王亮军 陈燕飞 靳育权

（南京交通职业技术学院，江苏 南京 211188）

截至2019年10月，中国内地共39 个城市开通地铁，运营总里程达5 800 km 以上，2018年客运量213 亿人次，在开通城市数量、轨道交通运营里程、运营客运量等方面均居世界第一。城市轨道交通的快速发展，极大地方便了人民日常生活，促进了经济发展，同时也对列车的运营安全提出了更高的要求。目前，提高列车安全性的主要措施包括使用高度自动化的列车运行控制系统控制列车运行、研发智能化的监测装备监督列车运行状态，但对列车司机的驾驶风险几乎没有监督防护措施。城市轨道交通列车一般采用单司机驾驶，如果在驾驶列车过程中发生司机注意力下降、打瞌睡等状况时，容易造成安全事故。因此，对列车司机驾驶状态进行实时监测和管理，已成为保障列车运行安全的必要手段。

1 司机驾驶状态监测技术

1.1 基于运行状态的监测技术

该技术是根据车体运行状态，间接监测司机驾驶状态的方法，通过安装在车上的各种传感器监测车体运行时的相关状态指标，例如从加速度、档位、运行车道、方向盘转向角等状态的更新来推断司机的状态。由于列车运行在特定的轨道上，所以该方式不适合对城市轨道交通列车司机的驾驶状态进行监测[1]。

1.2 基于列车司机行为变化的监测技术

该技术通过分析机车司机关键行为的变化，例如眼睛状态，面部位置移动等，来推断司机的状态。该方法的实现主要依赖图像识别技术[2]。随着机器视觉技术和计算机技术的日趋成熟，使追踪、捕获和分析眼睑运动、脸部表情和头部姿势成为可能。

1.3 面向列车司机生理信号的监测技术

该技术主要依据生理指标来分析司机的状态，包括获取司机的脑电信号、心电信号等[3]。该方法可靠性更高，但一般通过接触式传感器采集生理信号，适应性受限。

目前，对司机驾驶状态监测的研究及应用，主要集中在汽车和高铁行业，对城市轨道交通行业的研究较少。已有的监测方法由于手段单一，准确率不高，不适用于城市轨道交通列车司机驾驶状态的监测。

2 城市轨道交通列车司机驾驶状态监测指标选择

影响城市轨道交通列车运营安全的因素有3 个，即人、机和环境。“机”因素主要指设备，当前运营线路的列车都采用高安全性的自动驾驶系统。“环境”因素指列车运行的轨道状态、限界等，部分环境因素，例如列车运行前方线路是否有异物侵入限界等，须由司机确保安全性，因此需要监测司机的注意力程度。“人”的因素主要包括司机的违规操作和操纵失误，其主要诱因是司机身体不适、疲劳驾驶和工作压力。

城市轨道交通系统站间距离小，需要频繁停车，司机带来的安全风险主要存在于列车运行过程中，因此要对列车运行过程中司机的规范操作手势、注意力集中程度和身体状态进行实时监测，当有异常情况时方便行车调度员及时进行处理[4]。

2.1 城市轨道交通列车司机驾驶状态监测技术

2.1.1 基于视觉分析的司机注意力集中度监测

该方法属于非接触式监测方法，安装方便，适应性强。通过追踪分析眼睛状态判断司机的注意力集中程度。城市轨道交通系统的列车运行线路有高架、地面和隧道，在不同线路条件下列车司机的面部光线会有明显差异。因此，选用近红外摄像头来采集司机的面部图像，以确保在不同光照条件下都能得到高质量的脸部图像。图1 是基于视觉分析的列车司机状态监测软件算法流程图。

主要算法由3 个部分组成，即脸部定位与追踪模块、脸部特征定位模块以及注意力集中度识别模块。首先，使用Adaboost 算法确定司机的脸部，在脸部范围内进一步确定眼睛的位置。使用二值化方法确定眼睛的位置，在该过程中使用极大极小值进行滤波，再进行闭运算并滤掉面积过小的区域，在图像上方2／3 区域内搜索连续模块作为眼睛的可能位置，再将其送到SVM 分类器模块中进行确认，即可确定眼睛的位置。然后使用基于粒子滤波器的算法追踪眼睛的移动，并基于Camshift 算法再次确认眼睛的跟踪位置。使用灰度直方图和局部标准差直方图作为司机眼睛跟踪的2 个特征，建立观测概率模型，追踪司机的眼睛，接着使用Camshift 算法二次确认司机眼睛的位置，提高鲁棒性。最后，识别司机眼睛的睁闭状态，并结合连续帧中的司机眼睛状态来判断司机的注意力集中程度[5]。定义R为相关值，使用R值可判别司机眼睛的睁闭情况。

式中：（x，y）为图像坐标中任意一点，T（x，y）是睁眼模板；是模板灰度的平均值；I（x，y）是采集到的眼睛图像，是眼睛图像灰度平均值。

图1 基于视觉分析的列车司机状态监测算法流程图

2.1.2 基于三轴加速度传感器的司机规范手势监测

司机在作业过程中，例如通过道岔、确认信号状态时，为保证安全需要进行规范化的手势操作，为检测司机的规范操作行为，使用基于加速度传感器的操作手势识别方式，加速度传感器嵌入可穿戴的智能手环中，通过手环的采集数据分析司机的规范化操作手势。该方案可选用MMA7260 模块采集司机手腕的加速度信号，然后对采集信号进行预处理，根据手势轨迹数据完成自动检测、选择低通数字滤波器滤除噪声、通过二次采样解决不同动作速度采集数据量不一样的问题，经过3 个步骤后提取手势动作的特征参数，最后使用离散隐马尔可夫模型进行手势动作识别[6]。

2.1.3 基于智能手环的司机体征监测

智能手环作为一种新兴的可穿戴智能设备，已广泛用于运动、睡眠、身体指标等数据的采集与记录中，医用健康手环可以测量脉搏、心率、皮肤温度、血压等重要体征参数。所以可以使用医用健康手环采集司机的心率和血压信息，进而实时监测司机身体的关键指标。具体包括3 个步骤。1） 使用手环监测每位司机的心率和血压信息。2） 根据每位司机的历史体征数据确定司机的关键指标的上下门限值。3） 判断司机状态的关键指标是否超出阈值范围以及持续时间，判断司机的身体状态。

3 数据融合

城市轨道交通列车司机的驾驶状态通过多种方式进行监测，每种监测方式从不同的角度识别司机的驾驶状态，对于多种不同的监测信息要通过加权的方式进行综合分析处理，最后得到司机的综合状态。司机的综合状态判定值G可以通过以下矩阵融合公式得出：

式中：X1为基于视觉分析的司机注意力集中度等级，X2为基于三轴加速度传感器的司机规范操作监测等级，X3为基于智能手环的司机体征监测等级，y1为X1对应指标的权重值，y2为X2对应指标的权重值，y3为X3对应指标的权重值，其根据每项监测指标对列车安全性影响的大小取值，T为矩阵运算符号，表示转置矩阵。

参照铁路安全防护设计规范中的相关标准，当时间T不等于站停时间T站停时，根据司机在列车运行过程中的闭眼时间T，将司机的注意力集中程度划分为3 个等级，可以表示为：

结合列车运行线路，从列车的定位系统中获取实时位置信息，查找需要确认的手势，监测司机在每个位置点的手势动作，判断司机的操作是否规范，对司机未规范操作的次数进行累计计算。根据司机未规范操作的次数S，将其分为3个等级，可表示为：

当智能手环监测到的心率或血压超过阈值时，记录超过阈值的持续时间。根据超过阈值的持续时间T将司机状态划分为3 个等级，表示为：

4 城市轨道交通司机驾驶状态监测算法检验分析

选用硬件配置为i5 处理器、内存4G 以上的计算机，使用C 语言在Visual Studio 2010 环境下完成软件编写。为检验基于数据融合的司机驾驶状态监测方法的准确性和性能，选择具有高架、地面和隧道场景的线路，使用列车模拟驾驶环境，驾驶列车4 h，设置驾驶状态异常场景类型，见表1，各种故障场景按照地面线路、高架线路和隧道线路均衡分布，并随机插入模拟驾驶的过程中，确保在各种线路环境中均有以下各类异常情况出现。

从仿真监测结果表2 中可以看出，仿真过程总注入24个异常点，在模拟列车驾驶的过程中，系统共计监测到22个司机驾驶状态异常的报警信息，监测准确率达91.6%以上，漏报率较低，系统能在不同的环境下对列车司机的驾驶状态监督。

表1 模拟驾驶过程中驾驶状态异常类型及等级

表2 仿真监测结果

5 结语

该文设计的列车司机驾驶状态监测技术能够实现司机注意力集中程度、规范操作行为和关键体征指标的实时监测，并可通过车地通信系统实时传递到集中控制中心进行管理、分析、存储和报警，满足集中控制的需要，可以降低人为因素给列车带来的安全风险。该方法引入视觉识别技术和智能手环，其灵活性和适用性更强，能够在不改变现有列车司机工作方式的基础上完成监测。