高速公路环境下驾驶员状态辨识

2016-05-05谭德荣吕长民于广鹏张洪加

河南科技大学学报(自然科学版) 2016年3期

关键词：模糊评价信息融合

谭德荣，吕长民，于广鹏，张洪加

(山东理工大学交通与车辆工程学院，山东淄博 255049)

高速公路环境下驾驶员状态辨识

谭德荣，吕长民，于广鹏，张洪加

(山东理工大学交通与车辆工程学院，山东淄博 255049)

摘要：为了进一步提高高速公路环境下车辆的主动安全性，提出了一种基于信息融合的高速公路驾驶员状态辨识方法。基于高速公路驾驶员驾驶特征，通过高速公路模拟驾驶试验，对驾驶员眼部状态和油门踏板信号进行检测。选取加油频率、眨眼频率、眼睛闭合率和眨眼持续时间作为驾驶员状态的评价指标，采用模糊评价和D-S证据理论相结合的信息融合方法，建立了高速公路上驾驶员状态辨识的模型，并通过实例验证了该模型的有效性。

关键词：驾驶员状态识别；信息融合；模糊评价；D-S 证据理论

0引言

高速公路的迅猛发展，使高速交通在人们的生活中占据了非常重要的位置。截至2013年底，中国高速公路总里程数超过美国，位居世界第一[1]。然而，高速公路给人们的生活带来方便的同时，也带来了严重的安全问题和巨大的经济损失。另外，据美国高速公路驾驶安全管理委员会统计，79%的汽车追尾事故是驾驶员注意力分散造成的[2]。如果驾驶员能够提前0.5 s发现前方车辆，追尾事故的发生概率可减少60%。因此，驾驶员状态的判别对于提高车辆主动安全性有着重要的作用。文献[3]研究了驾驶员眼部特征与驾驶员状态的关系。文献[4]研究了驾驶员操作行为与驾驶员状态的关系。本文通过多源信息融合的方法把驾驶员眼部特征和操作行为相融合，更能准确判断出驾驶员的状态特征。

本文采用模糊评价和Dempsterk-Shafer(D-S)证据理论相结合的方法建立了驾驶员状态辨识模型。首先，通过驾驶模拟器上加油踏板传感器和视频检测技术获取驾驶员的油门信号和眼部特征信息。然后，运用模糊评价方法对驾驶员眼部特征信息和油门动作信息进行初步融合，以模糊评价得到的结果作为D-S证据理论的基本概率赋值。在获得基本概率赋值后，运用优化权重对证据本身进行修正,再使用D-S规则获得最终的融合结果。

1驾驶员状态分析

由于高速公路特殊的行车环境，驾驶员长时间在高速公路环境下连续驾驶比在普通公路环境下更容易疲劳和打瞌睡。据统计，在高速公路环境中因疲劳驾驶引发的交通事故约占事故总数的20%。据法国高速公路管理部门公布的一项调查试验称，高速公路上驾驶员打瞌睡的频率大约是每隔45 km瞌睡1次[2]，而且当驾驶员处于疲劳状态下特别容易走神，每次走神持续时间约4 s。驾驶员的疲劳状态可以通过驾驶员特征表现出来，本文以驾驶员的油门动作频率、眨眼频率、眼睛闭合率和眨眼持续时间作为驾驶员状态判别的依据。

图1为高速公路驾驶模拟条件下测量的驾驶员油门动作频率与驾驶时长的关系[4]。随着驾驶时间的增加，驾驶员的加速频率明显低于正常状态。一个精神状态良好的驾驶员的眨眼频率约 2～4 s/次，当驾驶员进入疲劳状态时其眨眼频率会明显降低。文献[3]研究发现：当眨眼频率低于 7 次/min 时，需要对驾驶员进行警告提示。同时，疲劳状态下驾驶员眨眼速度明显变慢,其眨眼持续时间约为1～2 s，而正常状态下驾驶员的眨眼持续时间一般在0.25 s 以内,也可能在 1 s 以内，但是却不会在 1 s 以上。眼睛闭合率以PERCLOS判断，PERCLOS指眼睛闭合时间占特定时间的百分率，能够很好地反映驾驶员状态，PERCLOS 的P70 标准(眼睑遮住瞳孔的面积超过 70%就计为眼睛闭合，统计在一定时间内眼睛闭合时所占的时间比例[3])与疲劳相关系数则可以更好地预测疲劳。

图1　油门动作频率与驾驶时长的关系

2驾驶员状态辨识模型的建立

2.1模糊评价初步融合模型的建立

将模糊综合评价原理运用于驾驶员状态辨识中，利用多个驾驶员行为特征对模糊对象进行模糊评定，得出模糊矩阵。然后与各个评定因素的权重进行综合，得到初步融合结果。融合步骤如下：

(Ⅰ)以高速公路环境下驾驶员眼部特征和驾驶行为特征为评价对象，设定各个评价对象中的评价因素集U={u1,u2,…,un}及其评价集V={υ1清醒，υ2走神，υ3疲劳，υ4深度疲劳}。

(Ⅱ)采用专家给定法，确定评价对象的模糊隶属度。由8名专家评定打分，确定驾驶员的行为特征与驾驶员状态的相关性，模糊评判表如表1所示。

表1　驾驶员特征的模糊评判表

(Ⅲ)采用层次分析法获取各个评价因素的权值向量A，并选取合成算子，对由驾驶员特征隶属度组成的模糊矩阵R与权值向量A进行合成，初步融合矩阵B=A·R。

2.2D-S证据理论融合模型的建立

以模糊评价的评价集作为D-S证据理论的焦元E，E={E1,E2,E3,E4}；以模糊评价的初步融合结果作为D-S证据理论初步的基本概率值m；以3个采集周期的融合结果作为D-S证据理论初步的证据源B，B={B1,B2,B3}。为了保证驾驶员状态检测的实时性和有效性，需要确定证据源本身的权重w,w={w1,w2,w3},并通过优化权重对其进行修正，然后计算各证据体的基本概率赋值[5-6]。权重向量优化的过程如下：首先，找出权重向量中最大的权重因子wmax=max{w1,w2,w3}；然后，计算出相对权重值w*={w1,w2,w3}/wmax,即基本概率分配值的“折算率”αi=wi/wmax，i=1,2,3；最后，各证据体的基本概率赋值为：

(1)

其中：k=1,2，…，n为证据体，同时为保证基本概率分配函数之和为1，需要对函数进行补充[7]。

(2)

从而得到各证据体的基本概率赋值m(Ej)，j=1,2,…,5。计算各证据的信度函数Bel和似然度函数Pl，其定义为[8]:

(3)

(4)

用证据合成公式对证据体进行合成：

(5)

D-S证据理论主要有基于信任函数、概率赋值和最小风险3种方法[9]。本文采用基于信任函数的方法，依据合成后的结果大小直接得出决策结果。

3实例分析

本文在驾驶模拟器上进行模拟驾驶试验，通过眼动仪和油门位置传感器，以15 s为一个周期对驾驶员特征进行实时采集，包括眨眼频率、眼睛闭合率、眨眼持续时间和油门动作频率。表2是某名驾驶员某段时间3个周期的采集数据，可以对驾驶员状态进行实时判断[10]。

表2　采集的数据

(Ⅰ)由表1获取驾驶员特征模糊关系矩阵：

(Ⅱ)采用模糊层次分析法对评价因素两两对比，获取各个评价因素的权值向量A，结果见表3。

表3　评价因素权重比对表

根据表3组建比较矩阵s：

A=[0.3020.1770.4260.095]。

通过模糊评价对权重向量和模糊关系矩阵进行合成：

B1=A·R1=[0.302 0.177 0.426 0.095]·0.10.30.30.30.40.40.200.10.20.40.30.10.40.30.2éëêêêêêùûúúúúú=

表4　初始基本概率赋值mB(E)

(Ⅳ)通过式(1)和式(2)对基本概率分配值修正，得到新的概率分配值，见表5。

表5　修正后的基本概率赋值(E)

(Ⅴ)由式(5)合成结果：

故m(E1)=0.147 8。同理可得，m(E2)= 0.147 5，m(E3)=0.177 9，m(E4)=0.452 0，m(E5)=0.222 2。

选取采用基于信任函数的决策，依据合成后的结果可直接得出决策结果：该驾驶员当前状态为疲劳。

4结束语

通过驾驶员各种行为特征信息融合判断出驾驶员状态，对于提高高速公路车辆主动安全性具有十分重要的意义。本文采用模糊综合评价和D-S证据理论相结合的方法，建立了基于模糊评价和D-S证据理论的高速公路驾驶员状态辨识模型，最后通过对实例的分析，验证了该方法的可行性，并获得较理想的融合效果。

参考文献：

[1]王洪明.我国公路交通事故的现状及特征分析[J].中国安全科学学报,2009,19(10):121-126.

[2]胡立伟,林玉珍.驾驶人公路驾车过程中主要生理参数变化规律研究[J].交通运输系统工程与信息,2014,14(1):41-46.

[3]SOMMER D,GOLZ M.Evaluation of PERCLOS based current fatigue monitoring technologies[C]//Engineering in Medicine and Biology Society (EMBC),2010 Annual International Conference of the IEEE.IEEE,2010:4456-4459.

[4]吴超仲,张晖,毛喆,等.基于驾驶操作行为的驾驶员疲劳状态识别模型研究[J].中国安全科学学报,2007,17(4):162-165.

[5]于东平,段万春,孙永河.基于最优权重的多源证据加权平均合成算法研究[J].统计与决策,2011(10):16-19.

[6]刘志成,乔慧,何佳洲.基于加权证据距离的高度冲突证据组合方法[J].计算机工程与应用,2014,50(3):103-107.

[7]康健,谷云彪,李一兵.基于DS证据理论的多传感器信息融合算法[J].中国惯性技术学报,2012,20(6):670-673.

[8]刘兵,李辉,邢钢.基于加权证据理论的模糊信息融合目标识别[J].计算机工程,2012,38(15):172-174.

[9]刘希亮,陈桂明.一种改进的证据合成方法[J].计算机应用研究,2013,30(9):2668-2671.

[10]唐小淋.基于多特征信息融合的违规驾驶行为检测方法研究[D].广州:华南理工大学,2013.

中图分类号：U491

文献标志码：A

收稿日期：2015-04-16

作者简介：谭德荣(1963-),男,山东淄博人,教授,博士,硕士生导师,主要从事智能交通和载运工具方面的研究.

基金项目：国家自然科学基金项目(61074140)；山东省自然科学基金项目(ZR2011EEM034)