王崴緒 閆小雪

（重慶人文科技學(xué)院，重慶 401524）

隨著我國(guó)現(xiàn)代化不斷推進(jìn)和汽車私有化不斷加深，疲勞駕駛問(wèn)題已經(jīng)日益凸顯。目前針對(duì)疲勞駕駛的研究方向主要分為車輛行為、生理信號(hào)和面部特征3 個(gè)方面[1-3]。1）車輛行為檢測(cè)的主要依據(jù)為駕駛員疲勞產(chǎn)生的認(rèn)知水平下降，導(dǎo)致在車輛駕駛過(guò)程中出現(xiàn)異常行為，通過(guò)異常行為進(jìn)行疲勞判斷[4]。2）生理信號(hào)檢測(cè)的主要依據(jù)為腦電波信號(hào)、心電信號(hào)和不同部位的肌肉信號(hào)等。3）面部特征主要從人臉中容易提取特征的部位進(jìn)行特征提取，如眼部、嘴部等變化較明顯。同時(shí)，在駕駛過(guò)程中頭部狀態(tài)也是關(guān)鍵信息的主要來(lái)源。

上述3 種方法各有優(yōu)、缺點(diǎn)，如車輛行為的檢測(cè)存在滯后性、靈敏度低等缺點(diǎn)[5]，同時(shí)，上述方法都只針對(duì)疲勞特征進(jìn)行駕駛員疲勞狀態(tài)研究，忽略了駕駛過(guò)程中的環(huán)境因素對(duì)駕駛員的影響。例如當(dāng)駕駛員周圍存在其他乘客與其交談的情況可以在一定程度上減緩駕駛員的疲勞程度，交談的內(nèi)容也會(huì)影響駕駛員的大腦活躍程度，因此可以通過(guò)駕駛過(guò)程中出現(xiàn)的表情分析當(dāng)前狀況，以準(zhǔn)確預(yù)測(cè)駕駛員地疲勞程度，并對(duì)其進(jìn)行預(yù)警。

1 數(shù)據(jù)集與特征提取

1.1 數(shù)據(jù)集獲取

本文試驗(yàn)采用的試大巴司機(jī)駕駛過(guò)程中的表情數(shù)據(jù)集，選取了3 名駕駛員對(duì)象，年齡為30～40 歲。對(duì)試驗(yàn)過(guò)程中的疲勞感受進(jìn)行調(diào)研，得出該段時(shí)間的疲勞情況。為了盡量避免情緒上的干擾，本文試驗(yàn)確保司機(jī)駕駛前處于平靜狀態(tài)，同時(shí)為了確保能夠得到真實(shí)的非疲勞與疲勞數(shù)據(jù)，分別在駕駛過(guò)程初和駕駛過(guò)程中后段進(jìn)行數(shù)據(jù)集提取。本文在試驗(yàn)過(guò)程中得到了約6000 張駕駛圖片樣本。

試驗(yàn)中分別在不同駕駛時(shí)間段，對(duì)不同駕駛員進(jìn)行疲勞數(shù)據(jù)集獲取，并對(duì)其進(jìn)行疲勞調(diào)研。根據(jù)受試者的表述，量表對(duì)應(yīng)等級(jí)見表1。

表1 疲勞等級(jí)對(duì)應(yīng)表

表1 將駕駛員狀態(tài)劃分為4 個(gè)等級(jí)。研究表明，從駕駛員無(wú)疲勞開始計(jì)時(shí)，約3h 后會(huì)產(chǎn)生相應(yīng)的疲勞狀態(tài)，交通意外概率開始上升，4h 后交通意外概率約為3h 的1.5倍。接近7h 時(shí)，駕駛員會(huì)進(jìn)入間接性睡眠，此時(shí)已經(jīng)十分危險(xiǎn)。因此，將上述3 種情況分別對(duì)應(yīng)為輕度疲勞、中度疲勞和重度疲勞。本文在此基礎(chǔ)上加入影響疲勞狀程度的情緒因素，以更準(zhǔn)確地判斷相應(yīng)疲勞等級(jí)的產(chǎn)生時(shí)間。

1.2 Gabor 多尺度融合特征提取

由于本文需要研究不同情緒對(duì)疲勞的影響，因此需要提取駕駛員表情特征并進(jìn)行分類。為了更全面地獲取臉部特征，利用Gabor 濾波器的特性對(duì)其進(jìn)行提取。但是由于Gabor 濾波器得到的5 個(gè)尺度、8 個(gè)方向的特征計(jì)算量較大，因此根據(jù)多尺度融合規(guī)則對(duì)其進(jìn)行特征融合。為了不遺漏臉部存在的任何可能的特征，結(jié)合分塊直方圖對(duì)全局特征具有良好描述性的特點(diǎn)對(duì)其進(jìn)行分析。最后為了防止丟失細(xì)節(jié)，將得到的融合特征直方圖分成相等且不重疊的6×6 個(gè)小塊，逐個(gè)進(jìn)行分塊直方圖描述分析。

1.2.1 特征圖融合規(guī)則

特征圖融合規(guī)則的特點(diǎn)是保留了不同尺度和方向的特征值，加強(qiáng)了圖片細(xì)節(jié)特征的保護(hù)，然后對(duì)保留的特征值進(jìn)行二進(jìn)制編碼。該規(guī)則同時(shí)也對(duì)Gabor 濾波的虛部部分進(jìn)行了保留處理，同時(shí)根據(jù)規(guī)則對(duì)實(shí)部和虛部進(jìn)行編碼。得到相應(yīng)的編碼后，對(duì)其進(jìn)行0～255 的十進(jìn)制處理，得到5 個(gè)不同方向的尺度特征值。經(jīng)該規(guī)則融合后的圖像保留了特征最明顯的信息，減少了重復(fù)或不必要的冗余信息。融合后的圖像具有豐富的紋理特征信息，提高了局部特征識(shí)別清晰度，具有良好的識(shí)別性。

1.2.2 特征分塊直方圖

直接對(duì)融合圖像進(jìn)行描述會(huì)造成大量的細(xì)節(jié)丟失，因?yàn)楸疚膶⑷诤虾蟮奶卣鲌D進(jìn)行分割，再對(duì)分割后的特征圖進(jìn)行直方圖描述，以保留大量細(xì)節(jié)。為避免數(shù)據(jù)過(guò)于冗余，將其以6×6 方式進(jìn)行切割，最終，每個(gè)特征圖都將得到36塊特征直方圖。每個(gè)矩形特征直方圖子塊如公式（1）、公式（2）所示。

式中：v為尺度；r為子塊。

試驗(yàn)中，將每個(gè)融合圖像分割成6×6 個(gè)子塊，對(duì)于融合圖像Tv（z）（v∈（0，...，4）），每個(gè)矩形子塊可以表示為Rv，r（z）（v∈（0，...，4），r∈（0，...，36）），每個(gè)hv，r，i表示一個(gè)子塊所對(duì)應(yīng)的直方圖，反映了該局部區(qū)域內(nèi)縫紉整體灰度變化。每個(gè)融合編碼表示不同的局部特征。該圖存儲(chǔ)大量的鄰域信息，加強(qiáng)了局部特征與整體特征的關(guān)聯(lián)性，細(xì)微部分的特征也有所體現(xiàn)。

2 建立疲勞判斷策略模型

2.1 建立表情權(quán)重模型

在駕駛過(guò)程中，由于環(huán)境的變化可能是隨機(jī)的，因此需要考慮環(huán)境對(duì)疲勞程度的影響。根據(jù)駕駛員對(duì)當(dāng)前駕駛環(huán)境的反應(yīng)可以判斷其疲勞程度。為了結(jié)合實(shí)際判斷6種基本表情，即生氣（anger）、快樂(lè)（happiness）、驚訝（surprise）、厭惡（disgust）、中立（normal）和蔑視（despise）對(duì)疲勞狀態(tài)的影響，本文對(duì)200 余名駕駛?cè)藛T進(jìn)行重要性打分法問(wèn)卷調(diào)查。調(diào)研結(jié)果顯示，駕駛員長(zhǎng)時(shí)間處于平靜狀態(tài)也會(huì)產(chǎn)生疲勞，因此，本文將中立表情與疲勞表情歸類為促進(jìn)疲勞分類，其余表情歸為抵抗疲勞分類。

目前研究表明，正常的駕駛員連續(xù)駕駛3h 后會(huì)產(chǎn)生疲勞且交通意外也會(huì)開始增加。當(dāng)駕駛員連續(xù)駕駛4h 后，交通意外的發(fā)生率開始陡增，是3h 的1.5 倍。已有文獻(xiàn)（本文獻(xiàn)記錄了1000 名法國(guó)卡車司機(jī)的駕駛過(guò)程）描述駕駛員在一段封閉的試驗(yàn)道路上駕駛，直到駕駛員出現(xiàn)3 次睡著狀況時(shí)停止試驗(yàn)。試驗(yàn)表明，出現(xiàn)該狀況的駕駛時(shí)間段為7h～12h。

駕駛環(huán)境的變化會(huì)影響駕駛員的疲勞狀態(tài)。在駕駛過(guò)程中，駕駛員產(chǎn)生的表情決定了當(dāng)前駕駛員的精神狀況，駕駛員周圍的情況可能會(huì)影響駕駛員從非疲勞到疲勞的過(guò)渡時(shí)間。從心理學(xué)上講，人類需要適當(dāng)?shù)耐饨绱碳げ拍苁勾竽X活動(dòng)維持在較高水平。當(dāng)駕駛員在既寬廣又平坦的高速公路上駕駛時(shí)，大腦長(zhǎng)時(shí)間處于刺激較少的狀態(tài)，大腦活動(dòng)會(huì)受到抑制，從而產(chǎn)生疲倦和懈怠。在高速路上，大部分駕駛員會(huì)一直盯著前方車輛，如果前方?jīng)]有車，就只能望向這條道路的盡頭。找不到視野目標(biāo)，駕駛員的視野范圍就會(huì)變窄，對(duì)速度的感受力也會(huì)下降。

當(dāng)駕駛員周圍有其他乘客存在且與該乘客存在互動(dòng)行為時(shí)，駕駛員的大腦皮層進(jìn)入興奮狀態(tài)，可以抵抗進(jìn)入高速催眠的疲勞狀態(tài)，同時(shí)可以適當(dāng)延長(zhǎng)駕駛員的駕駛時(shí)間。此時(shí)，駕駛員可能會(huì)因與乘客的互動(dòng)而產(chǎn)生積極的表情，例如高興、驚訝等，其精神狀態(tài)不再由大腦受到的刺激較少而受到抑制，因此可以適當(dāng)延長(zhǎng)疲勞的預(yù)警時(shí)間。當(dāng)駕駛員周圍沒(méi)有刺激時(shí)，會(huì)長(zhǎng)時(shí)間處于中立表情，系統(tǒng)應(yīng)當(dāng)考慮高速催眠效應(yīng)，提前對(duì)駕駛員進(jìn)行疲勞預(yù)警。

從上述分析可知，安靜的駕駛環(huán)境會(huì)加速司機(jī)疲勞，綜合分析駕駛數(shù)據(jù)后，需要引入不同表情對(duì)疲勞的影響權(quán)重指數(shù)。因此，本文將中立表情與疲勞表情歸為促進(jìn)疲勞分類，其余表情為抵抗疲勞分類。

根據(jù)調(diào)研結(jié)果分別計(jì)算抵抗疲勞表情和促進(jìn)疲勞表情的權(quán)重值。利用AHP 層次分析法計(jì)算權(quán)重前需要構(gòu)建判斷矩陣，見表2、表3。

表2 抵抗疲勞AHP 層次分析判斷矩陣

表3 促進(jìn)疲勞AHP 層次分析判斷矩陣

經(jīng)分析后所得抵抗疲勞表情權(quán)重值如圖1所示。

圖1 抵抗疲勞表情權(quán)重值百分比分布圖

圖2 促進(jìn)疲勞表情權(quán)重值百分比分布圖

綜上所述，對(duì)所有表情權(quán)重值進(jìn)行歸一化處理。抵抗疲勞進(jìn)行負(fù)值運(yùn)算，可得如公式（3）所示的疲勞指數(shù)計(jì)算公式。

式中：W為當(dāng)前疲勞指數(shù)；H、C、D、S、A、N、F分別為快樂(lè)、蔑視、厭惡、驚訝、生氣、中立、疲勞表情權(quán)重指數(shù)；h、c、d、s、a、n、f分別為對(duì)應(yīng)表情在一段視頻中出現(xiàn)的頻率；m為圖片張數(shù)。

2.2 確定疲勞指數(shù)范圍對(duì)應(yīng)的疲勞程度

從上述分析可知，駕駛員在駕駛過(guò)程中的表情被捕獲后，可以得到相應(yīng)的疲勞指數(shù)，但根據(jù)疲勞指數(shù)無(wú)法直接判定當(dāng)前駕駛員的疲勞狀況，因此本文試驗(yàn)繼續(xù)對(duì)駕駛員進(jìn)行片段駕駛模擬測(cè)試，該片段來(lái)源于駕駛員在駕駛過(guò)程中的隨機(jī)取樣。再利用調(diào)查問(wèn)卷對(duì)駕駛員當(dāng)前駕駛時(shí)段進(jìn)行疲勞判斷，得出所處的疲勞狀態(tài)階段。通過(guò)對(duì)該片段疲勞指數(shù)與疲勞狀態(tài)進(jìn)行相關(guān)性分析，得出較精確的指數(shù)對(duì)應(yīng)的疲勞狀態(tài)。排除個(gè)別明顯不符合分布的干擾項(xiàng)，所得的大致疲勞指數(shù)分布范圍見表4。

表4 疲勞指數(shù)對(duì)應(yīng)表

從表4 可以看出，疲勞狀態(tài)的分布呈規(guī)律排列，因此，可以明顯推測(cè)出疲勞指數(shù)與疲勞狀態(tài)具有統(tǒng)計(jì)學(xué)意義。

本文試驗(yàn)通過(guò)對(duì)駕駛員進(jìn)行視頻圖像采集、人臉圖像預(yù)處理、圖像表情特征提取、圖像表情分類和疲勞狀態(tài)判斷等處理，將處于相應(yīng)表情時(shí)間最長(zhǎng)的表情標(biāo)簽進(jìn)行輸出，并通過(guò)相應(yīng)表情的占比數(shù)據(jù)分析疲勞等級(jí)，最終得出當(dāng)前駕駛員所處疲勞狀態(tài)的結(jié)果。

3 結(jié)論

為了減少疲勞駕駛引起的交通事故，針對(duì)疲勞駕駛的研究越來(lái)越多，但多數(shù)研究針對(duì)的是疲勞表情的判定率，忽略了駕駛過(guò)程中各種狀況對(duì)駕駛者的影響，例如駕駛者的情緒問(wèn)題。駕駛員可能產(chǎn)生的情緒問(wèn)題會(huì)通過(guò)表情來(lái)反饋，本文對(duì)反饋數(shù)據(jù)進(jìn)行了分析，并結(jié)合對(duì)駕駛員疲勞狀態(tài)的調(diào)研，建立了疲勞判斷策略模型。結(jié)論如下。1）對(duì)駕駛員表情進(jìn)行特征提取，不會(huì)影響駕駛員操作，降低駕駛員駕駛過(guò)程中的不適感。2）傳統(tǒng)的疲勞檢測(cè)在駕駛時(shí)間判斷和駕駛員行為檢測(cè)方面具有明顯不足。其一，進(jìn)行駕駛時(shí)間判斷時(shí)，無(wú)法確定駕駛員前一晚的狀況，導(dǎo)致疲勞結(jié)果判斷不準(zhǔn)確。其二，基于駕駛員行為的檢測(cè)存在明顯的滯后性。當(dāng)駕駛員在駕駛過(guò)程中產(chǎn)生疲勞時(shí)，往往已經(jīng)處于非常危險(xiǎn)的情況中。與基于Gabor 多尺度融合特征建立疲勞判斷的策略相比，本文方法更靈活，可以實(shí)時(shí)反饋駕駛員當(dāng)前狀態(tài)，并提前做出相應(yīng)警告。