睡眠時間都在8小時以下，50%的駕駛員睡眠時間在7小時以下[5]。根據(jù)調(diào)查發(fā)現(xiàn)我國每年有一多半的交通事故是因為疲勞駕駛造成的，并因疲勞駕駛造成交通事故的經(jīng)濟損失高達數(shù)千億，同時造成了大量的人員傷亡[6]。目前國內(nèi)的疲勞駕駛監(jiān)測預警方法存在獲取規(guī)律難、監(jiān)測預警方法得不到統(tǒng)一評價標準、監(jiān)測靈敏度低、可靠性差的問題[7]。為此，提出一種疲勞駕駛多元性智能監(jiān)測預警方法。

疲勞駕駛監(jiān)測預警是避免因睡眠不足和長時間疲勞駕駛而造成交通事故的主要方法。為了使疲勞駕駛監(jiān)測預警方法更好的應(yīng)用到行車駕駛中，需要對疲勞駕駛監(jiān)測預警方法進行深入的分析和研究。文獻[8]提出了一種基于機器視覺的疲勞駕駛監(jiān)測預警方法，該方法通過縮小監(jiān)測預警擬合點的取值范圍，減少監(jiān)測預警擬合點所用的時間，根據(jù)人眼前后移動和大小的不同提取人眼的輪廓特征參數(shù)。采用歸一化的方法減少人眼特征提取的誤差，通過連續(xù)幀分析的方法對駕駛員的疲勞狀態(tài)進行判定，該方法的實時性較高，但監(jiān)測預警的結(jié)果誤差較大。文獻[9]提出了一種基于人眼狀態(tài)信息的非接觸式疲勞駕駛監(jiān)測預警方法，該方法以人眼的圖像信息為標準，建立一個單位時間內(nèi)駕駛員非正常狀態(tài)時間所占百分比的疲勞駕駛監(jiān)測預警判斷模型。通過紅外光源對駕駛員的眼睛進行主動照明，金屬半導體攝像頭對駕駛員人眼的圖像信息進行采集，采用Adaboost算法對人眼進行準確定位，并利用Harris強角點監(jiān)測駕駛員人眼的中心，采集駕駛員視線內(nèi)的信息，判斷駕駛員的疲勞狀態(tài)，該方法的抗干擾性強，但監(jiān)測預警所用時間較長。文獻[10]提出了一種多算法融合的疲勞駕駛監(jiān)測預警方法，該方法通過Otsu算法識別駕駛員眼睛中的圖像信息，采用動態(tài)滑動窗口算法計算駕駛員眨眼的閾值，并通過PERCLOS算法對駕駛員的疲勞狀態(tài)進行估算，根據(jù)駕駛環(huán)境的變化采用攝像頭收集駕駛員眼中的圖像信息，判斷駕駛員的不同疲勞狀態(tài)，該方法可以快速的分辨駕駛員的疲勞狀態(tài)，但成本較高。根據(jù)傳統(tǒng)方法存在監(jiān)測預警結(jié)果誤差高、監(jiān)測所用時間長、成本高等問題，提出了一種疲勞駕駛多源性智能監(jiān)測預警方法。

1 基于智能移動終端的汽車疲勞駕駛監(jiān)測預警方法

在汽車的正常行駛中，首先通過計算固定在駕駛員右上方的智能移動終端加速傳感器X、Y、Z三個方向在水平面上的加速度，得到3個方向的加速度和，進而算出駕駛員水平方向駕駛汽車的加速度，對駕駛員的疲勞駕駛狀態(tài)進行判定。

開始監(jiān)測時汽車停在水平的道路上并處于靜止狀態(tài)，此時汽車水平方向的加速度為0，智能移動終端的加速傳感器X、Y、Z三個方向在水平面上的加速度和為0，智能移動終端的加速傳感器中X軸在水平面上的投影方向為Y軸，水平面垂直Y軸的方向為X軸，如圖1所示。

圖1 水平方向投影示意圖

智能移動終端的加速傳感器X、Y、Z三個方向是兩兩相互垂直的，在計算時取X、Y、Z的絕對值，其中地球的重力方向是豎直向下的，加速度取值為9.8 m/s2，智能移動終端加速傳感器X、Y、Z三個方向與水平地面的夾角分別是α、β、γ，3個夾角的正弦值分別為x/9.8、y/9.8、z/9.8，在水平方向加速度的計算公式如下：

(1)

(2)

(3)

智能移動終端加速傳感器水平方向的3個方向初始加速度和為0 m/s2，進行智能監(jiān)測分析后，可得出下列等式：

a=bsinθ1+csinθ2

(4)

(5)

在駕駛員實際駕駛汽車時，智能移動終端的θ1和θ2都是小于90度的，此時智能移動終端的加速度正弦值取比0大的一組，計算公式為：

(6)

(7)

將公式(1)、(2)、(3)帶入公式(6)、(7)中可以得到駕駛員水平方向駕駛汽車的加速度，計算公式如下：

(8)

在基于智能移動終端的汽車疲勞駕駛監(jiān)測預警方法中，地球的重力加速度的取值定為9.8 m/s2，并且地球的水平面與汽車的水平面會存在一定角度，這些因素不可避免，所以基于智能移動終端的汽車疲勞駕駛監(jiān)測預警方法不可避免的存在一定誤差。

2 疲勞駕駛多源性智能監(jiān)測預警方法

2.1 駕駛員圖像預處理

使用疲勞駕駛多源性智能監(jiān)測預警方法對駕駛員眼睛中的圖像信息進行跟蹤和定位之前，應(yīng)該先對攝像頭采集的圖像進行原始圖像預處理，駕駛員圖像預處理是通過采集駕駛員圖像中的像素灰度分布密度函數(shù)進行圖像灰度的變換，計算采集的駕駛員圖像信息灰度值，得到駕駛員圖像中像素灰度分布范圍和密度，為后續(xù)的監(jiān)測和預警工作做準備。

采集的駕駛員圖像中包含了大量的信息，通過計算駕駛員圖像信息的灰度值，得到一個函數(shù)，計算公式如下：

(9)

式中:k=0,1,2,…,L-1，rk代表的是駕駛員圖像k級的灰度值，nk表示的是存在灰度值rk圖像的數(shù)量，n所表示的是駕駛員圖像中的像素總和，L代表的是駕駛員圖像中的總灰度級別。Pr(rk)體現(xiàn)了rk在駕駛員圖像中出現(xiàn)的概率，通過計算Pr(rk)可以得到駕駛員圖像中灰度分布的準確范圍。通過改變駕駛員圖像的原始像素分布狀態(tài)，使像素灰度均勻的分散在駕駛員圖像的灰度范圍空間內(nèi)，增強了駕駛員圖像的顯示效果。

對駕駛員圖像進行預處理時，在像素分布密度大的地方進行擴大，增強駕駛員圖像的對比度；在像素分布密度較小的部分進行壓縮，減小駕駛員圖像的對比度，駕駛員像素分布密度變化計算公式如下：

(10)

經(jīng)過監(jiān)測預警方法的圖像預處理后，駕駛員圖像中像素的分布密度較為均衡、平坦，駕駛員圖像變得更加明亮、清晰，提高了駕駛員圖像的整體顯示效果，采集的駕駛員圖像使用價值變高。

課文大多語言文字富有特色，是學生習作的好范文。怎樣引導學生體會文本的語言特色呢？我們運用“段落大PK”的方法進行對比閱讀。

2.2 疲勞駕駛圖像多源性特征跟蹤監(jiān)測預警

對駕駛員圖像進行預處理后，采用卡爾曼濾波算法對駕駛員的圖像信息進行跟蹤，得到駕駛員各個時間內(nèi)的狀態(tài)估計值，最后，通過計算駕駛員狀態(tài)估計值判斷駕駛員是否存在疲勞狀態(tài)。卡爾曼濾波算法對駕駛員行駛過程中的面部特征、車輛狀態(tài)、眼部特征、方向盤特征和嘴部特征方面對疲勞駕駛的監(jiān)測和預警進行分析，以駕駛員圖像的嘴部圖像為例：采集第t個駕駛員圖像，對駕駛員圖像進行預處理得到駕駛員嘴部區(qū)域，每個采集的駕駛員圖像嘴部狀態(tài)都可以用速度和位置進行表示。設(shè)(xt,yt)代表駕駛員圖像的嘴部區(qū)域的中心點在第t個圖像中的像素位置，(ux,vy)代表的是駕駛員圖像嘴部區(qū)域的中心點在第t個圖像中的方向和速度，駕駛員圖像嘴部區(qū)域的狀態(tài)向量用Xt表示。

Xt=(xt,yt,ux,vy)T

(11)

在疲勞駕駛多源性智能監(jiān)測預警方法中，第t+1個駕駛員圖像嘴部區(qū)域的狀態(tài)向量為Xt+1，計算公式如下：

Xt+1=AtXt+Wt

(12)

式中:At所代表的是駕駛員圖像嘴部區(qū)域狀態(tài)的轉(zhuǎn)移矩陣，Wt代表的是駕駛員圖像嘴部區(qū)域狀態(tài)的噪聲。設(shè)兩個相鄰的駕駛員圖像中嘴部區(qū)域的狀態(tài)變化不大，計算駕駛員圖像間的運動恒定，駕駛員嘴部區(qū)域的狀態(tài)轉(zhuǎn)移矩陣如下：

(13)

設(shè)疲勞駕駛多源性智能監(jiān)測預警方法中駕駛員圖像的觀測向量為Zt，表示在第t個駕駛員圖像中嘴部區(qū)域的估計值。

Zt=(xt,yt)

(14)

Zt=HtXt+Vt

(15)

式中:Ht表示的是疲勞駕駛多源性智能監(jiān)測預警方法中駕駛員圖像測量和狀態(tài)的轉(zhuǎn)移矩陣，Vt所代表的是駕駛員圖像中的測量噪聲。Ht的表達公式如下：

(16)

3 實驗結(jié)果分析

3.1 實驗步驟

1)分別采用本文方法和基于Android平臺的疲勞駕駛監(jiān)測預警方法進行丟包率測試。

2)分別采用本文方法和文獻[9]方法、文獻[10]方法進行疲勞駕駛多源性智能監(jiān)測預警方法的性能測試，對比兩種不同方法的多源性。

3)采用本文方法和文獻[8]方法進行疲勞駕駛監(jiān)測預警方法的抗干擾性測試。

4)通過參數(shù)rk對疲勞駕駛多源性智能監(jiān)測預警方法的灰度值計算效率進行測試。

3.2 實驗結(jié)果分析

本次實驗在重慶市機場高速路段完成，測試時機動車以80千米/小時的速度在重慶機場高速路段上進行折返行駛，進行實驗時天氣狀況為中雨。圖2為疲勞駕駛多源性智能監(jiān)測預警方法采集駕駛員圖像信息。

圖2 駕駛員圖像信息

分別采用本文方法和基于Android平臺的疲勞駕駛監(jiān)測預警方法進行測試，對比兩種方法的丟包率(%)，丟包率指的是在進行監(jiān)測預警實驗時丟失的數(shù)據(jù)包數(shù)量占發(fā)送總數(shù)據(jù)包的比率，對比結(jié)果如表1所示。

表1 兩種不同方法的丟包率對比

分析表1可知，本文方法的平均丟包率為7.6%，基于Android平臺的疲勞駕駛監(jiān)測預警方法的平均丟包率為38.7%，通過對比可知本文方法的平均丟包率比基于Android平臺的疲勞駕駛監(jiān)測預警方法的平均丟包率低?；贏ndroid平臺的疲勞駕駛監(jiān)測預警方法將采集駕駛員圖像信息的攝像頭安置在機動車方向盤中心的后方，每隔2秒對機動車駕駛過程中方向盤的轉(zhuǎn)角速度和加速度進行計算并儲存，然后每隔12秒從數(shù)據(jù)庫中提取圖像信息作為疲勞駕駛級別的判定指標，通過計數(shù)模型判斷疲勞駕駛的級別，對不同級別的疲勞駕駛采取不同程度的預警措施。基于Android平臺的疲勞駕駛監(jiān)測預警方法收集駕駛員圖像信息和處理信息的過程較為復雜、所用時間長，數(shù)據(jù)在傳輸過程中容易丟失，該方法的丟包率較高。

分別采用本文方法和文獻[9]方法、文獻[10]方法進行疲勞駕駛多源性智能監(jiān)測預警方法的性能測試，對比3種不同方法的多源性，對比結(jié)果如表2所示。

表2 3種不同方法的多源性對比p

分析表2可知，本文方法的疲勞駕駛監(jiān)測來源有面部特征、車輛狀態(tài)、眼部特征、嘴部特征、方向盤特征。文獻[9]方法建立駕駛疲勞監(jiān)測預警判斷模型，以人眼的圖像信息為標準，主要通過紅外光源對駕駛員的眼睛進行主動照明，采用Adaboost算法對駕駛員眼部的圖像信息進行準確定位，并利用Harris角點檢測算法監(jiān)測駕駛員眼部的圖像視覺中心，獲得駕駛員視線內(nèi)的信息，由此判斷駕駛員的疲勞狀態(tài)，可見采用該方法進行疲勞駕駛監(jiān)測預警過程中，監(jiān)測的主要目標僅有眼部特征，對于駕駛者以及車況的監(jiān)測所選目標較少，文獻[10]方法通過Otsu算法識別駕駛員眼中的圖像信息，采用動態(tài)滑動窗口算法得到駕駛員眨眼的閾值，并通過PERCLOS算法對駕駛員的疲勞狀態(tài)進行估算，根據(jù)駕駛環(huán)境的變化采用攝像頭收集人眼中的圖像，以此判斷駕駛員的不同疲勞狀態(tài)。該方法對于駕駛員疲勞駕駛的判定依據(jù)主要是眼部特征和面部特征，當實際行駛環(huán)境為大霧或是雨天時，僅通過上述兩種特征對駕駛者存在的疲勞駕駛狀態(tài)進行判定，對于后續(xù)進行監(jiān)測預警得出的結(jié)果存在一定程度上的誤差。對比可知本文方法的疲勞駕駛監(jiān)測來源要遠遠多于文獻[9]方法和文獻[10]方法，本文方法針對于疲勞駕駛監(jiān)測預警相應(yīng)的參考來源范圍較廣，具有智能多源性特點。

分別采用本文方法和文獻[8]方法進行疲勞駕駛多源性智能監(jiān)測預警方法的性能測試，在兩種方法正常工作時加入干擾信號，對比兩種方法的抗干擾性(%)，對比結(jié)果如圖3所示。

圖3 兩種不同方法的抗干擾性對比

分析圖3可知，圖3(a)表示的本文方法正常運行時的數(shù)據(jù)傳輸信號，圖3(b)表示的是加入干擾信號的本文方法數(shù)據(jù)傳輸信號，對比圖3(a)和(b)可知，本文方法在加入干擾信號前后的數(shù)據(jù)傳輸信號沒有太大波動。圖3(c)表示的是文獻[8]方法正常運行時的數(shù)據(jù)傳輸信號，圖3(d)表示的是文獻[8]方法加入干擾信號后的數(shù)據(jù)傳輸信號。分析圖3(c)和(d)可知，文獻[8]方法在加入干擾信號后的數(shù)據(jù)傳輸信號波動較大，因為文獻[8]方法通過縮小監(jiān)測預警擬合點的取值范圍，減少監(jiān)測預警擬合點所用的時間，根據(jù)人眼前后移動和大小的不同提取人眼的輪廓特征參數(shù)。采用歸一化的方法減少人眼特征提取的誤差，通過連續(xù)幀分析的方法對駕駛員的疲勞狀態(tài)進行判定，該方法的抗干擾性較低。

表3是疲勞駕駛多源性智能監(jiān)測預警方法中參數(shù)rk對計算駕駛員圖像灰度值效率的影響，當此參數(shù)控制在1.5～1.6區(qū)間時，疲勞駕駛多源性智能監(jiān)測預警方法計算圖像灰度值的效率最高，像素灰度均勻的分散在駕駛員圖像的灰度范圍空間內(nèi)，增強了駕駛員圖像的顯示效果。

表3 參數(shù)rk對監(jiān)測預警方法計算灰度值的效率影響

通過表3可知，疲勞駕駛多源性智能監(jiān)測預警方法中參數(shù)rk對灰度值計算效率有著深度影響，當參數(shù)在1.5～1.6區(qū)間內(nèi)疲勞駕駛多源性智能監(jiān)測預警方法的灰度值計算效率明顯高于其他區(qū)間內(nèi)參數(shù)的灰度值計算效率，當參數(shù)在1.5～1.6區(qū)間時，疲勞駕駛多源性智能監(jiān)測預警方法的灰度值計算效率在96.57%～98.76%之間，進一步證明了本文所提的疲勞駕駛多源性智能監(jiān)測預警方法的可實現(xiàn)性。

4 結(jié)論

疲勞駕駛多源性智能監(jiān)測預警方法是避免因疲勞駕駛產(chǎn)生的交通事故，減少人員傷亡和經(jīng)濟損失的主要方法，傳統(tǒng)的疲勞駕駛監(jiān)測預警方法存在誤差高、監(jiān)測時間長、成本高等問題，本文方法在解決以上問題的基礎(chǔ)上，對疲勞駕駛監(jiān)測預警方法的丟包率、多源性、抗干擾性和計算效率進行改進和提升，為駕駛員安全駕駛提供了保障。

[1]曹國震, 彭 寒, 譚 偉. 基于FPGA的疲勞駕駛檢測算法研究與設(shè)計[J]. 電子設(shè)計工程, 2016, 24(12):165-167.

[2]宮法明. 交通駕駛員臉疲勞駕駛行為優(yōu)化圖像識別[J]. 計算機仿真, 2015, 32(11):199-202.

[3]陳永高, 單豪良. 基于BIM與物聯(lián)網(wǎng)的地下工程施工安全風險預警與實時控制研究[J]. 科技通報, 2016, 32(7):94-98.

[4]陳曉靜, 戚春華, 朱守林,等. 基于表面肌電的草原公路駕駛員局部肌肉疲勞試驗研究[J]. 科學技術(shù)與工程, 2015, 15(4):278-282.

[5]陳 軍, 陸嬌藍, 劉 堯,等. 基于云計算的多特征疲勞駕駛檢測系統(tǒng)研究與設(shè)計[J]. 計算機測量與控制, 2015, 23(10):3341-3343.

[6]付 銳, 程文冬, 張名芳,等. 基于動態(tài)匹配模型的駕駛?cè)俗觳啃袨樽R別與分級預警[J]. 汽車工程, 2015, 37(9):1095-1102.

[7]王冬梅, 馮 偲, 王海鵬,等. 疲勞駕駛檢測中基于稀疏表示的眼睛狀態(tài)識別研究[J]. 影像科學與光化學, 2016, 34(1):95-101.

[8]何 鵬, 劉高凱, 李靜輝. 基于機器視覺的疲勞駕駛監(jiān)測預警系統(tǒng)[J]. 廣西師范大學學報(自然科學版), 2015, 33(4):25-29.

[9]李建平, 牛燕雄, 楊 露,等. 基于人眼狀態(tài)信息的非接觸式疲勞駕駛監(jiān)測與預警系統(tǒng)[J]. 激光與光電子學進展, 2015, 52(4):83-88.

[10]陳東偉, 張 喆, 韓 娜,等. 多算法融合的疲勞駕駛監(jiān)測算法設(shè)計與實現(xiàn)[J]. 太原理工大學學報, 2016, 47(4):518-522.