基于眼部特征的疲勞駕駛辨識方法研究

劉志強，宋雪松，汪　彭，周桂良

(江蘇大學 汽車與交通工程學院，江蘇 鎮江 212013)

?

基于眼部特征的疲勞駕駛辨識方法研究

劉志強，宋雪松，汪彭，周桂良

(江蘇大學 汽車與交通工程學院，江蘇 鎮江 212013)

為了提升疲勞駕駛的檢測效果，以PERCOLS眼睛焦點的位置等眼部特征為參數，提出了支持向量機(SVM)疲勞駕駛檢測模型。通過動感型模擬駕駛儀和ASL眼動儀等設備進行了眼部特征參數的數據采集，并以2 s的最優時窗長度對數據進行提取和篩選。完成了疲勞駕駛檢測模型的訓練和驗證。結果表明：該模型的綜合疲勞識別準確率高達83.92%，能有效地應用于疲勞駕駛檢測中。

疲勞駕駛；眼部特征；模型檢測；眼動儀；支持向量機

據統計，世界每年因交通事故而死亡的人數超過100萬，且其中超過40%與疲勞駕駛有關[1-2]。作為交通事故的重要誘發因素之一，疲勞駕駛引起了各國的高度關注。瑞典的SmartEye公司推出的AntiSleep系統已經商用化，奔馳、沃爾沃的高端車系以及日本豐田公司在日本銷售的13代皇冠也都標配瞌睡報警系統。

疲勞作為一種生理及心理機能失調的外在表現，其危險性在于降低了駕駛者的技術能力、感知能力以及思維判斷能力[3]。目前對于疲勞的檢測主要分為基于心電圖(ECG)、腦電圖(EEG)等生理特征的檢測和基于方向盤轉角、車輛行駛軌跡和駕駛者面部表情等駕駛行為特征的檢測。文獻[4]運用腦電記錄儀對疲勞受試者進行了腦電波形的記錄，通過平均功率譜和非線性關聯維數方法，給出了評價駕駛疲勞的腦電判斷標準。文獻[5-6]則分別根據駕駛者的頭部位置信息與正常坐姿的偏差和方向盤轉角的標準差、角速度的標準差來建立疲勞判斷標準，并以此判斷是否存在疲勞駕駛。文獻[7]基于眼動參數協議，提出了眨眼頻率、PERCLOS、注視方向和注視時間4個特征參數的計算方法。文獻[8]提出一種基于稀疏表示的眼睛狀態識別的方法,利用K-SVD字典學習算法結合OMP算法獲得較好的識別效果。

本文提出一種基于PERCOLS、眼睛焦點位置等眼部特征的疲勞駕駛檢測方法。通過實時追蹤駕駛者眼睛焦點的位置EFP(eye focus point)、眼球橫向擺動狀態和PERCLOS(percentage of eyelid closure over the pupil over time)等參數來對駕駛者的狀態進行判斷,并利用動感反饋式模擬駕駛儀進行實驗分析與驗證。結果表明：眼睛注視點位置(EFP)、眼球橫向擺動狀態和PERCLOS等參數能良好地識別駕駛者的疲勞狀態。

1　實驗過程

實驗以6自由度動感型模擬駕駛儀SCANeRII為平臺，運用ASL Mobile Eye-XG眼動儀系統采集10名駕駛者在清醒狀態以及疲勞狀態下的眼睛焦點位置(EFP)、PERCLOS和眼球橫向擺動狀態等數據。

1.1平臺搭建

圖1為動感型模擬駕駛儀實驗平臺。該平臺配備180°廣角視景屏、比亞迪F3實車駕駛艙、6自由度的液壓路感模擬裝置和VIEW4駕駛場景，具有高度逼真的實車駕駛質感和駕駛環境。如圖2所示，實驗通過ASL Mobile Eye-XG眼動儀設備對駕駛者的眼部特征參數進行數據采集。

圖1　模擬駕駛儀

圖2　ASL眼動儀

1.2場景設置

研究結果表明：疲勞駕駛的事故發生率與年齡沒有直接關系，但會隨著駕齡的減小而逐漸升高[9]。按照實驗要求，募集10名合格駕駛者(編號1～10)進行本次疲勞駕駛實驗，其中女性3名、男性7名，年齡分布在21～42歲(均值27.8歲)，1～12年駕齡不等。實驗場景選用容易引發駕駛者疲勞的標準省級道路，公路總長50 km，汽車初始速度為40 km/h,公路為雙向6車道。

1.3實驗步驟

整個實驗分為清醒駕駛和疲勞駕駛兩個階段，受試的駕駛者必須參加兩個階段的實驗。為了避免連續實驗給駕駛者造成生理和心理上的傷害，同時也為了避免第1階段實驗對第2階段實驗造成干擾，實驗采取交叉方式進行(見表1)。

表1　實驗順序安排

第1階段實驗要求受試者必須保證充足睡眠，并且安排在大腦最為清醒的上午10∶00進行。實驗持續1 h。第2階段實驗會對受試者前一天的睡眠進行必要的限制，睡眠時間為凌晨1∶00—6∶00。實驗安排在大腦最為疲乏的下午2∶00進行。實驗持續1 h，并且禁止受試者實驗前補足睡眠[10]。

實驗開始前會對受試者進行必要的駕駛培訓和練習，嚴格按照使用手冊佩戴眼動儀，以保證受試者能夠順利完成實驗。為了保證實驗數據的穩定可靠，整個實驗過程只記錄受試者中間40 min的實驗數據，主要包括駕駛者眼睛焦點軌跡視頻和眼部特征視頻，采集頻率為30 fps。

1.4評價標準

相關研究結果表明：人的自我疲勞評價與面部視頻他人評價之間具有較高的一致性[11-12]。但為了避免自我評價對駕駛者的實驗情緒產生影響，本文選取面部視頻專家評審法，并以此確定駕駛者的疲勞程度。評審環節由5名資深相關研究人員主持，最終依據表2的卡羅林斯卡睡眠尺度(Karolinska sleepiness scale,KSS)對每位駕駛者進行疲勞打分(fatigue Score,FS)[11]。

表2　卡羅林斯卡睡眠尺度

2　數據采集和分析

實驗中采集駕駛過程中駕駛者的眼睛焦點位置(EFP)、PERCLOS、眼睛橫向擺動狀態的初始視頻數據，并在此基礎上對視頻數據進行幀處理,最終根據最優時窗對數據進行特征分析。

2.1眼睛焦點位置(EFP)

有數據顯示：若駕駛者注意力持續3 s偏離安全區域，交通事故的發生率將會增加一倍。而疲勞時，由于人的意識模糊和自我控制能力下降，通常會導致駕駛者注意力長時間偏離安全區域。圖3為某時間內眼睛焦點位置。

將車輛前方的道路和后視鏡視景作為安全區域S1,其余視景為非安全區域S2。通過駕駛者注視非安全區域的時間與單位時窗的比例fs2來衡量當前駕駛者的駕駛狀態。fs2的計算公式為

(1)

其中:n為單位時窗內注視非安全區域的次數；ti為每次注視非安全區域的時長；Ts為時窗長度(取3 s)。

ti計算公式為

(2)

其中:nj為一次注視非安全區域圖像的幀數；fp為視頻的拍攝幀速率。

2.2PERCLOS

通過研究發現:單位時間內眼睛閉合的時長(percentage of eyeIid cIosure over the pupiI over time，PERCLOS)能一定程度反映駕駛者的疲勞狀態。美國聯邦公路管理局在對9種疲勞檢測指標的相關性實驗中發現，PERCLOS指標與疲勞的相關性最高。眼睛閉合時間的長短與疲勞程度有密切關系,眼睛閉合時間越長,疲勞程度越嚴重。其中以P80(如圖4所示，在眼臉遮住瞳孔的面積超過80%就計算為眼睛閉合的前提下，一定時間內眼睛閉合的比例)最為顯著。

P80計算公式為

(3)

其中：nj為單位時窗內雙眼同時閉合的幀數；Tp為單位時窗長度，本文取10 s；fp為視頻拍攝幀速率。

圖3　某時間內眼睛焦點位置

圖4　P80示意圖

2.3眼睛橫向擺動狀態

正常狀態下人的眨眼間隔為2～4 s、眨眼耗時為0.25～0.3 s，并且駕駛者在注視安全區域的駕駛時間段內，眼睛橫向交叉擺動頻繁。而當疲勞出現時，由于目光呆滯，駕駛者眼睛會出現長時間零擺動狀態。

單純地依靠橫向擺幅無法直觀看出橫向擺動與疲勞的關系。因此，以駕駛者視野是否改變和時窗長度對橫向擺幅進行分段方差處理。如圖5所示，當駕駛者的視野從A到B時認為視野改變。圖6為某時間內眼睛左右擺動狀態。

橫向擺幅公式為

(4)

其中：DA為方差值；n為單位時窗(2 s)內圖像的幀數；Ai為眼睛橫向振幅。

圖5　駕駛者視野

圖6　某時間內眼睛左右擺動狀態

3　疲勞檢測模型

由于疲勞與眼部特征之間存在復雜的非線性關系，本文引入支持向量機(support vector machine，SVM)理論對疲勞檢測進行模型建立。

3.1SVM理論

支持向量機(SVM)是一種以統計學為基礎的機器學習方法，通過構建超平面對非線性關系進行高維映射,在樣本有限的情況下對非線性問題仍具有良好的處理能力[13-15]。

3.2特征向量

以眼睛焦點位置(EFP)、PERCLOS、眼睛橫向擺動方差為特征向量組作為支持向量機(SVM)的輸入參數 X=[fs2,p80,DA]。

3.3數據采集

由于本文3個特征向量的時窗長度依次為3 s、10 s、2 s，當以2 s為時窗長度同時對上述參數進行提取時， fs2的數據重復率為33%,P80的數據重復率為80%，DA的數據重復率為0%。

選取每組實驗過程中駕駛者眼部特征持續穩定時間大于20 min的時間段，以2 s為時窗長度進行數據提取和去重。篩選后共得到2 200組清醒駕駛樣本和1 400組疲勞駕駛樣本。

3.4模型訓練

支持向量機模型中常用的核函數類型有多項式型、徑向基型、sigmoid型等。由于核函數的類型決定著SVM模型訓練的準確率，而徑向基型核函數在人的注意力集中狀態方面有著天然的優勢，本文選取徑向基為模型的訓練核函數。

本文基于支持向量機的疲勞駕駛模型主要通過臺灣大學林智仁教授開發的LIBSVM實現。從樣本中隨機選擇1 500組清醒駕駛樣本和9 00組疲勞駕駛樣本進行訓練，并運用網格尋優算法進行參數γ和懲罰參數c的選擇，最終通過5-fold交叉檢驗法得出最優參數γ=8，c=0.25。

4　模型檢測

4.1測試結果

用剩余數據對SVM疲勞駕駛模型進行測試，結果如表3所示。

表3　模型測試結果

由表3可以看出：模型對于駕駛者清醒駕駛正確識別575個，誤識別125個，疲勞駕駛正確識別432個，誤識別68個。本文選取準確率、真陽性率和真陰性率對模型結果進行有效評價，結果顯示：準確率為83.92%，真陽性率為86.40%，真陰性率為82.15%。

4.2結果分析

由上述結果可知，在500組疲勞駕駛數據中，有68組被誤識別為清醒駕駛。通過駕駛者面部視頻資料分析發現導致誤識別發生的因素主要分為采集設備佩戴不標準和疲勞程度識別錯誤兩種，且1號和7號駕駛員具有較為典型的誤識別誘發特征。

其中1號駕駛者由于身材瘦小導致視頻采集眼鏡佩戴過于松垮，從而在駕駛者不疲勞時的點頭過程中致使眼部數據頻繁波動，并且干擾了PERCLOS數據的采集；7號駕駛者由于是輕度疲勞，并且在實驗過程中頻繁通過睜大眼睛和轉動眼球來使自己清醒，以至于欺騙了疲勞駕駛檢測儀器。而在700組清醒樣本中，有125組被誤識別為疲勞駕駛。分析視頻資料發現，誤識別樣本全部來自于1號駕駛者。由于1號駕駛者的眼鏡佩戴問題，在清醒狀態下不斷人為去扶正眼鏡，以至于造成設備對駕駛者眼球的追蹤時常出現掉線情況，從而導致儀器誤認為駕駛者因疲勞而長時間閉眼。

5　結束語

本文利用ASL眼動議設備，采集了10位駕駛者的清醒和疲勞狀態下的眼部特征，建立了基于支持向量機的疲勞檢測模型，并完成了模型檢驗。結果顯示：通過眼睛焦點位置(EFP)、PERCLOS和眼睛橫向擺動狀態等特征能有效地完成疲勞駕駛的識別。1 200組樣本的檢測結果顯示：準確率達83.92%，其中真陽性率為86.40%，真陰性率為82.15%。

本文采用的眼動儀為接觸式信息采集裝置，保證了眼部信息采集的準確率，但由于尺寸問題影響了1號駕駛者的正確佩戴，從而導致193組誤識別。此外，由于模型只對眼部特征進行檢測而忽略了其他方面，以至于對7號駕駛者發生了誤識別。因此，包含面部特征、駕駛行為等多參數的融合模型將是后續研究的主要方向。

[1]李都厚,劉群,袁偉,劉浩學.疲勞駕駛與交通事故關系[J].交通運輸工程學報,2010(2)：104-109.

[2]牟建霖.疲勞駕駛是交通事故的起因之一[J].公路與運輸,2003(4)：14-16.

[3]張海山,田軍.駕車疲勞的原因及預防[J].汽車與安全,1999(6):44.

[4]彭軍強,吳平東,殷罡.疲勞駕駛的腦電特性探索[J].北京理工大學學報,2007(7)：585-589.

[5]田文杰,劉繼承.基于頭部位置特征的疲勞駕駛檢測儀[J].儀表技術與傳感器,2008(5)：92-96.[6]金立生,李科勇,牛清寧,等.基于方向盤操作的疲勞駕駛監測方法[J].交通信息與安全,2014(5)：65-69.

[7]牛清寧，周志強，金立生，等.基于眼動特征的疲勞駕駛檢測方法[J].哈爾濱工程大學學報(自然科學版),2015(3):394-398.

[8]王冬梅,馮偲,王海鵬,等.疲勞駕駛檢測中基于稀疏表示的眼睛狀態識別研究[J].影像科學與光化學,2016(1)：95-101.

[9]任鑫峰,金治富,康慧.疲勞駕駛與年齡、駕齡的關系[J].道路交通安全,2007(5)：20-22.

[10]HORNEJA,REYNERLA.Driver sleepiness [J].Journal of Sleep Research,1995,4(S2)：23-29.

[11]張希波,成波,馮睿嘉.基于方向盤操作的駕駛人疲勞狀態實時檢測方法[J].清華大學學報(自然科學版),2010,50(7)：1072-1076.

[12]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.

[13]楊紹卿,王憲成,趙文柱,等.基于支持向量機的柴油機磨損模式識別方法[J].四川兵工學報,2015,36(8):96-99.

[14]王華秋,王斌.優化的鄰近支持向量機在圖像檢索中的應用[J].重慶理工大學學報:自然科學版,2014(9):66-71.

[15]孔令彬,趙艷茹,王聚杰,等.基于支持向量機風速訂正方法的研究[J].西南大學學報(自然科學版),2014,36(5):194-200.

(責任編輯劉舸)

An Identification Method of Fatigue Driving Based on Eye Features

LIU Zhi-qiang, SONG Xue-song, WANG Peng, ZHOU Gui-liang

(School of Automotive and Traffic Engineering, Jiangsu University, Zhenjiang 212013, China)

This paper presents a new method offatigue driving detection anda testing model of fatigue driving based on the Support Vector Machine (SVM) and eye features such as the focus location of PERCOLS eyes and so on for improving the test effect of fatigue driving. Besides, a large amount of data was collected with driving simulator, Mobile Eye-XG eyetracker and so on. With the sieving of the data by optimal time window and training of the model, the final test has been done. Result shows that: the accuracy rate of this fatigue driving detection model is up to 83.92%, which can be used to detect the fatigue driving effectively.

fatigue driving; eye feature; testing model; eyetracker; SVM

2016-03-24

國家自然科學基金青年基金資助項目(61203244)；交通運輸科技項目(2014Y17)

劉志強(1963—)，男，江蘇靖江人，博士，教授，博士生導師，主要從事車輛主動安全研究；通訊作者 宋雪松，男，碩士研究生，主要從事車輛主動安全研究，E-mail:song-xuesong@foxmail.com、

format：LIU Zhi-qiang, SONG Xue-song, WANG Peng, et al.An Identification Method of Fatigue Driving Based on Eye Features[J].Journal of Chongqing University of Technology(Natural Science)，2016(10):11-15.

10.3969/j.issn.1674-8425(z).2016.10.002

U471;TP18

A

1674-8425(2016)10-0011-05

引用格式：劉志強，宋雪松，汪彭，等.基于眼部特征的疲勞駕駛辨識方法研究[J].重慶理工大學學報(自然科學)，2016(10):11-15.