李全彬， 张福洋， 赵 煊

（江苏师范大学 物理与电子工程学院，江苏 徐州 221116）

驾驶员的非正常驾驶带来了极大的安全隐患，甚至威胁到相关人员的人身安全。 防撞预警系统能够在一定程度上减小因不良驾驶引起的事故发生率，从而达到减小交通事故损失的效果。 国内外学者已经对车辆预警模型做出大量的研究和尝试[1-2]，并开始关注到驾驶员因素在防撞预警中的重要作用[3-5]，其中，基于人脸的年龄[6-8]和性别[9-10]识别技术已经逐渐成熟，尤其是嵌入式应用[11-12]的出现，为提升车辆防撞预警系统性能提供了新的研究思路。

文献[13]利用改进CNN（Convolutional Neural Networks）完成年龄和性别识别，但没有尝试与其他应用结合；文献[14]利用模糊逻辑分析机器人的避障问题，但没有对操作者驾驶能力进行分类；文献[15]利用模糊集理论设计一种数据信息关联模式识别算法，为模糊理论应用到车辆预警系统提供了参考价值；文献[16－17]采用鱼群算法较为合理的实现了动态环境下的路径规划，但均没有考虑实际情况下操作者的驾驶能力。

笔者旨在通过面部识别技术，识别操作者年龄和性别。 进而，根据操作者年龄和性别选择合理的预警模式。针对现有研究存在的问题，文中采用DEX（Deep Expectation of apparent age from a single image）算法识别操作者年龄和性别，通过分析车辆与障碍物之间的距离和操作者反应时间两个参数，建立模糊函数模型[18]。然后，采用模糊逻辑分析不同年龄段和性别下操作者的反应安全距离，较好地解决不同安全驾驶距离下的车辆预警问题。

1 系统设计

图1 系统设计流程图

如图1 所示，首先，信息采集模块利用CCD 获取操作者面部信息[19]。其次，年龄、性别识别模块利用DEX算法处理面部信息，判断操作者年龄和性别。 再次，预警模式选择模块根据各年龄段驾驶安全距离数据建立函数模型，判断操作者安全距离、选择合适的预警阈值。 防撞预警模块主要构建动态环境预警规则库，判断最优预警环境。 最后，给出智能预警：假如车辆与障碍物间距离低于安全距离，系统将会发出警告；反之，操作者自主操作。

1.1 年龄与性别识别模块

年龄、性别识别隶属于人脸属性识别，其目的是根据提取的面部信息判断年龄和性别。 目前，已经存在不少较为流行的算法，较为成熟的包括LBP 特征、Gabor 特征、HOG 算子。 其中，LBP 一般在人脸特征点附近区域对多尺度人脸图像进行LBP 特征提取，具有较高的识别率，但存在人脸特征维度较高、计算和储存工作量大等问题[20]；HOG 算子能够实现融合局部特征和整体特征后进行人脸识别，但是存在特征层融合后造成的单一分类器敏感的问题[21]；Gabor 特征又存在受到人脸角度变化、表情变化和光照变化等方面影响较大的问题[22]。 因此，文中采用具有较高精确度、受其他因素影响较小的DEX 算法完成年龄和性别识别。

DEX，即从单一图像深入观察年龄和性别。 其特点在于使用CNN 技术在图像网络上预先训练VGG-16构架[23]。 进而，将年龄和性别回归问题[24]假设为深度分类问题，对其softmax 期望值细化，达到改进传统CNN技术、缩小预测值范围的效果。人脸信息提取和处理的稳定性也是DEX 的一大特点之一。为了保证面部信息提取的准确性，文中将原图旋转到-60°～+60°之间，平均每5°记录一次信息；对于一些面部信息不明确的图像，调整其中人脸部位。

文中以此为基础实现年龄和性别的评估，具体流程为：输入图像→人脸检测→划分人脸信息块→特征提取→预测。

文中年龄和性别识别在树莓派上借助Face++[25]平台实现[26]。由于文中驾驶者年龄主要用于年龄分段，虽然分类误差较文献[27]稍大，但对年龄段划分影响较小。 文献[28]介绍了几类驾驶者年龄和驾龄，文中以此为基础划分四个年龄段，见表1。

表1 年龄段分布

同理，文中将性别划分为[0，1]两个输出层，可以求出一个性别softmax 值E（A）。

式中，a={0，1}代表两个输出层，aj∈a 代表 softmax 输出概率，xj是每个类对应的性别。 进而，结合 CNN 进一步评估操作者年龄和性别。

1.2 预警模式选择模块

建立一个完整的预警模式划分体系，不仅需要充足的数据，还需要能够归纳出合理的预警方式。 文中主要利用车辆和障碍物之间的动态距离判断操作者是否是安全的，即在安全距离内。

为确保数据的质量和代表性，以某市近5 年来交通事故数据为样本数据，包括车速、操作者年龄和性别、路面数据等，共计800 M。但是考虑到这些数据过于冗长，严重影响到计算结果的精确度和计算效率。文中主要利用主成分分析法（PCA）计算样本累计贡献率[29]，筛选出累计贡献率大于85%的数据，最后将数据总量削减到100 M。

为了量化操作者年龄和性别对安全距离的影响，设置4 个一级指标：操作者年龄、操作者性别、车速数据和其他因素（天气、交通信号、路况等）。 利用专家评价法（Expert Scoring Methoud）[30]，计算出与4 个一级指标对应的权重WT=[0.3，0.3，0.3，0.1]。 假设dj为数据归一化处理以后因素j 的样本数据，得到样本安全距离X。

进而，计算出各年龄段对应的安全距离，其具体结果见表2。

表2 各年龄段安全距离

考虑到驾驶员一般反应时间为0.4～0.6 s 之间，表2 的安全距离中已经将反应时间计算在内。 表2 中具体提供了各年龄段的普遍安全距离，接下来具体分析该年龄段不同性别人群的安全距离。 利用k-means 算法[31]，结合样本性别信息进行聚类分析，最终可以划分为六种操作者类型：男青年谨慎型、女青年谨慎型、男中年普通型、男老年谨慎型、男其他型和女其他型。其对应安全距离见表3，每一种驾驶类型的安全距离基本上都在该年龄段安全距离范围之间，但是女性中年和老年龄段安全距离十分接近，统一归纳为“女其他型”。

表3 六种操作者类型

文中借鉴数据归一化处理方式，求取所得安全距离Vpjci与已有文献[32]数据Vqkci之间的样本距离dpjqk。 对于信息系统L=（M，A），条件隶属集定义为C={c1，c2，…，cn}，规定所求安全距离中指标p 的第j 个样本与已有文献中指标q 的第k 个样本之间的距离为[33]

再将dpjqk与准确数据比较，可以求出误差pi在10%左右；针对存在的误差，样本安全距离优先选择较大的安全距离，确保距离足够安全。

文中以此为基础划分预警模式。 如图2 所示，针对六种操作者类型，将预警模式划分为六种级别： I、II、III、IV、V、VI。

图2 安全距离级别划分

I 代表操作者驾驶能力强，能够在较短的距离内做出正确的反应；II 代表操作者反应速度较快，安全距离较短；III 代表操作者驾驶能力尽管有一定下降，但是反应安全距离仍然在可以接受的范围内；IV 代表操作者所需安全距离相对较长，需要谨慎驾驶；V 代表操作者所需安全距离进一步加长；VI 代表操作者所需安全距离长，需要认真观察路况。

1.3 防撞预警模块

预警防撞原理如图3 所示。 首先，识别操作者类型，判断操作者最小安全距离。然后，计算车辆和障碍物之间的距离。最后，判断车辆和障碍物间距离大小x，当该值低于一定阈值时（小于最小安全距离），智能车辆发出警告。

图3 预警流程

鉴于路面一直处于复杂的动态环境，车辆和障碍物之间的动态距离分为三种情况计算：

（1）障碍物静止

（2）障碍物相对于智能小车减速行驶

（3）障碍物相对于智能小车匀速或加速行驶

上式中，v 表示智能小车的初速度，v′表示障碍物相对于智能小车的速度，amax表示智能小车开始制动与地面产生的减速度，d 代表智能小车和障碍物性对静止时的安全距离[34]。

尽管将操作者分为六种级别，但是有很多操作者的安全距离在不同级别之间，安全距离是不确定的，即模糊的。因此，文中利用模糊函数计算操作者安全距离，将六种预警模式的安全距离分别定义为SL（很近）、L（近）、M（中等距离）、H（远）、S（很远）、SS（非常远）。

该系统由三个模糊输入和一个模糊输出组成。 操作者类型有四个隶属函数。 见表4。

表4 模糊输入和模糊输出变量

隶属函数中模糊变量的真值区间为[0，1]，模糊变量值越靠近1，隶属函数值越接近相邻阈值。 隶属函数的宽度和中心能够根据不同的车速做出相应改变，同时也受到道路状况的影响。 例如，当道路前方出现交通事故时，“H”集中的数量就会增加。在该模糊函数中，模糊集合之间不存在跳跃性。模糊集合之间交替过程中会出现集合重合，若不存在重合，则证明该系统属于二阶控制。 反之，则过于模糊。

为确保不出现因操作者反应时间不足产生的隐患，对于不同操作者类型输入不同的安全距离X，系统将在设计时间内做出判断。

2 实验过程

2.1 实验设计

为确保该设计可行性，以智能小车为例，实地测试。 该实验主要通过智能小车在行驶轨道上预警的准确性和避障精准性判断系统的可行性。 采用栅格法[35]将行驶路径划分若干栅格，图4 为简化后的路径，其中深色代表障碍物，智能小车从初始点A 行驶到终点B。

该实验所需的传感器主要包括激光测距传感器和CCD。 激光测距传感器利用光学三角法判断障碍物距离和运动状况。 CCD 用于输入操作者面部信息，判断操作者年龄和性别，并借鉴文献[36]算法优化障碍物定位准确度。

如图5 所示，通过智能小车进行实地避障和寻迹实验。 相对于车辆而言智能小车更加灵活、容易避开障碍物，因此，将实验中所求安全距离缩小至10 倍，并计算该情况下的避障成功率。 假如在该精度情况下可以发出准确警报和安全避障，在实际车辆中避障精度将更高。

图4 轨道障碍物分布

图5 实地测试示意图

2.2 实验过程及结果

实验主要分为三个步骤：

（1）年龄和性别识别功能测试。 分别将MORPH 数据集[37]的100 张图像和项目组自行采集的200 张含人脸图像输入年龄和性别识别模块，识别结果见表5。

表5 年龄和性别识别率

因为系统中年龄预测比性别预测更加复杂，所以主要通过年龄预测值的稳定性验证系统识别年龄和性别信息的可靠程度。 其中，样本年龄预测值近似求取整数，将年龄预测值与样本真实值对比，可以得到表6数据。表中显示年龄段判断误差较小，基本上可以判断出驾驶者所处年龄段。年龄识别误差基本上可以控制在10%以内，并且误差值没有横跨多个年龄段。 尽管识别时间与操作者呈现正相关趋势，即随年龄的增长而增加。但是识别时间基本上维持在系统反应时间的0.30%以内，相对于系统反应时间而言人脸识别反应时间较小，对系统的影响较低，系统反应时间不用延长。

表6 年龄段测试数据

文献[18]中测试了10 组数据，其误差值见表7。尽管文中系统求出年龄存在一定误差，精度与文献[18]也有一定距离，但是能够满足判断样本年龄段的需要。 该模块年龄段判断精度较高，能够减小最小安全距离判断错误的概率。

表7 文献测试误差

（2）预警模式判断功能。在实验（1）的基础上，判断样本隶属预警模式集，进而计算出样本所需安全距离。记录智能小车发出预警时与障碍物之间的距离，得到数据见表8。根据样本年龄和性别判断出样本隶属操作者类型，观察预测值是否符合该操作者类型的安全距离要求。

表8 测试数据

实验表明，预测值和实际所需安全距离误差不超过5%，预警模式划分较为准确。 同时发现系统反应时间占避障前预留时间的比例较小，不超过0.30%，系统的反应时间并不影响系统的精度。

（3）预警功能测试。 在小车行驶轨道中设置20 个采样点，启动初始点处智能小车，统计采样点处的预警误差情况。以男青年谨慎型为例，测试结果如图6 所示。通过计算测试数据与理论数据之间的误差，发现预警误差不超过2.5%、系统反应速度不超过0.30%，预警功能较为准确。 实验结果表明，在该系统的处理下，智能小车可以实现识别操作者年龄和性别，判断操作者类型，并能够及时发出警告。

图6 男青年谨慎型测试数据

3 结语

预警模式的设计以安全驾驶距离的设定为关键，这不仅要求系统准确识别车速与路面状况，还要求在此基础上考虑驾驶者的年龄和性别因素，理清其对于动态环境的反应能力。 文中根据反应能力差异，将驾驶者划分为六种类型，然后预估不同类型操作者的安全预警距离。 实验结果表明，该系统能够较好地划分驾驶者年龄段和性别，并且能针对复杂动态环境发出相对准确的预警。 通过进一步改进模糊算法，以及与鱼群算法的结合，可以为研究复杂动态环境下的路径规划问题带来一定的启示。