基于眼動(dòng)特征的疲勞駕駛檢測(cè)方法

牛清寧，周志強(qiáng)，金立生，劉文超，于鵬程

（1.公安部道路交通安全研究中心，北京100062；2.吉林大學(xué)交通學(xué)院，吉林長(zhǎng)春130022）

基于眼動(dòng)特征的疲勞駕駛檢測(cè)方法

牛清寧1，周志強(qiáng)1，金立生2，劉文超1，于鵬程1

（1.公安部道路交通安全研究中心，北京100062；2.吉林大學(xué)交通學(xué)院，吉林長(zhǎng)春130022）

為了提高疲勞駕駛檢測(cè)模型準(zhǔn)確率和實(shí)時(shí)性，基于駕駛模擬實(shí)驗(yàn)，利用SmartEye系統(tǒng)提取了駕駛?cè)瞬煌{駛狀態(tài)下眼動(dòng)數(shù)據(jù)。基于眼動(dòng)參數(shù)協(xié)議，提出了眨眼頻率、PERCLOS、注視方向和注視時(shí)間4個(gè)特征參數(shù)的計(jì)算方法。分析了各特征參數(shù)的最優(yōu)時(shí)窗，針對(duì)不同特征參數(shù)最優(yōu)時(shí)窗差異，提出了滑移時(shí)窗的數(shù)據(jù)融合方法?；谥С窒蛄繖C(jī)，搭建了疲勞駕駛檢測(cè)模型。實(shí)驗(yàn)結(jié)果表明，該模型可以有效地進(jìn)行疲勞狀態(tài)檢測(cè)，準(zhǔn)確率能夠達(dá)到83.84%。

疲勞駕駛；眼動(dòng)特征；支持向量機(jī)；滑移時(shí)窗；時(shí)窗；檢測(cè)模型

疲勞駕駛是導(dǎo)致道路交通事故的主要因素之一。Klauer等研究發(fā)現(xiàn)，疲勞駕駛引發(fā)交通事故的概率是正常駕駛的4～6倍［1］。每年由疲勞駕駛而引起的交通事故占事故總數(shù)的20%左右，占特大交通事故的40%以上［2?3］。因此，需要對(duì)駕駛?cè)说鸟{駛狀態(tài)進(jìn)行實(shí)時(shí)檢測(cè)，當(dāng)出現(xiàn)疲勞駕駛時(shí)，給予有效的預(yù)警，對(duì)于降低交通事故及人員傷亡有著十分重要的現(xiàn)實(shí)意義。

疲勞駕駛檢測(cè)方法分為主觀檢測(cè)和客觀檢測(cè)。主觀檢測(cè)主要通過(guò)主觀調(diào)查表、駕駛?cè)俗晕矣涗洷?、斯坦福睡眠尺度表和皮爾遜疲勞量表等評(píng)定駕駛?cè)说钠跔顟B(tài)［4］?？陀^檢測(cè)包括基于生理信號(hào)檢測(cè)的方法（腦電信號(hào)、肌電信號(hào)和皮電信號(hào)等）［5］、基于生理反應(yīng)檢測(cè)的方法（眼動(dòng)特征、面部朝向等）［6］和基于駕駛行為檢測(cè)的方法（方向盤(pán)轉(zhuǎn)角、車道偏移量等）［7?8］。其中，基于駕駛?cè)搜蹌?dòng)特征的非接觸式檢測(cè)方法被廣泛采用［6］。Lenskiy等基于顏色和紋理實(shí)現(xiàn)了駕駛?cè)搜鄄康臏?zhǔn)確定位和分割，提取了眨眼頻率和眼睛閉合時(shí)間進(jìn)行疲勞狀態(tài)的檢測(cè)［9］。成波等利用多重回歸對(duì)PERCLOS、平均睜眼程度以及最長(zhǎng)閉合時(shí)間3個(gè)指標(biāo)進(jìn)行融合實(shí)現(xiàn)了對(duì)疲勞狀態(tài)的檢測(cè)，準(zhǔn)確率為76.7%［10］。胡淑燕等利用從眼電信號(hào)提取出的11個(gè)眼瞼運(yùn)動(dòng)特征參數(shù)搭建了基于支持向量機(jī)的駕駛?cè)似陬A(yù)測(cè)模型，實(shí)現(xiàn)了疲勞駕駛的提前預(yù)測(cè)［11］。

目前的研究主要集中在眼部區(qū)域的定位和分割，而在疲勞特征參數(shù)的選擇及檢測(cè)模型的優(yōu)化方面，大多采用單個(gè)或少量幾個(gè)眼瞼運(yùn)動(dòng)參數(shù)來(lái)判斷駕駛?cè)说钠诔潭龋?1］。同時(shí)，在多特征參數(shù)融合及不同特征參數(shù)最優(yōu)時(shí)窗選擇優(yōu)化方面存在一定的不足，各特征參數(shù)都在同一固定時(shí)窗內(nèi)計(jì)算，并沒(méi)有考慮其差異性。本文通過(guò)駕駛模擬實(shí)驗(yàn)，利用SmartEye系統(tǒng)提取駕駛?cè)说难蹌?dòng)特征參數(shù)：眨眼頻率、PERCLOS、注視方向和注視時(shí)間，提出利用滑移時(shí)窗融合的方法，實(shí)現(xiàn)各特征參數(shù)在其最優(yōu)時(shí)窗內(nèi)的融合，基于支持向量機(jī)搭建疲勞駕駛檢測(cè)模型。

1 疲勞駕駛實(shí)驗(yàn)

在駕駛模擬實(shí)驗(yàn)的基礎(chǔ)上，利用SmartEye系統(tǒng)采集20名駕駛?cè)苏ｑ{駛和疲勞駕駛狀態(tài)下的眼動(dòng)數(shù)據(jù)。

1.1 實(shí)驗(yàn)平臺(tái)

采用自行開(kāi)發(fā)的奔騰B50駕駛模擬實(shí)驗(yàn)平臺(tái)進(jìn)行駕駛模擬實(shí)驗(yàn)，駕駛模擬實(shí)驗(yàn)平臺(tái)如圖1（a）所示。駕駛?cè)搜蹌?dòng)數(shù)據(jù)通過(guò)SmartEye系統(tǒng)直接讀取。SmartEye系統(tǒng)是由瑞典Smart Eye AB公司提供的一類非接觸式眼睛跟蹤系統(tǒng)，包括4個(gè)攝像頭和2組紅外光源，分別位于駕駛?cè)俗笥覂蓚?cè)，如圖1（b）所示，可以采集不同光照條件下駕駛?cè)搜蹌?dòng)數(shù)據(jù)。

圖1 實(shí)驗(yàn)平臺(tái)Fig.1 Experimental platform

1.2 實(shí)驗(yàn)駕駛?cè)撕蛯?shí)驗(yàn)場(chǎng)景

相關(guān)研究表明，年輕男性駕駛?cè)耸瞧隈{駛事故的高危人群［2，12］。依據(jù)實(shí)驗(yàn)要求，招募20名具有合法駕照的駕駛?cè)耍ㄅ?名，男14名）進(jìn)行駕駛模擬實(shí)驗(yàn)，年齡21～39歲（均值為26.7，標(biāo)準(zhǔn)差為5.23）。

運(yùn)用Multigen Creator和Vage自行設(shè)計(jì)高速公路場(chǎng)景，該場(chǎng)景模擬長(zhǎng)春到四平高速公路（長(zhǎng)平高速公路）進(jìn)行設(shè)計(jì)，雙向4車道，單車道寬3.75 m，中間隔離帶寬3 m，全長(zhǎng)96 km，車速限制80～120 km／h。

1.3 實(shí)驗(yàn)過(guò)程

整個(gè)實(shí)驗(yàn)過(guò)程分為正常駕駛和疲勞駕駛2個(gè)階段進(jìn)行。每位駕駛?cè)硕急仨氝M(jìn)行2個(gè)階段的實(shí)驗(yàn)，首先進(jìn)行正常駕駛實(shí)驗(yàn)，2次實(shí)驗(yàn)時(shí)間間隔為3周。在實(shí)驗(yàn)前2天提前通知駕駛?cè)?，?shí)驗(yàn)前12 h內(nèi)禁止飲酒。

1.3.1 正常駕駛

正常駕駛實(shí)驗(yàn)前1 d要求駕駛?cè)吮ＷC充足的睡眠，實(shí)驗(yàn)時(shí)間選擇在駕駛?cè)苏Ｐ菹⒑缶Τ渑娴纳衔邕M(jìn)行。從上午10∶00開(kāi)始，持續(xù)2 h。實(shí)驗(yàn)前20 min研究人員介紹實(shí)驗(yàn)過(guò)程及注意事項(xiàng)，駕駛?cè)耸煜ゑ{駛環(huán)境，不記錄實(shí)驗(yàn)數(shù)據(jù)，只記錄后100 min實(shí)驗(yàn)數(shù)據(jù)。

1.3.2 疲勞駕駛

疲勞駕駛實(shí)驗(yàn)前1天限制駕駛?cè)怂邥r(shí)間為凌晨1∶00～6∶00共5 h。疲勞駕駛實(shí)驗(yàn)選擇最易出現(xiàn)疲勞狀態(tài)的時(shí)間，從下午2∶00開(kāi)始［12］，持續(xù)2 h或駕駛?cè)擞捎谶^(guò)度疲勞而要求中止實(shí)驗(yàn)。

1.4 實(shí)驗(yàn)數(shù)據(jù)

同步采集的實(shí)驗(yàn)數(shù)據(jù)包括駕駛?cè)搜蹌?dòng)參數(shù)、道路前景視頻和駕駛?cè)嗣娌恳曨l。其中眼動(dòng)特征參數(shù)采樣頻率為50 Hz，道路前景視頻和面部視頻采樣頻率為10 Hz。

1.5 疲勞狀態(tài)評(píng)價(jià)

研究表明，駕駛?cè)似诔潭茸晕覍?shí)時(shí)評(píng)價(jià)與面部視頻他人評(píng)價(jià)之間存在明顯的一致性［13］，為了避免實(shí)時(shí)自評(píng)侵入性影響和個(gè)人主觀差異性影響，本文采用視頻他評(píng)的方法確定駕駛?cè)似诔潭?。?shí)驗(yàn)結(jié)束后根據(jù)駕駛?cè)说拿娌恳曨l和道路前景視頻，由3名經(jīng)過(guò)訓(xùn)練的研究人員依據(jù)KSS睡眠尺度表［14］對(duì)駕駛?cè)似诔潭泉?dú)立進(jìn)行評(píng)分（KSSscore），取其平均值作為疲勞狀態(tài)的客觀評(píng)分。為保持?jǐn)?shù)據(jù)的一致性，當(dāng)3名研究人員評(píng)分結(jié)果差異較大時(shí)，重新確認(rèn)原有評(píng)分。實(shí)驗(yàn)開(kāi)始和結(jié)束時(shí)，要求駕駛?cè)艘罁?jù)KSS睡眠尺度表對(duì)其疲勞狀態(tài)進(jìn)行自我評(píng)價(jià)，作為該駕駛?cè)似诔潭瓤陀^依據(jù)。

依據(jù)KSSscore得分，對(duì)采集駕駛?cè)搜蹌?dòng)數(shù)據(jù)分段記錄，包括：駕駛?cè)司幪?hào)、開(kāi)始時(shí)間、結(jié)束時(shí)間、持續(xù)時(shí)間和KSSscore。

如果KSSscore≤3，認(rèn)為駕駛?cè)颂幱谡ｑ{駛狀態(tài)，如果KSSscore≥7，認(rèn)為駕駛?cè)颂幱谄隈{駛狀態(tài)［15］。

1.6 眼動(dòng)參數(shù)

利用SmartEye系統(tǒng)采集的駕駛?cè)搜蹌?dòng)參數(shù)協(xié)議如表1所示。

表1 SmartEye系統(tǒng)協(xié)議Table1 Protocol of SmartEye system

2 眼動(dòng)特征參數(shù)

在駕駛模擬實(shí)驗(yàn)的基礎(chǔ)上，利用SmartEye系統(tǒng)采集20名駕駛?cè)苏ｑ{駛和疲勞駕駛狀態(tài)下的眼動(dòng)數(shù)據(jù)。

眨眼頻率、PERCLOS、注視方向和注視時(shí)間是目前常用的有效特征參數(shù)，根據(jù)眼動(dòng)參數(shù)協(xié)議提取有效特征參數(shù)。

2.1 眨眼頻率

眨眼頻率（blink frequency，BF），即單位時(shí)間內(nèi)眨眼次數(shù)。一般正常并經(jīng)過(guò)充分休息的眼睛眨眼頻率約2～4 s／次，每次眨眼時(shí)間為0.25～0.3 s。當(dāng)駕駛?cè)颂幱谄隈{駛狀態(tài)時(shí)，眨眼頻率會(huì)增加或減少［9］。

第i個(gè)時(shí)窗內(nèi)BF的計(jì)算公式為

式中：BTei為第i個(gè)時(shí)窗結(jié)束時(shí)的總眨眼次數(shù)；BTsi為第i個(gè)時(shí)窗開(kāi)始時(shí)的總眨眼次數(shù)；Tbf為BF的計(jì)算時(shí)窗大小，眨眼頻率最優(yōu)計(jì)算時(shí)窗為60 s［12］。

2.2 PERCLOS

P80為常用的PERCLOS（percentage of eyelid closure time）計(jì)算標(biāo)準(zhǔn)，是指單位時(shí)間內(nèi)眼睛睜開(kāi)程度小于20%所占的比例［6］。

P80計(jì)算公式為

式中：f0為樣本采樣頻率；TP80為P80的計(jì)算時(shí)窗大小，P80的最優(yōu)計(jì)算時(shí)窗為10 s［12］；np為單位時(shí)窗內(nèi)眼睛閉合程度超過(guò)80%的次數(shù)。

np的計(jì)算公式為

式中：LELj為第j幀圖像的左眼瞼尺寸，RELj為第j幀圖像的右眼瞼尺寸，LELM為駕駛?cè)俗笱鄄€平均尺寸，RELM為駕駛?cè)擞已鄄€平均尺寸，第i個(gè)時(shí)窗的np初始化為0。

由于駕駛?cè)藗€(gè)體差異性，對(duì)每位駕駛?cè)巳?00組正常駕駛狀態(tài)下眼瞼尺寸計(jì)算LELM和RELM：

2.3 注視方向和注視時(shí)間

相關(guān)研究表明，駕駛?cè)诉B續(xù)2 s注視區(qū)域偏離正常道路前方，發(fā)生交通事故概率增加2倍［16］。出現(xiàn)疲勞駕駛時(shí)，駕駛?cè)艘暰€方向長(zhǎng)時(shí)間偏離正常道路前方的次數(shù)增加。因此，注視方向和注視時(shí)間可以作為疲勞駕駛檢測(cè)有效特征參數(shù)。

將駕駛?cè)说淖⒁晠^(qū)域分為正常注視區(qū)域G1和非正常注視區(qū)域G0。利用正常注視區(qū)域內(nèi)注視時(shí)間比例ftr來(lái)表示駕駛?cè)说淖⒁晻r(shí)間和注視方向。ftr的計(jì)算公式為

式中：Tftr為ftr的計(jì)算時(shí)窗大小，本文Tftr＝2s；nf為單位時(shí)窗內(nèi)注視方向在正常注視區(qū)域內(nèi)注視次數(shù)。

nf計(jì)算公式為

式中：GDXj為第j幀圖像的視線方向X方向分量，GDYj為第j幀圖像的視線方向Y方向分量，第i個(gè)時(shí)窗的nf初始化為0。

3 疲勞駕駛檢測(cè)模型

疲勞駕駛與眼動(dòng)特征之間存在復(fù)雜的非線性關(guān)系，本文采用支持向量機(jī)建立疲勞駕駛檢測(cè)模型。

3.1 支持向量機(jī)

支持向量機(jī)（support vector machine，SVM）是基于統(tǒng)計(jì)學(xué)習(xí)的理論提出的，現(xiàn)已成為機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘的標(biāo)準(zhǔn)工具之一，被廣泛應(yīng)用于模式識(shí)別等領(lǐng)域［7］。

3.2 特征參數(shù)組

眨眼頻率、PERCLOS、正常注視區(qū)域內(nèi)注視時(shí)間比3個(gè)參數(shù)構(gòu)成特征參數(shù)組作為支持向量機(jī)模型的輸入X＝［BF，P80，ftr］。

3.3 滑移時(shí)窗

圖2 滑移時(shí)窗示意圖Fig.2 Schematic diagram of slip time window

本文選擇滑移時(shí)間Δt＝2 s。因此，BF的重復(fù)率為96.7%，P80的重復(fù)率為80%，F(xiàn)TR的重復(fù)率為0。

在已經(jīng)劃分的眼動(dòng)數(shù)據(jù)段內(nèi)選擇持續(xù)時(shí)間大于2 min的數(shù)據(jù)段，利用滑移時(shí)窗的特征參數(shù)組融合方法，提取并融合疲勞駕駛和正常駕駛的有效眼動(dòng)特征參數(shù)組。共得到4 500組正常駕駛樣本和3 000組疲勞駕駛樣本。

3.4 模型訓(xùn)練

核函數(shù)的選擇對(duì)于SVM模型的訓(xùn)練分類準(zhǔn)確率存在直接影響，目前常用的核函數(shù)主要有：線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)和Sigmoid核函數(shù)［17］。其中徑向基核函數(shù)對(duì)于處理駕駛?cè)俗⒁饬顟B(tài)檢測(cè)方面存在一定的優(yōu)勢(shì)［7］，因此，選擇徑向基核函數(shù)。

基于SVM疲勞駕駛檢測(cè)模型由Libsvm實(shí)現(xiàn)［17］。隨機(jī)選擇3 000組正常駕駛樣本和2 000組疲勞駕駛樣本作為訓(xùn)練集。采用網(wǎng)格尋優(yōu)的方式選擇參數(shù)γ和懲罰參數(shù)C，并進(jìn)行5?fold交叉驗(yàn)證，得到最優(yōu)的［C，γ］值。最優(yōu)γ＝8，最優(yōu)C＝0.25。

4 結(jié)果分析

4.1 準(zhǔn)確率分析

利用剩余1 500組正常駕駛樣本和1 000組疲勞駕駛樣本構(gòu)成測(cè)試集對(duì)構(gòu)建的SVM模型進(jìn)行測(cè)試。模型測(cè)試結(jié)果如表2所示。

表2 SVM模型輸出結(jié)果Table2 Test results of SVM model

由表2可以知道，模型正確識(shí)別正常駕駛樣本1 232個(gè)，誤識(shí)別268個(gè)，正確識(shí)別疲勞駕駛樣本864個(gè)，誤識(shí)別136個(gè)，合計(jì)正確識(shí)別2 096個(gè)，誤識(shí)別404個(gè)。本文采用準(zhǔn)確率、靈敏度［7］和特異度［7］對(duì)建立的SVM模型進(jìn)行綜合評(píng)價(jià)，評(píng)價(jià)結(jié)果如下：模型檢測(cè)準(zhǔn)確率為83.84%，靈敏度為86.4%，特異度為82.13%。

模型的靈敏度為86.4%，其中有136個(gè)疲勞樣本被誤識(shí)為正常樣本。對(duì)比道路前景視頻和駕駛?cè)嗣娌恳曨l可知，136個(gè)誤識(shí)樣本主要來(lái)自2個(gè)視頻段，道路前景視頻顯示，這2個(gè)視頻段均出現(xiàn)明顯的車道偏離，而駕駛?cè)嗣娌恳曨l顯示的眼動(dòng)特征參數(shù)與正常駕駛相比并沒(méi)有明顯的差異，但出現(xiàn)了打哈欠、揉眼睛等疲勞現(xiàn)象。造成誤判的原因是本文主要基于駕駛?cè)说难蹌?dòng)特征進(jìn)行檢測(cè)，沒(méi)有考慮面部特征，特征參數(shù)選擇不夠全面。模型的特異度為82.13%，其中有268個(gè)正常樣本被誤識(shí)為疲勞樣本。對(duì)比駕駛?cè)嗣娌恳曨l可知，268個(gè)誤識(shí)樣本來(lái)自同一駕駛?cè)?，而該駕駛?cè)说恼Ｑ垲l率明顯低于其他駕駛?cè)苏ｑ{駛時(shí)的眨眼頻率。造成誤識(shí)的原因是駕駛?cè)藗€(gè)體差異。

4.2 實(shí)時(shí)性分析

采用滑移時(shí)窗的數(shù)據(jù)融合方法，實(shí)現(xiàn)了各特征參數(shù)值在其最優(yōu)時(shí)窗內(nèi)計(jì)算。同時(shí)，BF最優(yōu)計(jì)算時(shí)窗為60 s，P80的最優(yōu)計(jì)算時(shí)窗為10 s，都大于模型的檢測(cè)周期2 s，因此，該模型明顯提高了疲勞駕駛檢測(cè)的實(shí)時(shí)性。

5 結(jié)論

本文基于駕駛模擬實(shí)驗(yàn)，提取了駕駛?cè)搜蹌?dòng)特征，搭建了疲勞駕駛模型，實(shí)現(xiàn)了疲勞駕駛檢測(cè)。得到的主要結(jié)論如下：

1）眨眼頻率、PERCLOS、注視方向和注視時(shí)間4個(gè)特征參數(shù)可以用于疲勞駕駛檢測(cè)。

2）不同特征參數(shù)的最優(yōu)時(shí)窗之間存在一定差異性。

3）利用滑移時(shí)窗的方法實(shí)現(xiàn)了不同特征參數(shù)在其最優(yōu)時(shí)窗內(nèi)的融合，提高了檢測(cè)系統(tǒng)準(zhǔn)確率和實(shí)時(shí)性。

本文研究的特征參數(shù)只考慮了駕駛?cè)说难蹌?dòng)特征，而且沒(méi)有考慮個(gè)人差異性因素的影響。因此，在研究駕駛?cè)藗€(gè)體差異性的基礎(chǔ)上，融合駕駛行為、面部特征等多特征的疲勞駕駛檢測(cè)系統(tǒng)，是下一步研究的重點(diǎn)。

［1］KLAUER S G，DINGUS T A，NEALE V L，et al.The im?pact of driver inattention on near?crash／crash risk：an analy?sis using the 100?car naturalistic driving study data［R］.Washington：National Highway Traffic Safety Administra?tion，2006.

［2］趙曉華，許士麗，榮建，等.基于ROC曲線的駕駛疲勞腦電樣本熵判定閾值研究［J］.西南交通大學(xué)學(xué)報(bào)，2013，48（1）：178?183.ZHAO Xiaohua，XU Shili，RONG Jian，et al.Discriminat?ing threshold of driving fatigue based on the electroencepha?lography sample entropy by receiver operating characteristic curve analysis［J］.Journal of Southwest Jiaotong University，2013，48（1）：178?183.

［3］FORSMAN P M，VILA B J，SHORT R A，et al.Efficient driver drowsiness detection at moderate levels of drowsiness［J］.Accident Analysis and Prevention，2013，50：341?350.

［4］吳紹斌，高利，王劉安.基于腦電信號(hào)的駕駛疲勞檢測(cè)研究［J］.北京理工大學(xué)學(xué)報(bào)，2009，29（12）：1072?1075.WU Shaobin，GAO Li，WANG Liuan.Detecting driving fa?tigue based on electroencephalogram［J］.Transactions of Beijing Institute of Technology，2009，29（12）：1072?1075.

［5］彭軍強(qiáng)，吳平東，殷罡.疲勞駕駛的腦電特性探索［J］.北京理工大學(xué)學(xué)報(bào)，2007，27（7）：585?589.PENG Junqiang，WU Pingdong，YIN Gang.Exploring the characters of electro encephalogram for fatigued drivers［J］.Transactions of Beijing Institute of Technology，2007，27（7）：585?589.

［6］AHLSTROM C，NYSTR?M M，HOLMQVIST K，et al.Fit?for?duty test for estimation of drivers'sleepiness level：eyemovements improve the sleep／wake predictor［J］.Transpor?tation Research Part C，2013，26：20?32.

［7］JIN L S，NIU Q N，HOU H J，et al.Driver cognitive dis?traction detection using driving performance measures［J］.Discrete Dynamics in Nature and Society，2012，2012：1?12.

［8］李偉，何其昌，范秀敏.基于汽車操縱信號(hào)的駕駛員疲勞狀態(tài)檢測(cè)［J］.上海交通大學(xué)學(xué)報(bào)，2010，44（2）：292?296.LI Wei，HE Qichang，F(xiàn)AN Xiumin.Detection of driver's fatigue based on vehicle performance output［J］.Journal of Shanghai Jiaotong University，2010，44（2）：292?296.

［9］LENSKIY A A，LEE J S.Driver's eye blinking detection u?sing novel color and texture segmentation algorithms［J］.In?ternational Journal of Control Automation and Systems，2012，10（2）：317?327.

［10］成波，張廣淵，馮睿嘉，等.基于眼睛狀態(tài)識(shí)別的駕駛員疲勞實(shí)時(shí)監(jiān)測(cè)［J］.汽車工程，2008，30（11）：1001?1005.CHENG Bo，ZHANG Guangyuan，F(xiàn)ENG Ruijia，et al.Re?al time monitoring of driver fatigue based on eye state rec?ognition［J］.Automotive Engineering，2008，30（11）：1001?1005.

［11］胡淑燕，鄭鋼鐵.應(yīng)用支持向量機(jī)的眼瞼參數(shù)疲勞預(yù)測(cè)［J］.北京航空航天大學(xué)學(xué)報(bào)，2009，35（8）：929?932.HU Shuyan，ZHENG Gangtie.Driver fatigue prediction with eyelid related parameters by support vector machine［J］.Journal of Beijing University of Aeronautics and Astro?nautics，2009，35（8）：929?932.

［12］SAHAYADHAS A，SUNDARAJ K，MURUGAPPAN M.Detecting driver drowsiness based on sensors：a review［J］.Sensors，2012，12：16937?16953.

［13］張希波，成波，馮睿嘉.基于方向盤(pán)操作的駕駛?cè)似跔顟B(tài)實(shí)時(shí)檢測(cè)方法［J］.清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，50（7）：1072?1076.ZHANG Xibo，CHENG Bo，F(xiàn)ENG Ruijia.Real?time de?tection of driver drowsiness based on steering performance［J］.Journal of Tsinghua University：Science and Technol?ogy，2010，50（7）：1072?1076.

［14］?KERSTEDT T，GILLBERG M.Subjective and objective sleepiness in the active individual［J］.International Jour?nal of Neuroscience，1990，52：29?37.

［15］INGRE M，?KERSTEDT T，PETERS B，et al.Subjective sleepiness，simulated driving performance and blink dura?tion：Examining individual differences［J］.Journal of Sleep Research，2006，15：47?53.

［16］YEKHSHATYAN L，LEE J D.Changes in the correlation between eye and steering movements indicate driver distrac?tion［J］.IEEE Transactions on Intelligent Transportation System，2013，14（1）：136?145.

［17］CHANG C C，LIN C J.LIBSVM：a library for support vec?tor machines［EB／OL］.（2011?05?20）.http：／／www.csie.ntu.edu.tw／～cjlin／libsvm／index.html＃GUI.

Detection of driver fatigue based on eye movements

NIU Qingning1，ZHOU Zhiqiang1，JIN Lisheng2，LIU Wenchao1，YU Pengcheng1
（1.Road Traffic Safety Research Center of Ministry of Public Security，Beijing 100062，China；2.College of Transportation，Jilin Uni?versity，Changchun 130022，China）

In order to improve the accuracy and real time performance of the driver fatigue detection model，based on driving simulation experiment，the eye movement data in different driving states were collected using SmartEye system.According to the protocol of SmartEye system，a calculation method was proposed to obtain the characteris?tic parameters，including blink frequency，PERCOLS，gaze direction and fixation time.The best time window of different characteristic parameters was analyzed.For the best time window of each characteristic parameter was dif?ferent，the slip time window was proposed to fuse the data.A diver fatigue detection model was developed based on the support vector machine.Validation tests showed that the method based on the driver's eye movements has a suc?cessful fatigue detection，whose accuracy reaches 83.84%.

driver fatigue；eye movements；support vector machine；slip time window；time window；detection model

10.3969／j.issn.1006?7043.201311044

http：／／www.cnki.net／kcms／detail／23.1390.U.20150109.1535.018.html

U461.91

A

1006?7043（2015）03?0394?05

2013?11?13.網(wǎng)絡(luò)出版時(shí)間：2015?01?09.

教育部新世紀(jì)優(yōu)秀人才基金資助項(xiàng)目（NCET?10?0435）；高校博士學(xué)科點(diǎn)專項(xiàng)科研基金資助項(xiàng)目（20110061110036）；吉林省人才開(kāi)發(fā)基金資助項(xiàng)目（801121100417）；吉林省科技廳國(guó)際合作資助項(xiàng)目（20130413056GH）.

牛清寧（1987?），男，助理研究員，博士；金立生（1975?），男，教授，博士生導(dǎo)師.

金立生，E?mail：jinls＠jlu.edu.cn.