ALJABRI+ABDULRAHMAN+++郭唐仪

摘 要：为了研究中国和沙特两个国家的驾驶员的眼动行为的差异性，在真实的交通环境下，利用Dikablis眼动追踪系统对中沙两国驾驶员进行了监测记录，从而获取中沙驾驶员的眼睛注视时间特性参数、视角特征参数和扫视行为特征参数。實验结束后，采用D-LAB进行眼动行为数据挖掘和统计。基于中沙驾驶员的眼动行为分析实验，从扫视行为、注视行为以及休眠行为三个方面分别对中国驾驶和沙特驾驶员的眼动行为进行统计分析。其中，重点对中沙驾驶员的扫视点序列进行分析。

关键词：眼动实验；眼动模式；眼动参数；差异

引言

近年来，交通事故已成为交通业的健康发展的最大障碍。根据联合国数据统计，每年全球有约125万人死于道路交通事故。尽管目前道路安全方面各国都有所改善，但是现在全世界每年因为交通事故的死伤人数仍非常惊人。中国作为人口大国，交通事故死亡率一直处于世界前列[1]。2004年-2014年，交通事故造成的直接财产损失约为142亿元。在沙特，官方统计称1971-2012期间，发生在街道上的交通事故超过818万起，造成约15万人死亡，100万人受伤，因此造成的经济损失超过了6亿美元。而驾驶员作为整个交通系统的“中枢神经”，其驾驶行为会直接影响道路交通系统的安全。据有关资料统计，在交通事故中，驾驶员负直接责任的在70%以上，行人和乘车人的责任仅20%以下。由此看来，对驾驶员驾驶行为的研究，非常重要。而驾驶员眼动行为的研究，可以直观地反映出驾驶员的驾驶状态。目前，驾驶员眼动行为的研究主要集中在动态视觉特性方面，学者们也做了很多实验去论证现有的理论。但很少有人去分析不同国家的驾驶员，他们视觉特性上存在怎样的差异。本文便从驾驶员的眼动行为入手，对中沙两国驾驶员的眼动行为进行了差异性分析。

1 眼动实验及参数

1.1 实验过程

基于道路的复杂性和特殊性，为简化实验流程，本次实验选择非隧道普通道路-南京二桥高速G36中间段，测试路段全长4.3公里，行驶总时间为5分钟（300秒）。道路交通组织设计良好，不容易发生交通拥堵。

为了提高实验效果，选取了15位中国驾驶员以及10位沙特驾驶员作为测试目标，年纪分布在24岁-28岁之间，驾龄在1年-5年之间，男女比例为19：6。

在实验过程中，测试驾驶员首先要做好设备调试和环境适应准备工作。测试员在车内先佩戴好Dikablis眼动追踪设备，同时注意观察外界环境，确定观察到的视野范围与正常情况下的基本一致，并且设备开始正常录像和信息采集。在此条件下，车辆正常发动并且正常行驶。当车辆从起点出发驾驶到终点之后，接着从终点驾驶返回到起点，完成一个循环之后，替换另外一个测试员进行驾驶和数据采集。

在实验结束后，获取所有的实验影像信息以及Dikablis眼动追踪设备生成的工程文件，采用D-LAB驾驶员眼动分析系统进行眼动数据的挖掘和生成。

1.2 眼动模式及表征参数

驾驶员眼动行为主要有注视、扫视和眨眼三种模式[2]，而眨眼是不能从外界获取任何信息，又称为休眠模式。休眠模式一般由两种情况引发，一种是由于生理疾病引起导致视觉功能灭失，另外一种功能是由于疲劳导致视觉细胞处于睡眠状态。在一般情况下，由于疲劳导致重大交通事故的情形主要是由于驾驶员失去视觉功能，无法有效及时获取外界信息造成的。三种模式中，最主要和最重要的视觉行为是注视行为，通过注视行为获取的数据是最为准确的，注视行为的表征参数注视持续时间，注视点序列，注视点数目以及注视点类型；在扫视模式下，驾驶员通常将具有一定模糊度的信息传输到大脑进行判断，再给出准确的反馈。扫视模式的表征参数为扫视幅度，扫视速度及扫视时间；休眠模式的表征参数包括总眨眼次数，眨眼持续时间，总眨眼时间，眨眼率。

1.2.1 注视模式

一般情况下，注视时间占总行驶时间的比例大于65%，即为正常的驾驶情况。通过对驾驶员的注视时间分析发现，在选取的15位中国驾驶员中，平均注视时间占总行驶时间的比例为74.70%，其中最小的的比例为69.00%，最大的比例为85.05%。而在选取的10位驾驶员中，平均注视时间占总行驶时间的比例为80.42%，其中最小的比例为76.16%，最大的比例为92.32%。因此本次实验中沙所有的驾驶员均处于正常驾驶状态。

通过对驾驶员的注视关注点序列图分布图发现，中国驾驶员中，有8位驾驶员主要集中在观察车辆左边道路、驾驶位置正前方以及右侧车道的信息，其中有3位驾驶员的注视点分布更为均匀，表明驾驶员在行车过程中，视力对整个道路的幅面信息获取更为完整。而这三位驾驶员的平均驾驶年龄为4年，因此驾驶经验丰富的驾驶员更能够充分获取道路环境信息。而沙特驾驶员中，5位驾驶员的注视点的分布呈现左、右侧分散与中间集中的特征，其中2位驾驶员的注视点分布更为均匀。

在整个行驶过程中，中国驾驶员的注视点数量平均为520个，其中最少的注视点为313个，最大的注视点为797个。两者驾驶时间分别为1年和5年。沙特驾驶员的注视点数量平均为613个，其中最少的注视点为461个，最大的注视点为869个。两者驾驶时间分别为1年和4年。

将注视点根据获取的信息划分为行人、周边车辆、交通标示以及静态景物四类，统计后发现，驾驶员在行驶过程中对车辆信息的关注度最高、获取信息最为完善其次是交通标示、行人以及静态景物。沙特驾驶员对关注点最高的也是周边车辆，其次是交通标示、静态景物以及行人。

1.2.2 扫视模式

行车过程中，中国驾驶员的平均扫视速度为119.06度/秒，其中最大的扫视速度为230度/秒，最小的扫视速度为76.73度/秒。中国驾驶员的平均扫视幅度为5.03度，其中最大的水平扫视平均幅度为7.41度，最小为3.07度。中国驾驶员的平均扫视时间为44.23m/s，最大为54.26m/s，最小为32.14m/s。

沙特驾驶员的平均扫视速度为99.63度/秒，其中最大的扫视速度为130.89度/秒，最小的扫视速度为79.25度/秒。沙特驾驶员的平均扫视幅度为4.81度，其中最大的水平扫视平均幅度为6.82度，最小为3.62度。沙特驾驶员的平均扫视时间为48.22ms，最大为55.35ms，最小為43.23ms。

1.2.3 休眠模式

通过实验分析可知，中国驾驶员在300秒内的平均眨眼次数为31次，其中最大的眨眼次数为39次，最小的眨眼次数为23次。中国驾驶员的平均眨眼时间为0.517秒，其中最大的眨眼时间为0.656秒，最小为0.412秒。中国驾驶员的平均眨眼率为0.102次/秒，最大为0.13次/秒，最小为0.076次/秒。

沙特驾驶员在300秒内的平均眨眼次数为25次，其中最大的眨眼次数为33次，最小的眨眼次数为21次。沙特驾驶员的平均眨眼时间为0.465秒，其中最大的眨眼时间为0.549秒，最小为0.405秒。沙特驾驶员的平均眨眼率为0.084次/秒，最大为0.11次/秒，最小为0.069次/秒。

2 中沙驾驶员眼动特征差异性分析

为消除单个概率上的误差，进一步的分析中国驾驶员和沙特驾驶员的眼动特性，采用平均眼动指标来进行对比，分析中沙驾驶员在三种眼动模式下的差异性。

2.1 注视指标对比

分析发现中国驾驶员在驾驶过程中平均持续的关注时间占总驾驶时间的74.70%，沙特驾驶员的关注时间占总运行时间的80.42%。不难看出，沙特驾驶员在驾驶过程中注视水平要高于中国驾驶员。

同时，将中国和沙特驾驶员在行驶过程中的单位时间内眼睛闭合时间所占的比例（PERCLOS值）进行提取和统计发现，中国和沙特驾驶员的PERCLOS值均低于30%，说明驾驶员都处于较为良好的驾驶状态。并且，沙特驾驶员在行驶过程中的PERCLOS要低于中国驾驶员，说明沙特驾驶员在行驶过程中，比中国驾驶员更为兴奋。

在对注视点的信息观察方面，中国驾驶员和沙特驾驶员对周边车辆的关注度水平都是最高，其中中国驾驶员的关注度水平为50.42%，沙特驾驶员为43.54%，沙特驾驶员对周边车辆的关注度低于中国驾驶员。同时，中国驾驶员关注信息最低的是静态景物，关注度为13.58%，沙特驾驶员关注信息最低的是行人16.52%。沙特驾驶员的信息关注点比中国驾驶员关注点更为均衡，反应出沙特驾驶员在中国驾驶车辆的过程中，对中国道路交通环境不熟悉，导致对信息的摄取方面采用保守策略。中国驾驶员具有更多的信息知识，能够对部分无效信息进行筛选，所以在信息获取方面更加有重点。

2.2 扫视指标对比

在扫视指标方面，中国驾驶员的的扫视速度平均值为108.24度/秒，沙特驾驶员的扫视速度为99.63度/秒，中国驾驶员的扫视速度要略高于沙特驾驶员。

在扫视时间方面，中国驾驶员的平均扫视一次的时间为46.90ms，沙特驾驶员的平均扫视一次的时间为48.22ms，中国驾驶员的扫视一次时间要低于沙特驾驶员，说明中国驾驶员对信息的初步分析能力要高于沙特驾驶员。

2.3 休眠指标对比

在300秒范围内，中国驾驶员的眨眼总次数在31次，沙特驾驶员的眨眼总次数在25次，沙特驾驶员的眨眼次数低于中国驾驶员。在眨眼时间方面，中国驾驶员的平均时间为0.517秒/次，沙特驾驶员为0.465秒/次。同时，中国驾驶员平均眨眼次数是0.102次/秒，沙特驾驶员平均眨眼次数为0.084次/秒。由此可知，中国驾驶员的眨眼次数和眨眼率均高于沙特驾驶员，这主要是由于沙特驾驶员的注视时间和注视集中度高于中国驾驶员有一定的关联。

3 结束语

（1）沙特驾驶员的驾驶集中程度更高。由于沙特出行方式基本上就是自驾，对于驾驶环境的把握度更成熟，加上沙特地广人稀，出行顺畅，没有非机动车辆和行人的干扰，沙特驾驶员的驾驶注视集中度更高，但也致沙特驾驶员扫视模式下对信息的辨别度低于中国驾驶员。

（2）中国驾驶员较于沙特驾驶员，更容易出现疲劳驾驶，工作压力及强度，中国可列在世界的前几位，加上交通模式复杂，出现事故的概率也更大。而沙特，对于威胁交通安全的惩罚力度要远高于中国，加上生活节奏缓慢，沙特出现疲劳驾驶的情况远低于中国。

（3）驾驶经验对汽车驾驶人注视行为特性有较显著的影响[6]。不管是中国驾驶员还是沙特驾驶员，经验丰富的驾驶员注视点分布更为均匀，对行车环境观察更敏锐。

中国在交通领域的研究一直都非常积极，谨慎，而作为最严苛的伊斯兰国家沙特阿拉伯，对于伊斯兰文化意外的世俗文化，沙特并不重视，对于交通领域的研究，沙特没有形成任何体系、流派，甚至国内高等学院，都没有设置关于交通的任何专业。交通安全几乎全部借鉴国外的经验，这是沙特亟待改善的地方。

引入神经网络构建评价模型的训练网络，解决非线性评价模型的模糊问题，构建基于神经网络的驾驶员眼动行为评价模型是基于此实验基础上所要做的更深入的研究。

参考文献

[1]方守恩，王长君，王笑京，等.“国家道路交通安全科技行动计划” 研究成果综述[J]. 交通信息与安全， 2013 （1）.

[2]谢松芳，朱守林，等. 草原公路路侧景观对驾驶员眼动特性影响研究[J].中国安全科学学报，2014（8）.

[3]Walczyk J J， Tcholakian T， Igou F， et al. One Hundred Years of Reading Research： Successes and Missteps of Edmund Burke Huey and Other Pioneers[J]. Reading Psychology， 2014， 35（7）： 601-621.

[4]姚瑶，杨艳芳，齐美彬.基于视觉的疲劳驾驶检测算法[J].合肥工业大学学报：自然科学版，2015，38（12）：1623-1627.

[5]马勇，付锐，孟妮，等.道路环境对驾驶人眼动行为影响的试验研究[J].交通运输系统工程与信息，2015，15（3）：82-88.

[6]郭应时，马勇，付锐，等.汽车驾驶人驾驶经验对注视行为特性的影响[J].交通运输工程学报，2012，12（5）：91-99.

[7]孟凡城.公交车驾驶员安全驾驶视觉特性研究[D].青岛理工大学，2015.

[8]Maltz M， Shinar D. Eye movements of younger and older drivers[J].Human Factors： The Journal of the Human Factors and Ergonomics Society， 1999， 41（1）： 15-25.

[9]窦广波，孙龙，常若松.驾驶经验与危险类型对驾驶员危险知觉的影响[J].人类工效学，2015，21（6）：7-10.