張皓月　周銘哲　徐韜茗　李紫云

關(guān)鍵詞：交通風險評估；樹莓派；疲勞駕駛；Logistic 回歸模型

中圖分類號：U463.6；U491.31；TP391.41 文獻標識碼：A

0 引言

道路交通運輸是我國重要的運輸方式之一，在社會經(jīng)濟發(fā)展中發(fā)揮著至關(guān)重要的作用。據(jù)統(tǒng)計，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帶來了巨大損害。

通過對高速公路交通事故的統(tǒng)計分析發(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，駕駛員疲勞駕駛導致的交通事故比例更是高達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 駕駛風險評估系統(tǒng)設(shè)計

1.1 系統(tǒng)硬件設(shè)計

該系統(tǒng)硬件部分以樹莓派4B 作為主控模塊；采用攝像頭進行圖像采集；采用OLED（有機發(fā)光二極管）顯示屏作為顯示模塊；采用舵機云臺實現(xiàn)運動跟蹤，為實現(xiàn)人臉動態(tài)跟蹤，其硬件上采用了舵機云臺作為執(zhí)行機構(gòu)，執(zhí)行器采用兩個舵機，分別完成x 軸和y 軸兩維的運動控制；采用USB 揚聲器作為語音播報模塊，在監(jiān)測過程中完成相應(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

1.2.1 駕駛疲勞檢測軟件設(shè)計

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

同時系統(tǒng)又結(jié)合PID 算法，在檢測到人臉的基礎(chǔ)上采用位置式PID 控制舵機云臺，使其完成對駕駛員人臉的運動跟蹤，實現(xiàn)在不同駕駛狀態(tài)下進行監(jiān)測[7]；并在駕駛員處于疲勞狀態(tài)時對其進行語音播報提醒。疲勞駕駛監(jiān)測系統(tǒng)軟件算法框圖如圖2所示。

在檢測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作為輸入，以舵機為執(zhí)行機構(gòu)，將輸出給到舵機云臺，使其做出相應(yīng)的跟蹤。云臺PID 控制系統(tǒng)功能框圖如圖3所示。

1.2.2 Logistic 風險評價模型設(shè)計

通過對事故數(shù)據(jù)和以往研究成果的統(tǒng)計分析，證實了“人—車—路—環(huán)境”4 個方面是影響高速公路交通安全的主要風險因素來源；只基于單一類型風險因素建模，可能會導致評價結(jié)果偏差。因此本文綜合人、車、路、環(huán)境4 個方面對駕駛員駕駛風險進行預測評價[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)導入SPSS 軟件中。

根據(jù)Logistic 回歸理論從人、車、路、環(huán)境4 個方面對駕駛風險相關(guān)因素的影響程度進行探析和定量化，對特征變量進行賦值。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 個方面的駕駛風險預測評價模型。

2 駕駛風險系統(tǒng)測試及分析

2.1 疲勞監(jiān)測功能測試及分析

最終測試的軟件環(huán)境為OpenCV-3.4.3+dlib-19.22，在背光與對光兩種環(huán)境下，對3 名駕駛員的眼睛（1號駕駛員眼睛大小中等，2 號較小，3 號較大）各測試10 次，運行程序，得到其疲勞識別率背光與對光環(huán)境測試數(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3 名駕駛員疲勞駕駛時眼部的平均識別率為83.3%，其嘴部平均識別率為93.3%，綜合計算為88.3%，其效果一般。分析原因有二：其一為背光下存在檢測不到人臉的情況；其二為系統(tǒng)對眼睛較小的眼部識別率較低，因為眼睛小，EAR 區(qū)別度小，對識別率有一定的影響。

由表3 可知，本系統(tǒng)在對光環(huán)境下對疲勞駕駛識別率達90% 以上，可對駕駛員的疲勞駕駛起到監(jiān)測作用。

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

圖4 中曲線1 為x 軸舵機的動態(tài)響應(yīng)曲線，曲線2 為y 軸舵機的動態(tài)響應(yīng)曲線，曲線3 為x 軸舵機目標值曲線，曲線4 為y 軸舵機目標值曲線。分別對曲線1 和曲線2 關(guān)鍵點進行標點，其中P3、P5、P7、P9 表示每次擺頭后人臉中心點在圖像中的新x 軸坐標，P4、P6、P8、P10 表示每次擺頭后云臺跟蹤人臉穩(wěn)定后人臉中心點在圖像中的x 軸坐標；P3'、P5'、P7'、P9' 表示每次擺頭后人臉中心點在圖像中的新y 軸坐標，P4'、P6'、P8'、P10' 表示每次擺頭后云臺跟蹤人臉穩(wěn)定后人臉中心點在圖像中的y 軸坐標。

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

2.2 Logistic 風險評價模型檢驗

模型系數(shù)的綜合檢驗如表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的OR（比值比）值具有統(tǒng)計學意義，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（表6）來檢驗本系統(tǒng)模型的擬合優(yōu)度。當P 值不小于檢驗水準時（P ≥ 0.05），表示數(shù)據(jù)中的信息已被充分提取，即預測值與真實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時疲勞檢測結(jié)果，并基于二元Logistic 回歸模型建立了綜合“人—車—路—環(huán)境”多因素的駕駛風險評估系統(tǒng)。將基于面部多特征的疲勞駕駛檢測結(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，建立駕駛風險評估系統(tǒng)。同時在疲勞監(jiān)測裝置上添加顯示屏，能夠?qū)崟r提供給駕駛員上述駕駛安全影響因素的數(shù)據(jù)，并給予最終風險評估。針對疲勞駕駛監(jiān)測，設(shè)計疲勞狀態(tài)識別算法，同時采用舵機云臺結(jié)合PID 算法對人臉實時動態(tài)跟蹤，保證駕駛員面部在攝像頭監(jiān)測范圍內(nèi)，提高識別準確率。本系統(tǒng)運行良好，基本能實現(xiàn)預期目標，具有一定的實用價值。