基于轉向盤轉角的疲勞駕駛檢測方法研究

劉　軍　王利明　聶　斐　袁　俊　程　偉

（江蘇大學，鎮(zhèn)江212013）

?

基于轉向盤轉角的疲勞駕駛檢測方法研究

劉軍王利明聶斐袁俊程偉

（江蘇大學，鎮(zhèn)江212013）

【摘要】為監(jiān)測駕駛人員的疲勞駕駛行為，提出了基于轉向盤轉角的疲勞駕駛檢測方法。該方法利用角度傳感器MLX90316采集轉向盤轉角數據，并從采集的轉角數據中提取出了能描述駕駛員疲勞狀態(tài)的角度標準差和靜止百分比，根據角度標準差和靜止百分比建立疲勞狀態(tài)判別模型對駕駛員疲勞狀態(tài)進行檢測。實車試驗表明，該方法能夠簡單、快捷地判斷駕駛員的疲勞狀態(tài)，準確率達到80.3％。

1　前言

據調查統(tǒng)計顯示，在造成交通事故的眾多不良駕駛行為中，疲勞駕駛是最普遍而且后果最為嚴重的行為［1］。對駕駛人員的疲勞駕駛行為進行監(jiān)測報警，對于預防和控制道路交通事故，以及提高駕駛人員對道路交通系統(tǒng)的安全意識有著重要意義［2］。

目前，對于疲勞駕駛的檢測方法主要有基于計算機視覺和視頻圖像處理的非接觸式檢測方法、基于車輛行為的檢測方法、基于駕駛人員生理指標的檢測方法等［3～6］，但這些方法存在檢測過程繁瑣、算法復雜、易受個體和實際環(huán)境影響等問題，無法快捷、簡便地實現對疲勞駕駛的檢測。為此，本文提出了基于ZigBee的車載疲勞駕駛狀態(tài)檢測方案，根據方案架構了駕駛員疲勞駕駛檢測系統(tǒng)，利用轉向盤狀態(tài)預測駕駛人員的疲勞狀態(tài)，并通過仿真試驗對該方法的準確性進行了驗證。

2　檢測方案與識別方法

2.1檢測方案

疲勞駕駛檢測系統(tǒng)采用非接觸式的絕對轉角傳感器MLX90316進行轉向盤轉角數據的采集，將采集到的數據通過CAN總線發(fā)送給上位機，上位機通過對采集數據進行實時處理和分析建立駕駛員疲勞模型，用以判別駕駛員的疲勞狀態(tài)。疲勞駕駛檢測系統(tǒng)架構如圖1所示。

圖1　疲勞駕駛檢測系統(tǒng)架構示意

2.2疲勞駕駛檢測過程

疲勞駕駛檢測過程為：首先采集轉向盤轉角數據并進行分析處理，提取能描述駕駛員疲勞狀態(tài)的轉向盤角度變化特征，然后利用提取的特征建立判別模型來對駕駛員疲勞狀態(tài)進行分類。

3　疲勞駕駛檢測實現

3.1數據采集與預處理

在疲勞駕駛檢測系統(tǒng)中，主要利用單片機MC9S08DZ32上的模塊SPI和角度傳感器MLX90316進行數據傳輸，此數據傳送方式具有信號不易受干擾、傳送較穩(wěn)定的優(yōu)勢。單片機以主機的身份接收角度傳感器MLX90316傳輸的數據，并將該數據轉變?yōu)閷霓D動角度，通過CAN總線將角度數據傳送到整車的CAN總線網絡中。

3.2疲勞駕駛時轉向盤動作特征分析

通過實車道路試驗獲取轉向盤轉角與駕駛員工作狀態(tài)的關系，以研究能描述駕駛員疲勞狀態(tài)的轉向盤動作特征。在進行實際道路駕駛試驗前，首先要保證駕駛員處于淸醒狀態(tài)，實車試驗從駕駛員十分清醒狀態(tài)開始,直到進入非常疲勞狀態(tài)結束。圖2為實車試驗時駕駛員在不同工作狀態(tài)下典型的轉向盤轉角波形。

圖2　轉向盤轉角與駕駛員工作狀態(tài)關系曲線

由圖2a可看出，在清醒狀態(tài)下，駕駛員操控轉向盤的轉動角度均勻變化，修正轉向盤的頻率很頻繁,而且轉向盤的修正幅度相對較小；由圖2b可看出，駕駛員對轉向盤的修正頻率相對降低，修正幅度變大，表明駕駛員已處于疲勞狀態(tài)；由圖2c可看出，駕駛員對轉向盤的修正頻率進一步降低，轉向盤轉角甚至出現一段時間的持續(xù)不變現象，之后轉向盤轉角又出現了一個大幅度快速波動，這可能是由于此時駕駛員突然發(fā)現車輛偏離車道線后采取了緊急修正，這表明駕駛員已處于非常疲勞狀態(tài)。

由上述分析可知，對轉向盤修正頻率的降低及大幅度的修正是駕駛員處于疲勞狀態(tài)下操作轉向盤的兩個主要特征，其持續(xù)時間在4～20 s之間。

3.3疲勞駕駛判別指標提取

基于上述分析，選取轉向盤轉角的角度標準差和靜止百分比兩個指標來表示轉向盤轉角變化的特征，用以判別駕駛員工作狀態(tài)。角度標準差可直接表征轉向盤轉角變化的幅度，而靜止百分比可表征轉向盤轉角變化角速度及角度變化頻率。但是這兩個指標中單獨一個無法表現出轉向盤轉角變化所有信息，所以提取這兩個指標來共同表示轉向盤轉角變化的特征。

靜止百分比定義為：

式中，F為靜止百分比，表示修正轉向盤的頻率變化；M為指定基準時間內角速度的總采樣點數；m為總采樣點中轉向盤轉動角速度小于設定閾值的點數，本文中閾值為±0.1°/s。

角度標準差定義為:

式中，W為角度標準差，表示轉向盤修正幅度的變化；wi為轉向盤轉動角速度。

駕駛員的工作狀態(tài)可分為清醒、疲勞和非常疲勞3種，圖3為角度標準差和靜止百分比與駕駛員工作狀態(tài)的關系。

由圖3a可看出，駕駛員處于疲勞狀態(tài)時的角度標準差與清醒狀態(tài)時很接近，均為1.2°左右；而駕駛員處于非常疲勞狀態(tài)時的角度標準差較大，約為2.0°,可見利用角度標準差可有效識別駕駛員是否處于非常疲勞狀態(tài)。由圖3b可看出，駕駛員處于清醒狀態(tài)時的靜止百比低于疲勞狀態(tài)和非常疲勞狀態(tài)時的靜止百分比，僅為20％；而疲勞狀態(tài)和非常疲勞狀態(tài)下的靜止百分比較相近，分別為35％和38％，即靜止百分比可用來判斷駕駛員是處于清醒狀態(tài)還是非清醒狀態(tài)（疲勞和非常疲勞）。因此，可利用這兩項指標建立相關的數學模型來判別駕駛員的工作狀態(tài)。

圖3　角度標準差和靜止百分比與駕駛員工作狀態(tài)關系

3.4疲勞狀態(tài)判別算法

線性判別分析（LDA）也被稱為Fisher線性判別（FLD），其算法原理是尋找使Fisher準則達到極大值的向量作為最佳投影方向，并使投影后的樣本達到最大的類間離散度和最小的類內離散度，使投影后樣本具有最佳的可分離性，是一種有效的用于分類的特征提取方法。本文運用LDA建立以靜止百分比和角度標準差為特征向量的線性判別算法。

利用LDA建立的線性判別模型為:

式中，S1、S2、S3為清醒狀態(tài)、疲勞狀態(tài)和非常疲勞狀態(tài)時的線性判別函數；ai、bi、ci（i=1，2，3）為算法系數，由實際訓練樣本得到；p1、p2、p3為清醒狀態(tài)、疲勞狀態(tài)和非常疲勞狀態(tài)時對應的概率。

實際操作時，將傳感器測得的F和W值寫入式（4）中，可以得到函數S1、S2、S3的值。對p1、p2、p3數值進行比較，其最大值所對應的狀態(tài)就是LDA模型的判別結果,也就是當前駕駛員的工作狀態(tài)。

疲勞狀態(tài)判別模型如圖4所示，包含了兩個階段，首先是特征提取，然后是線性判別分析。提取駕駛員特征時，角度標準差由傳感器直接采集。在建立疲勞檢測模型時選用了線性判別分析算法，相對于視頻圖像數據的處理來說，該模型及算法更簡單、方便。

圖4　疲勞狀態(tài)判別模型

4　實車試驗

利用實際道路條件下的車輛行駛數據對所建立的模型進行驗證。試驗所用車輛為別克凱越HRV兩廂車，考慮到駕駛員極易犯困的時段及避免早晚高峰，試驗時間為上午9時～12時和下午1時～4時，地點選擇在鎮(zhèn)江市的主要干道。試驗中測試樣本共300個，其中清醒狀態(tài)樣本為189個，疲勞狀態(tài)樣本為95個,非常疲勞狀態(tài)樣本為15個。測試樣本狀態(tài)是經人工主觀判斷所得，模型判斷的結果與測試樣本狀態(tài)相同則認為模型判斷正確，否則為誤判。試驗結果見表1。

表1　疲勞狀態(tài)判別模型判斷結果

由表1可知，經疲勞狀態(tài)判別模型判斷是清醒狀態(tài)的有169個，判斷是疲勞狀態(tài)的有63個，判斷是非常疲勞狀態(tài)的有9個。模型中正確識別了241個，準確率達到了80.3％。同時，還存在59個誤判的樣本狀態(tài)，其中誤判最多的是將22個疲勞樣本狀態(tài)誤判為清醒狀態(tài)，將20個清醒狀態(tài)誤判為疲勞狀態(tài)。導致誤判的原因主要是在少數路況簡單的直線路段進行實車試驗時，無論是在清醒狀態(tài)還是疲勞狀態(tài)，短時間內轉向盤轉角變化的幅度和頻率都較小，使得提取的靜止百分比和角度標準差失效，從而導致誤判的發(fā)生。

5　結束語

提出了基于轉向盤轉角的疲勞駕駛檢測方法。該方法利用角度傳感器MLX90316采集轉向盤轉角數據，通過對采集的轉角數據進行處理和分析，提取出了能描述駕駛員疲勞狀態(tài)的轉向盤轉角的角度標準差和靜止百分比，并根據角度標準差和靜止百分比建立了疲勞狀態(tài)判別模型，利用該模型對駕駛員的疲勞狀態(tài)進行了檢測。實車試驗表明，該方法能夠較準確地判斷駕駛員的疲勞狀態(tài)，在不降低識別率的前提下，能夠簡單、快捷地對疲勞駕駛狀態(tài)進行檢測。

參考文獻

1任曉明，薛青，鄭長偉.虛擬駕駛員決策行為模型研究．計算機仿真，2012，29（10）:14～17.

2肖獻強，王其東，趙永.基于信息融合的駕駛行為識別技術的研究.汽車工程，2012，34（3）:222～226．

3彭召意，周玉，朱文球.用于疲勞駕駛檢測的人眼快速跟蹤方法.計算機工程，2010，36（15）:191～193．

4 Zhong，YJ，DuLP，ZhangK，et al. Localized Energy Study for Analyzing Driver Fatigue State Basedon Wavelet Analysis ［C］.Proc. Int. Conf．Wavelet Anal. PatternRecogn. ICWAP R，Beijing，China，2007（4）: 1843～1846．

5 KingLM，NguyenHT，Lal SKL. Early Driver Fatigue Detec?tion from Electroencephalography Signals using Artificial Neural Networks. Proceedingsof the 28thIEEEEMBSAnnual International Conference，NewYorkCity，USA，2006: 2187～2190．

6李貞，馮曉毅.基于傳感器技術的駕駛疲勞檢測方法綜述.測控技術，2007，26（4）:1～3．

（責任編輯文楫）

修改稿收到日期為2015年12月29日。

主題詞:疲勞駕駛轉向盤轉角靜止百分比角度標準差檢測

Research on Fatigue Driving Detection Method based on Steering Wheel Angle

Liu Jun, Wang Liming, Nie Fei, Yuan Jun, Cheng Wei
（Jiangsu University, Zhenjiang 212013）

【Abstract】To detect driver′s fatigue driving behavior, a fatigue detection method based on steering wheel angle is proposed, which uses MLX90316 angular transducer to collect the steering- wheel angular data, from which static percentage and angular standard deviation can be extracted, thus the driver′s fatigue driving state can be detected by establishing fatigue state recognition model. The vehicle road tests demonstrate that this method can easily and quickly detect the driver’s fatigue driving state, with accuracy rate of up to 80.3％.

Key words:Fatigue driving, Steering- wheel angle, Static percentage, Angular standard deviation, Detection

中圖分類號:U463.4

文獻標識碼:A

文章編號:1000-3703（2016）04-0042-03