駕駛分心檢測(cè)方法綜述

李坤宸，曹龍

駕駛分心檢測(cè)方法綜述

李坤宸，曹龍

（長(zhǎng)安大學(xué)汽車學(xué)院，陜西 西安 710064）

道路交通事故已經(jīng)成為世界人民非自然死亡的主要原因，有學(xué)者認(rèn)為90%的交通事故與駕駛員自身因素關(guān)聯(lián)，而其中又有超過(guò)50%與駕駛分心相關(guān)。為了對(duì)駕駛員分心進(jìn)行識(shí)別以及為下一步的分心預(yù)警干預(yù)提供結(jié)果判斷，文章介紹了常見(jiàn)的駕駛分心檢測(cè)與識(shí)別方法，包括人臉識(shí)別方法，眼睛瞳孔位置識(shí)別以及基于駕駛員生理信號(hào)（EEG）的分心監(jiān)測(cè)方法。結(jié)果表明檢測(cè)方法各有優(yōu)劣，非接觸式、無(wú)侵入性檢測(cè)，對(duì)駕駛員行車體驗(yàn)影響小，但測(cè)試精度具有一定的局限性。利用頭戴儀等接觸式設(shè)備，對(duì)駕駛員具有一定的侵入性，但是與其他檢測(cè)方式相比，則具有較高的準(zhǔn)確性優(yōu)勢(shì)。

駕駛分心；分心識(shí)別；瞳孔位置；EEG

前言

在分心檢測(cè)研究領(lǐng)域中，Wang提出了通過(guò)EEG信號(hào)分析駕駛員的注意力集中情況[1]。也有研究利用駕駛模擬器獲取行車參數(shù)檢測(cè)駕駛員分心。Xing等人提出了一種基于前饋神經(jīng)網(wǎng)絡(luò)（FFNN）的系統(tǒng)，對(duì)駕駛員進(jìn)行三維頭部旋轉(zhuǎn)角度和上半身關(guān)節(jié)位置的監(jiān)控和駕駛?cè)蝿?wù)識(shí)別[2]。本文主要對(duì)駕駛分心檢測(cè)方法進(jìn)行簡(jiǎn)單的論述。

1 人臉和頭部檢測(cè)

文章中作者用神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)對(duì)人臉識(shí)別檢測(cè)，使用面部標(biāo)志提取感興趣區(qū)域（ROI），最后檢測(cè)頭部和眼睛運(yùn)動(dòng)[3]。視頻數(shù)據(jù)作為系統(tǒng)輸入，分心的結(jié)果作為系統(tǒng)輸出。

1.1 駕駛員人臉識(shí)別

1.1.1人臉標(biāo)志點(diǎn)檢測(cè)

在人臉突出區(qū)域使用面部標(biāo)志來(lái)定位，建立傳統(tǒng)人臉識(shí)別的可視化的68個(gè)坐標(biāo)索引。

1.2 駕駛員頭部運(yùn)動(dòng)檢測(cè)

從面部68坐標(biāo)模型中，選15個(gè)特殊顏色的標(biāo)點(diǎn)，用來(lái)估計(jì)頭部運(yùn)動(dòng)。頭部旋轉(zhuǎn)采用透視n點(diǎn)（PnP）的經(jīng)典解計(jì)算，其工作原理如下：

式中：h是3D頭部姿勢(shì)，由6個(gè)自由度（DOF）組成，=（r,r,r）為旋轉(zhuǎn)，=（t,t,t）為平移。

然后通過(guò)透視變換計(jì)算頭部姿勢(shì)，公式如下：

式中：s為比例因子，M為攝像機(jī)矩陣，[R|t]為關(guān)節(jié)旋轉(zhuǎn)平移矩陣。

利用羅德里格斯旋轉(zhuǎn)公式得到的矩陣R在（3）中給出，并用于計(jì)算矢量=（r,r,r）。I表示向量的方向，的值等于||||。

式中：為旋轉(zhuǎn)角模，r表示頭部偏轉(zhuǎn)角。根據(jù)不同偏轉(zhuǎn)（左偏、右偏、無(wú)偏轉(zhuǎn)）角度值確定頭部的運(yùn)動(dòng)方向，作為判斷依據(jù)。

1.3 結(jié)果分析

在文章[3]中，作者對(duì)這種深度學(xué)習(xí)的算法并進(jìn)行了驗(yàn)證，實(shí)驗(yàn)結(jié)果如表1所示。

表1 頭部運(yùn)動(dòng)實(shí)驗(yàn)結(jié)果

總體來(lái)說(shuō)，不戴眼鏡或者太陽(yáng)鏡分心的識(shí)別精度都取得了令人滿意的水平。該系統(tǒng)檢測(cè)具有較高的精度，總體準(zhǔn)確率在92%左右。

2 基于瞳孔的駕駛分心檢測(cè)

在文章[4]中，作者采用Viola-jones算法從輸入幀中提取人臉區(qū)域[4]。采用模板匹配算法提取眼睛位置，根據(jù)眼角和瞳孔之間的距離實(shí)際估計(jì)注視位置，從而判斷分心。

2.1 瞳孔檢測(cè)識(shí)別模型

2.1.1眼睛的識(shí)別

攝像頭不斷捕捉司機(jī)的臉，并發(fā)送到處理單元。Dlib庫(kù)將坐標(biāo)被映射到眼睛上，眼睛區(qū)域就從圖像中提取出來(lái)，再將圖像進(jìn)行灰度處理，最后進(jìn)行虹膜區(qū)域識(shí)別，如圖1。

圖1 突出顯示虹膜區(qū)域

2.2 瞳孔分心檢測(cè)指標(biāo)

Dlib檢測(cè)器用6個(gè)坐標(biāo)P1、2、3、4、5、6表示一只眼睛，如圖2。確定出理想瞳孔坐標(biāo)o點(diǎn)，與實(shí)際坐標(biāo)c比較。根據(jù)眼角坐標(biāo)與預(yù)測(cè)瞳孔中心的距離，駕駛員的注視視線可以分為左、中、右方向。假定連續(xù)一段時(shí)間內(nèi)超過(guò)了預(yù)設(shè)的方向范圍，則判斷為是分心。

圖2 瞳孔預(yù)測(cè)中心和理想中心

3 基于生理信號(hào)EEG的分心檢測(cè)

近年來(lái)，基于生理信號(hào)如腦電圖（EEG）、心電圖（EOG）、肌電圖（EMG）、心電圖的駕駛檢測(cè)受到了廣泛的應(yīng)用。其中EEG因?yàn)楦邥r(shí)間分辨率，便攜性好，對(duì)疲勞敏感的優(yōu)勢(shì)受到更加廣泛的應(yīng)用[5]。

3.1 主要成分分析---檢測(cè)過(guò)程與分析

實(shí)驗(yàn)由一個(gè)32路腦電圖采集系統(tǒng)組成。志愿者頭皮佩戴腦電采集儀，實(shí)驗(yàn)在駕駛模擬器上開(kāi)展。

3.2 結(jié)果分析

參考以前的研究，在清醒和疲勞狀態(tài)小組相關(guān)腦電圖信號(hào)平均值的PSD分布為α（8 -13Hz）和β（14 – 20Hz）。簡(jiǎn)而言之，在疲勞狀態(tài)時(shí)大腦的頂葉和枕葉的PSD值相比于清醒狀態(tài)更明顯，由此作為分心的判斷依據(jù)。不同狀態(tài)下α、β區(qū)域的功率譜密度圖像如圖3所示。論證了特殊區(qū)域的腦電信號(hào)與分心有很大的關(guān)聯(lián)性，論證了方法的可行性和科學(xué)性。

圖3 在疲勞狀態(tài)下和在清醒狀態(tài)，在α、β區(qū)域的功率譜密度

4 總結(jié)展望

本文簡(jiǎn)述了幾種駕駛分心檢測(cè)方法，駕駛員分心狀態(tài)的檢測(cè)方法中，常見(jiàn)的有接觸式和非接觸式檢測(cè)兩種，非接觸式檢測(cè)對(duì)駕駛員來(lái)說(shuō)無(wú)干擾性，但是準(zhǔn)確度與接觸式識(shí)別相比誤差相對(duì)較大。

因此在下一步研究中，應(yīng)該在保證準(zhǔn)確性的前提下，力求做到不對(duì)駕駛員的日常行車造成干擾。另一方面，應(yīng)注意在駕駛中，交通環(huán)境無(wú)時(shí)無(wú)刻不在變化，因此對(duì)駕駛員的注意力集中程度要求也不同。復(fù)雜交通環(huán)境下，要求駕駛員不能有絲毫分心；而在平坦的直線公路上，反而允許駕駛員有一定程度的分心。所以，未來(lái)的分心檢測(cè)系統(tǒng)應(yīng)自動(dòng)調(diào)節(jié)判斷分心程度的指標(biāo)閾值，以一種更加智能的算法識(shí)別分心，并根據(jù)交通情景的復(fù)雜程度為人們?cè)O(shè)定合理的分心程度限度，以更加智能的方式融入駕駛員行車中。

[1] S.Wang,Y.Zhang,C..Darvas,“Online Prediction of Driver Distraction Based on Brain Activity Patterns,”IEEE Trans. Intell. Transp. Syst, vol.16,136-150, Feb. 2015.

[2] Y. Xing et al.,Identification and analysis of driver postures for in- vehicle driving activities and secondary tasks recognition[A]. IEEE Trans. Comput. Social Syst., vol. 5,pp. 95-108, March 2018.

[3] Lamia Alam,Mohammed Moshiul Hoque.Real-Time Distraction Detection Based on Driver's Visual Features[A].2019 International Conference on Electrical, Computer and Communication Engineer -ing. 7-9 February, 2019.

[4] Abhishek Walavakar1,Satyam Singh2,Roshan Salian3. Driver Distrac -tion Monitoring and Alerting System[A] International Conference on Advances in Information Technology.2019.1.

[5] Yuliang Ma,Bin Chen. Driving Fatigue Detection from EEG Using a Modified PCANet Method[A].Computational Intelligence and Neu -roscience.2019.7.

Review of Methods for Detection of Distracted Driving

Li Kunchen, Cao Long

（School of Automobile, Chang’an University, Shaanxi Xi’an 710064）

Road traffic accidents have become the main cause of people's unnatural death in the world. Some pointed out that 90% of traffic accidents are related to drivers themselves, and more than 50% of them are related to distracted driving. In order to identify the distracted driver and provide the result judgment in the future, This paper introduces the common methods of distracted recognition, including face recognition, pupil recognition and EEG monitoring. The results show that each method has its own advantages. The non-contact detection has little influence on driving, but its accuracy is poor. The use of contact equipment, such as head-mounted instrument, has certain influence on the driver, but the test results are more accurate.

Driving distractions; Distracted driving recognition; Pupil position; EEG

10.16638/j.cnki.1671-7988.2021.02.033

U471.3

A

1671-7988(2021)02-102-03

U471.3

A

1671-7988(2021)02-102-03

李坤宸，碩士，就讀于長(zhǎng)安大學(xué)汽車學(xué)院，研究方向?yàn)榻煌ò踩?/p>