基于驾驶模拟的疲劳识别与车载预警设备有效性研究＊

王雪松 胥 川

（同济大学道路与交通工程教育部重点实验室 上海 201804）

0 引言

疲劳驾驶是造成严重交通事故的重要原因，由于疲劳驾驶行为而导致的重大交通事故数占到了20%［1］。2008年，我国直接由疲劳驾驶造成事故2 568起，死亡人数1 353人，平均每起直接由疲劳驾驶引起的事故造成约0.53人死亡［2］。美国交通部针对商用车辆的报告中指出，20%～40%的商用车辆交通事故是由于疲劳驾驶导致［3］。在纽约1次针对1 000名驾驶人调查中，有55%的驾驶人承认有过疲劳驾驶经历，更有23%的驾驶人曾经在行驶过程中睡着［4］。由于引起驾驶人疲劳的因素常见且众多，因此疲劳驾驶是最为普遍和最危险的驾驶行为之一［5］。车载疲劳预警设备是防止疲劳驾驶的重要手段，它通过车载传感器采集疲劳特征指标，并在一定条件下触发视觉、声音等形式的疲劳预警信息提示，帮助驾驶人判断是否还能继续驾驶。

眼闭合时间［6－8］与车辆偏移［6，9－10］（包含越线）是疲劳驾驶的典型特征指标。郑培研究了眼睛及其疲劳机理，讨论了单位时间内眼睛闭合时间所占的百分率（percentage of eye closed，PERCLOS）和其他眼睛活动测量方法的有效性，确认测量机动车驾驶疲劳最好的方法是PERCLOS［11］。Takashi等［12］在对驾驶人扫视、SEM（slow eye movement）、瞳孔直径、眨眼和PERCLOS眼动指标的警觉性对比分析发现，PERCLOS对驾驶人警觉性的检测能力最强。PERCLOS检测的可靠性和实时性都较高，但不同驾驶人的PERCLOS 有很大不同（比如，有些人睡觉时眼睛不闭合），对于它的检测（需要追踪眼球）有一定的不可靠因素，因此，如果只用它来检测疲劳驾驶，仍然存在误判。驾驶人的车道保持能力随疲劳程度的升高而降低是疲劳驾驶的重要特征，因此车道偏移也是疲劳检测的研究热点。美国Iteris公司研制的AutoVue系统，它通过1个朝向道路前方的CCD 摄像头检测驾驶人的行车轨迹，在驾驶人因疲劳而导致无意识偏离车道时，可及时向驾驶人发出警告［13］；Chang等［14］利用机器视觉检测技术对车道标志线进行实时检测，当发现车辆异常偏离中线位置时，系统会发出警报提醒驾驶人。车道偏离检测其抗干扰性强、可靠性较高，但是灵敏度相对较低。

单一指标检测的缺陷显而易见，因此，本研究结合闭眼时间和越线行为进行疲劳预警，并利用驾驶模拟器实验来检验预警的识别准确性。

1 指标提取

PERCLOS是指眼睛闭合时间所占的时间比例，其计算方法有P70，P80和EM 3种判定标准，分别表示瞳孔被眼睑纵向遮住70%的时间比率、遮住80%的时间比率，以及眼睑均方闭合率，其中P80与疲劳程度间具有最好的相关性［15］。闭眼眼睑开度阈值是计算PERCLOS的关键指标。P80方法中取睁眼眼睑开度的20%作为闭眼眼睑开度阈值Et，但由于眼动仪存在对眼睑开度的测量存在误差，导致眼完全闭合时的眼睑开度值不为零，因此Et需要重新标定。

本研究中的闭眼阈值标定方法如下：在实验的初期，取一段明显符合眼动周期变化规律（睁眼、闭眼规律）的驾驶人眼睑开度数据，分别计算Eopen的平均值和Eclosed的平均值，如图1所示。Et由下公式计算：Et＝（珚Eopen－珚Eclosed）×20%。一定时间内，眼睑开度值小于Et的样本数为Nc，总样本点数为N，则PERCLOS的计算公式为：PERCLOS＝Nc／N。

图1 闭眼阈值计算示意图Fig.1 Schematic of eyelid closure threshold calculation

越线是驾驶人的1次车边缘驶离车道线（侵占相邻车道或驶离道路）到下1次车边缘回到车道内的过程。如图2所示，图中的曲线表示车辆重心（center of gravity，COG）的运行轨迹；越线判别线与车道中心线的距离为1.022 m，即当车辆中心超越此线时，其车辆边缘即越过车道线。越线时空面积即为越线部分的轨迹与越线判别线之间所围成的面积，如图2中的阴影部分面积所示。越线时空面积可以反映一段时间内驾驶人的越线的严重程度。越线时空面积的计算公式为

式中：LP为车道偏移值，｜LPi｜＞1.022；ti为抽样间隔时间，本研究中为0.1s。

图2 车道越线指标示意图Fig.2 Schematic of lane departure

2 预警逻辑

本研究的预警指标阈值是通过疲劳特征研究的决策树分类确定，将Perclos大于0.25，越线时空面积大于0 的划分为严重疲劳；将Perclos大于0.1，越线时空面积大于0的划分为一般疲劳；将Perclos小于0.1且越线时空面积为0的划分为不疲劳。整个流程见图3。

其中，T值是为了避免驾驶人对频繁提示反感而加入的延缓提示时间（也可以理解为提示后给驾驶人预留的反应窗口时间），本研究中取1min；检测窗口Tw：取1min，即Perclos和越线时空面积都计算当前1min的检测步长Ts：本研究中取10s。疲劳预警设备提示图标和实物见图4。

图3 疲劳预警提示逻辑流程图Fig.3 Fatigue warning prompts logic flowchart

图4 疲劳预警提示设备Fig.4 Fatigue warning device

3 实验及数据分析

本研究利用同济大学8 自由度驾驶模拟器（见图5）进行仿真实验来检验疲劳预警设备的识别准确性。4位驾驶人中午用餐后，在单调的环形高速公路上以110～120km／h 的速度行驶6圈，全程约1h。为了让受试人员在有限的实验时间内达到较高的疲劳程度，每位驾驶人被要求在实验道路上连续驾驶6圈（约1h），车速需要保持在120km／h左右；驾驶期间不需要变换车道；实验车使用自动挡，驾驶人无需变换档位；实验期间不允许驾驶人使用手机、收音机、CD 机等设备；无环境干扰（例如道路横风）；不需要切换实验车的灯光（白天，无隧道，无天气变化）；少量其他交通车辆，但不阻挡实验车所在车道。在实验过程中，驾驶模拟器记录下车道偏移值，Smart Eye?眼动仪记录下驾驶人的眼睑开度，驾驶人面部的视频也通过红外摄像头记录。

为了客观的通过外部观测的方式获取驾驶人KSS疲劳等级，建立了外部观测的标准。标准的建立主要通过眼睑开度、眨眼速度、眨眼次数、眼球活动、注意力、对外部环境的关注度、反应、抗疲劳动作和精神状态进行判别，该判别相关研究将另行发表。外部观测的疲劳等级与主观疲劳等级进行对比校核发现，外观观测的疲劳等级与主观获取的KSS一致率达86.5%。每分钟1次的外部观测获取的驾驶人KSS值被作为驾驶人疲劳程度的度量指标。

图5 同济大学8自由度驾驶模拟器和Smart Eye?眼动仪Fig.5 Tongji 8DOF advanced driving simulator and Smart Eye?eye tracker

为了分析预警的有效性定义了3个报警率指标：一般疲劳报警率（WRF）为一般疲劳报警次数与对应KSS值总时间（以分钟为单位）的比值；严重疲劳报警率（WRSF）为严重疲劳报警次数与对应KSS值总时间（以分钟为单位）的比值；总报警率（TWR）为总报警次数与对于KSS 值总时间（以分钟为单位）的比值。4位驾驶人的实验结果分别如下。

驾驶人1的3圈驾驶中，其外部观测KSS值取值为7，8，9。KSS为7级时，疲劳预警系统无报警；KSS为8时的总报警率为0.9；KSS为9时的总报警率为0.89，且驾驶人进入9 级后，所有报警均为严重疲劳报警。见表1。

表1 驾驶人1的报警次数与KSSTab.1 Warning count and KSS of Driver 1

驾驶人2的3圈驾驶中，其外部观测KSS取值为6，7，8，9。KSS为6时，无报警；KSS为7时，总报警率为0.25；KSS为8时，总报警率为1；KSS为9时总报警率为0.9。见表2。

驾驶人3的6圈驾驶中，其外部观测KSS值的取值范围为6，7，8。KSS为6级时，无一般疲劳报警和严重疲劳报警；KSS为7级时有1次一般疲劳报警，总报警率为0.06；而KSS为8级时，有3次一般疲劳报警和1次严重疲劳报警，总报警率为0.31。见表3。

表2 驾驶人2的报警次数与KSSTab.2 Warning count and KSS of Driver 2

表3 驾驶人3的报警次数与KSSTab.3 Warning count and KSS of Driver 3

驾驶人4的6圈驾驶中，其外部观测KSS值的取值为8和9，对不同KSS的报警次数进行统计发现，KSS 为8 级时，总报警率为0.41，而当KSS为9级时，总报警率为0.86。见表4。

表4 驾驶人4的报警次数与KSSTab.4 Warning count and KSS of Driver 4

从4位驾驶人的疲劳预警的变化趋势来看严重疲劳报警率、总报警率随KSS的升高而升高，一般疲劳报警率在KSS 小于等于8 时，随KSS的升高而升高，KSS 由8 变为9 时，一般疲劳报警率降低。从具体的每个KSS等级的报警情况来看，KSS在7级以下的报警率为0，当KSS为7级时，存在较低的一般疲劳报警率，但未出现严重疲劳报警；当KSS 为8 级时，2 位驾驶人的一般疲劳报警率高于严重疲劳报警率，2 位驾驶人的结果相反；当KSS为9时，严重疲劳报警率高于一般疲劳报警率，且总报警率在0.85以上。

4 结束语

笔者以PERCLOS 和越线时空面积为疲劳检测依据，开发了疲劳预警设备，并通过8自由度驾驶模拟器的实验检验了该设备的疲劳识别准确性。以每分钟1次的外部观测的KSS值作为驾驶人的疲劳程度，对比分析了不同KSS值下疲劳预警设备的提示情况。结果发现：严重疲劳报警率、总报警率与KSS正相关，一般疲劳报警率在KSS小于等于8时，随KSS的升高而升高，KSS由8变为9时，一般疲劳报警率降低，严重疲劳报警率大幅升高。KSS在7级以下的报警率为0，当KSS为7级时，2位驾驶出现较低的一般疲劳报警率（分别为0.09和0.25），但未出现严重疲劳报警；当KSS为8级时，总报警率的平均值为0.45；当KSS为9时，严重疲劳报警率高于一般疲劳报警率，且总报警率在0.85以上。该报警设备对KSS为9级的识别准确性较好，而对于KSS为8级的疲劳识别仍然需要提高才能满足实际检测的需要。

受到时间和实验规模的限制，本研究的样本量较少，因此需要进一步扩大样本进行检验。此外，本研究中的疲劳程度是以视频观测获取，带有主观性，后续研究中需要考虑如何更加客观的获取驾驶人疲劳程度。

［1］严新平，张 晖，吴超仲，等.道路交通驾驶行为研究进展及其展望［J］.交通信息与安全，2013（1）：45－51.Yan Xinping，Zhang Hui，Wu Chaozhong，et al.Research progress and prospect of road traffic driving behavior［J］.Journal of Transport Information and Safety，2013（1）：45－51.（in Chinese）.

［2］公安部交通管理局.中华人民共和国道路交通事故统计资料汇编2001—2008［Z］.北京：公安部交通管理局，2009.The Ministry of Public Security of the People’s Republic of China，Road and Transport Authority，Road Traffic Crash Statistics 2001－2008［R］.Beijing：The Ministry of Public Security of the People’s Republic of China 2009.（in Chinese）.

［3］US.Department of Transportation.Research and special programs administration.Commercial Transportation Operator Fatigue Management Reference［R］.Washington，DC：US.Department of Transportation，2003.7

［4］McCartt A T，Ribner S A，Pack A I，et al.The scope and nature of the drowsy driving problem in New York State［J］.Accident Analysis ＆Prevention，1996，28（4）：511－517.

［5］毛 喆.机动车疲劳驾驶行为识别方法研究［D］.武汉：武汉理工大学，2009.Mao Zhe.Research on identification of fatigue driving behavior［D］.Wuhan：Wuhan University ofTechnology，2009.（in Chinese）.

［6］Ingre M，Akerstedt T，Peters B，et al.Subjective sleepiness，simulated driving performance and blink duration：examining individual differences［J］.Journal of Sleep Research，2006（15）：47－53.

［7］Jo J，Lee S J，Park K R，et al.Detecting driver drowsiness using feature－level fusion and user－specific classification［J］.Expert Systems with Applications，2014，41（4）：1139－1152.

［8］Hu S，Zheng G.Driver drowsiness detection with eyelid related parameters by support vector machine［J］.Expert Systems with Applications，2009，36（4）：7651－7658.

［9］Davenne D，Lericollais R，Sagaspe P，et al.Reliability of simulator driving tool for evaluation of sleepiness，fatigue and driving performance［J］.Accident Analysis ＆ Prevention，2012，45（3）：677－682.

［10］Forsman P M，Vila B J，Short R.A，et al.Efficient driver drowsiness detection at moderate levels of drowsiness［J］.Accident Analysis ＆ Prevention，2013，50（1）：341－350.

［11］郑 培，机动车驾驶员驾驶疲劳测评方法的研究［D］.北京：中国农业大学，2002.Zheng Pei，Study on detecting and evaluating technique of motor driver fatigue［D］.Beijing：China Agriculture University，2002.（in Chinese）.

［12］Takashi Abe，Tomohide Nonomura，Yoko Komada，et al.Detecting deteriorated vigilance using percentage of eyelid closure time during behavioral maintenance of wakefulness tests［J］.International Journal of Psychophysiology，2011，82（3）：269－274.

［13］Weng M，Chen C，Kao H.Remote surveillance system for driver drowsiness in real－time using low－cost embedded platform［C］∥Vehicular Electronics and Safety，2008.ICVES 2008.IEEE International Conference on.Columbus ohio：IEEE，2008：288－292.

［14］Chang T H，Hsu C S，Wang C，et a1.Onboard measurement and warning module for irregular vehicle behavior［C］∥Hongkong：IEEE Transaction on Intelligence Transportation and System.Hongkong：IEEE 2008：501－513.

［15］Dinges D F，Grace R.Perclos：A valid psychophysiological measure of alertness as assessed by psychomotor vigilance［R］.Washington，DC：Federal Highway Administration，1998.