李振中 应梦飞

摘要：汽车驾驶人的疲劳程度识别对于预防交通事故具有十分重要的意义。设计了实车驾驶实验，采集了20名汽车驾驶人在疲劳驾驶状态下的眼动特征参数，将汽车驾驶人的疲劳等级分为警觉、轻度疲劳、深度疲劳和嗜睡四个级别。利用主成分分析法（PCA）预处理了所采集的眼动特征数据，并利用支持向量机（SVM）算法建立了PCA-SVM疲劳检测模型。实验结果表明，该模型能够高精度地识别驾驶人的四种疲劳状态。

关键词：驾驶疲劳；主成分分析法；支持向量机；智能汽车；主动安全

中图分类号：U467  收稿日期：2023-04-12

DOI：10.19999/j.cnki.1004-0226.2023.05.021

1 前言

目前，疲劳驾驶已被广泛认为是各种交通事故的重要因素[1]。虽然目前很难直接获得驾驶疲劳所导致的交通事故的数量，但可以明确的一点是目前关于驾驶疲劳所导致的交通事故数量统计的数字被低估了。许多生理学家和交通专家已经就疲劳对驾驶的影响开展了广泛的研究[2-3]，并证明了疲劳是导致交通事故的主要原因。众多汽车公司从20世纪90年代后期开始研发车载智能安全系统，以实现驾驶人的实时疲劳驾驶状态预警功能。

汽车驾驶人的疲劳检测应当能够检测到驾驶人的疲劳状态，如打瞌睡或睡眠，并在此状态下发出警报以提醒驾驶人[4]。要想直接检测疲劳的状态，本身并不是一件容易的事情。目前的技术手段是无法直接检测疲劳状态的，研究中所使用的大多数方法都是通过检测疲劳相关的生理、心理参数，从而间接地检测疲劳状态[5-6]。也就是说，目前许多研究中得到的疲劳检测结果并非是疲劳状态这一结果本身。测量驾驶人的脑电波、心电和脉搏信号是原发性的嗜睡及注意力不集中状态检测的最佳手段，但这些方法具有侵入性，因为它们需要驾驶人佩戴相关的仪器设备[7-9]，这往往会对驾驶本身造成一定的干扰，且不易于在实际驾驶的汽车中进行应用。

处于疲劳状态的驾驶人通常会伴有一定的视觉行为，很容易从他们的面部特征（如眼睛、头部和面部）的变化中观察到。利用计算机视觉技术，仅通过一个摄像头便可以实现一种自然、非侵入的驾驶人疲劳检测技术，用于实时检测驾驶人的疲劳状态[10-12]。

国外目前也有许多学者对疲劳辨识展开了相关研究。Bhardwaj等[13]设计实验采集了驾驶人的心电信号，他们选取心率变异性这一特征参数用于训练疲劳驾驶识别模型。他们在研究中对比了深度学习和机器学习两类模型的辨识效果。实验结果中，深度学习的模型虽然准确率超过90%，但其计算需要较大的运行内存，对疲劳识别的实时性较差。Muhammad等[14]提取了脑电信号的时域和频域特征以及心电信号的心率变异性参数，并对二者进行特征融合，用于训练支持向量机模型，其准确率达到93.3%。Murugan等[15]对疲劳进行了等级划分，包括困倦、注意力分散、疲劳、认知注意力分散四类，使用心电设备采集驾驶人的心电信号特征，包括心率和心率变异性。他们利用SVM、KNN以及集成算法训练模型，实验结果表明，所训练模型对每一类疲劳状态均有较好的识别效果，但对于四类疲劳集成检测性能只有58.3%。

本研究中将驾驶人的疲劳等级分为警觉、轻度疲劳、深度疲劳和嗜睡四个级别，设计并开展了实车驾驶实验，采集了不同驾驶人在不同等级疲劳程度下的面部特征参数，利用主成分分析法预处理了所采集的特征数据以实现降维的目的，然后利用支持向量机算法建立了PCA-SVM疲劳检测模型，所构建的模型在实验所得数据集上取得了95.97%的准确率，能够有效地辨识汽车驾驶人的疲劳状态。

2 实验方法

2.1 实验参与人员

本研究通过社会招募的方式选择了20名实验对象，其中包括男性驾驶人13名，女性驾驶人7名。这些实验参与人员为不同行业领域的社会人员，如教师、学生、国企员工、网约车司机等。允许实验参与人员佩戴眼镜参与实车实验。实验参与人员的基本信息如表1所示。

2.2 实验设备

合理地选择实验设备是有效开展实验的前提。由于实车驾驶实验中存在一定的危险性，应选取不会对驾驶人形成干扰的实验设备。因此本研究中使用一个普通的RGB摄像头配合移动设备Jetson Nano的嵌入式系统采集驾驶人的面部信息并保存。实验设备如图1所示。

2.3 实验组织

由于实车实验具有一定的危险性，因此我们在实验过程中不对驾驶人做任何要求，只需要驾驶人保持正常的自然驾驶状态。但在实验开始前，要求驾驶人在48 h内不能熬夜，要有足够的休息时间，且在实验前驾驶人不允许喝酒、服用精神类药物以及功能饮料、咖啡等。我们将组装好的摄像头及Jetson Nano嵌入式系统安装到实验参与人员的车辆中。每当驾驶人在午后或晚上驾车时，打开设备，设备将自动运转并开始采集驾驶人的面部信息。这是由于午后及晚上驾驶人容易处于疲劳状态，在这个时间段能够采集到较多的驾驶人疲劳面部特征数据。每当采集完一个实验参与人员的数据后，将设备拆下，安装到另一个实验参与人员的车辆中继续进行采集。

实验结束后，整理实验所得的数据。从实验所得数据中人工筛选出具有疲劳特征的视频片段，并利用專家打分法将筛选得到的疲劳视频划分为警觉、轻度疲劳、深度疲劳和嗜睡四个级别。其中，警觉状态被视为正常驾驶状态，轻度疲劳、深度疲劳和嗜睡状态被视为疲劳驾驶状态。每1 min的疲劳时间片段被筛选出来用作建立疲劳驾驶数据集，而在连续5 min没有出现疲劳状态的正常驾驶时间段中同样筛选1 min的时间片段，用作建立对比数据集。经过筛选后我们得到了33组满足要求的视频片段构建实车驾驶实验数据库，其中包括14组疲劳驾驶视频片段构成的疲劳驾驶实验数据库，以及19组正常驾驶视频片段构成的正常驾驶实验数据库。

3 结果与讨论

3.1 实验数据预处理

本研究中，我们选取了驾驶人面部特征参数中的11个参数作为疲劳驾驶检测的特征参数，具体信息如表2所示。

式中，TP为疲劳驾驶被识别为疲劳驾驶的样本数；TN为正常驾驶被识别为正常驾驶的样本数；FP为正常驾驶被识别为疲劳驾驶的样本数；FN为疲劳驾驶被识别为正常驾驶的样本数。

为了突显PCA-SVM模型的优越性，我们选取了K领域模型（KNN）和随机森林模型（RF）用作对比，同样使用经过PCA预处理后的数据训练KNN模型和RF模型。所得实验结果的混淆矩阵如表4所示。

根据混淆矩阵，计算三个模型的评价指标，所得结果如图2所示。

对比分析三类模型的验证结果，可以看出所构建的PCA-SVM模型在各方面都表现了良好的性能，均优于对比所用的KNN和RF模型。因此，本文所提出的疲劳检测方法能够有效地检测汽车驾驶人的疲劳状态。

4 结语

本研究设计了实车驾驶实验，采集了20名汽车驾驶人在疲劳驾驶状态下的眼动特征参数，将汽车驾驶人的疲劳等级分为警觉、轻度疲劳、深度疲劳和嗜睡四个级别。利用主成分分析法（PCA）预处理了所采集的眼动特征数据，并利用支持向量机（SVM）算法建立了PCA-SVM疲劳检测模型。实验结果表明，该模型能够高精度地检测驾驶人的疲劳状态。

参考文献：

[1]Alvaro P K，Burnett N M，Kennedy G A，et al. Driver education：enhancing knowledge of sleep，fatigue and risky behaviour to improve decision making in young drivers[J].Accident Analysis & Prevention，2018，112：77-83.

[2]Zhou Z，Zhou Y，Pu Z，et al.Simulation of pedestrian behavior during the flashing green signal using a modified social force model[J]. Transportmetrica A：Transport Science，2019，15（2）：1019-1040.

[3]Zhou Z，Cai Y，Ke R，et al. A collision avoidance model for two-pedestrian groups：Considering random avoidance patterns[J].Physica A： Statistical Mechanics and its Applications，2017，475：142-154.

[4]Amodio A，Ermidoro M，Maggi D，et al.Automatic detection of driver impairment based on pupillary light reflex[J].IEEE Transactions on Intelligent Transportation Systems，2018，20（8）：3038-3048.

[5]吳汪友高速公路货车司机疲劳驾驶诱发因素与对策研究[J]武汉交通职业学院学报，2018，20（2）：18-21+88.

[6]Dua M，Shakshi，Singla R，et al.Deep CNN models-based ensemble approach to driver drowsiness detection[J].Neural Computing and Applications，2021，33（8）：3155-3168.

[7]Zhao Z，Zhou N，Zhang L，et al.Driver fatigue detection based on convolutional neural networks using em-cnn[J].Computational Intelligence and Neuroscience，2020，2020：7258210.

[8]MASOUMEH T，ALI N，SERAJEDDIN E H K.Driver drowsiness detection using facial thermal imaging in a driving simulator[J].Proceedings of the Institution of Mechanical Engineers，Part H：Journal of Engineering in Medicine，2022，236（1）：43-55.

[9]Němcová A，Svozilov? V，Bucsuházy K，et al.Multimodal features for detection of driver stress and fatigue[J].IEEE Transactions on Intelligent Transportation Systems，2021，22（6）：3214-3233.

[10]Papakostas M，Das K，Abouelenien M，et al.Distracted and drowsy driving modeling using deep physiological representations and multitask learning[J].Applied Sciences，2021，11（1）：88.

[11]Lee H，Lee J，Shin M.Using wearable ECG/PPG sensors for driver drowsiness detection based on distinguishable pattern of recurrence plots[J].Electronics，2019，8（2）：192.

[12]Pan T，Wang H，Si H，et al.Identification of pilots fatigue status based on electrocardiogram signals[J].Sensors，2021，21（9）：3003.

[13]Bhardwaj R，Natrajan P，Balasubramanian V.Study to determine the effectiveness of deep learning classifiers for ECG based driver fatigue classification[C]//2018 IEEE 13th International Conference on Industrial and Information Systems（ICIIS）.Rupnagar： IEEE，2018：98-102.

[14]Awais M，Badruddin N，drieberg M.A hybrid approach to detect driver drowsiness utilizing physiological signals to improve system performance and wearability[J].Sensors，2017，17（9）：1991.

[15]Murugan S，Selvaraj J，Sahayadhas A.Detection and analysis：driver state with electrocardiogram（ECG）[J].Physical and Engineering Sciences in Medicine，2020，43（2）：525-537.

作者簡介：

李振中，男，1983年生，高级工程师，研究方向为智能网联测试技术。