基于小波能量熵的司機疲勞駕駛行為響應算法

徐陶祎，張 翼

(武漢科技大學城市學院，湖北武漢430083)

1 引言

司機的疲勞駕駛是交通事故出現的核心原因之一。美國交通部一項專門圍繞商用車輛的研究報告表明，至少百分之二十的商用車輛事故是由于司機疲勞駕駛所導致[1-3]。當下，很多國家均通過駕駛時間約束的形式控制司機疲勞駕駛情況，我國規定機動車持續駕駛時間不能大于4小時[4]。但是此類方法未考慮不同司機的身體素質、生活習慣等條件均存在差異，僅通過持續駕駛時間判斷司機疲勞駕駛行為還有待深究[5，6]。

疲勞駕駛并非屬于突發事件，很多交通安全事故也不全是司機在深度疲勞的狀態下出現。若可以在司機剛剛發生疲勞情況時發出提醒，便可降低疲勞駕駛的事故率[7]。所以，研究司機疲勞駕駛行為，對優化交通安全存在價值。本文提出基于小波能量熵的司機疲勞駕駛行為響應算法，以期準確識別司機疲勞駕駛行為響應狀態。

2 基于小波能量熵的司機疲勞駕駛行為響應算法

2.1 基于稀疏分解的司機方向盤轉向信號去噪方法

2.1.1 信號的稀疏分解和匹配追蹤算法

司機駕駛時方向盤轉向信號的稀疏分解原理如下。

將車輛上傳感器所采集的司機駕駛時方向盤轉向信號集合設成E={fp，p=1，2，…，P}，它的元素fp代表整個Hilbert空間的單位矢量，在下文E簡稱司機駕駛時方向盤轉向信號的過完備原子庫，元素fp簡稱司機駕駛時方向盤轉向信號的原子。針對隨意一個給定信號y而言，均能夠通過E里n個司機駕駛時方向盤轉向信號原子實施描述。則

(1)

其中，司機駕駛時方向盤轉向信號原子的展開系數是βp；Jn是司機駕駛時方向盤轉向信號量p的下標集。因為司機駕駛時方向盤轉向信號原子庫E屬于過完備，原子線性不存在關系，所以式(1)的描述形式不唯一，稀疏分解即為在各種可能的分解方法里獲取Jn取值最低的描述形式[8，9]。

(2)

(3)

(4)

將司機駕駛時方向盤轉向信號g實施n次分解后，可得

(5)

司機駕駛時方向盤轉向信號g稀疏分解成

(6)

2.1.2 信號去噪

將存在噪聲的方向盤轉向信號數學模型設成

g=gp+gn

(7)

其中，原始不存在噪聲的方向盤轉向信號與噪聲信號依次是gp、gn。

因為不存在噪聲的方向盤轉向信號gp存在特定結構，如果在E里對含噪的方向盤轉向信號g實施稀疏分解時，gp的結果特性和E里原子的特性存在關聯性，gp能夠描述為E中原子。但含噪信號結構不存在固定性，和E中隨機一個原子不存在關聯性，所以含噪信號不能描述為E里的方向盤轉向信號原子[10]。所以對含噪信號實施稀疏分解時，方向盤轉向信號原子和gp的內積將不小于方向盤轉向信號和gn的內積，最先分解獲取的是不存在噪聲的方向盤轉向信號，此情況下，去噪后的方向盤轉向信號是

g′=gp+Sn+1g

(8)

g′=Ei(k)+Bi(k)，去噪后的方向盤轉向信號由高頻分量信號Ei(k)與低頻分量Bi(k)構成。假定第n次和第n+1次殘差信號是Sng、Sn+1g那么殘差比p(Sng)是

(9)

其中，φ是閾值。

2.2 基于小波能量熵的轉向信號響應狀態識別算法

2.2.1 小波多分辨分析

司機駕駛時方向盤轉向信號的小波多分辨率分析是通過正交小波基，把去噪后方向盤轉向信號分解成差異尺度中的各個分量，循環使用1組高通與低通濾波器對去噪后方向盤轉向信號實現一一分解，信號和高通濾波器實施卷積計算后抽樣便可獲取方向盤轉向信號的高頻細節分量、信號的低頻細節分量[11]。每次分解結束，把信號的采樣頻率縮小至其二分之一，再對低頻分量實施分解，獲取下一層次的分解分量。將高頻分量信號與低頻分量信號依次設成Ei(k)、Bi(k)，i是分解尺度，那么司機駕駛時方向盤轉向信號序列是

y(m)=+B1(m)=+E2(m)+B2(m)

(10)

其中，司機駕駛時方向盤轉向信號序列g′∈y(m)在差異尺度的低頻信號分量是Bi(m)，高頻信號分量是Ei(m)；I是最大分解尺度；B1(m)是司機駕駛時方向盤轉向信號y(m)在分解尺度是1級條件下的低頻信號分量，B2(m)是司機駕駛時方向盤轉向信號y(m)在分解尺度是2級條件下的低頻信號分量；E2(m)是司機駕駛時方向盤轉向信號y(m)在分解尺度是2級條件下的高頻信號分量。

信息論里，熵代表各個方向盤轉向信號的信息量均值與信源均值的不確定性，其可以描述司機駕駛時方向盤轉向信號潛藏的有價值信息，但小波變換能夠放大方向盤轉向信號某部分的屬性，因此運算小波能量熵值便可以挖掘司機駕駛時方向盤轉向信號里微弱的異常信息。

設置方向盤轉向信號序列y(m)在i尺度t時刻中的小波系數矢量是Vit，那么i尺度t時刻的小波能量是

(11)

(12)

其中，VEEi(k)是i尺度分解信號的相對能量。

2.2.2 轉向信號小波能量熵測度

Fit(i)′=(Fit(i-2)+Fit(i-1)+Fit(i))/3

(13)

其中，Fit(i)′是平滑修正后方向盤轉向信號t時刻的小波能量；另外，分析司機在疲勞狀態下方向盤轉向信號的修正特征可知，方向盤控制一般會存在3種階段，詳情如圖1所示。

圖1 方向盤控制階段

正值、負值依次代表方向盤順時針轉動、方向盤逆時針轉動。階段1時，司機會突然大幅度擺動方向盤，這時司機剛在疲勞瞌睡狀態里短時間清醒，發現車身出現不受控后，將響應做出緊急車輛控制行為；階段2時，司機持續著小幅度修正方向盤，該階段司機可以持續階段1的清醒狀態，而因為疲勞未能得到緩解，僅可以保持較短的清醒時間后，便進入疲倦狀態；階段3時，司機屬于疲勞狀態，對道路環境敏感度變小，方向盤不存在修正響應行為。

3 實驗分析

為測試所提算法對司機疲勞駕駛行為響應狀態的識別效果，在駕駛員仿真平臺中模擬道路環境駕駛，通過Carsim構建道路環境與車輛模型，使用LabVIEW實現聯合仿真。模擬3位司機進行測試，3位司機所駕駛的道路工況依次是S形、雙道路，如圖2、圖3所示。

圖2 S形道路

圖3 雙道路

在不同道路工況中，司機駕駛速度是80km/h。3位司機對車輛的駕駛熟練度依次是低熟練度、中熟練度、高熟練度，隨機選擇2020年12月10日3位司機13：00～17：00時間內的駕駛行為信息，3位司機在兩種道路工況中司機駕駛行為響應狀態如表1所示。

表1 3位司機在兩種道路工況中司機駕駛行為響應狀態

使用所提算法對兩種道路工況中司機駕駛行為響應狀態的識別結果如圖4、圖5所示。

圖4 S形道路工況中所提算法識別結果

圖5 雙道路工況中所提算法識別結果

由表1、圖4、圖5可知，在S形、雙道路兩種道路工況中，所提算法對駕駛熟練度存在差異的司機駕駛行為響應狀態識別結果和實際響應狀態相符，則所提算法對司機疲勞駕駛行為響應狀態的識別精度較高，識別結果可信。

司機疲勞駕駛行為響應狀態的識別實時性十分重要，對司機的人身安全存在直接影響。為此，測試所提算法在兩種道路工況中對3位司機疲勞駕駛行為響應狀態的識別耗時，以此判斷所提算法在司機疲勞駕駛行為響應狀態識別應用中的實時性。測試結果如圖6、圖7所示。

圖6 S形道路工況中所提算法識別結果

圖7 雙道路工況中所提算法識別結果

由圖6、圖7可知，在S形、雙道路兩種道路工況中，所提算法對駕駛熟練度存在差異的司機駕駛行為響應狀態的識別耗時低于400ms，則識別耗時低于0.5s，實時性較高，所提算法可在短時間內快速識別司機疲勞駕駛行為響應狀態。

因司機駕駛車輛的過程中，傳感器在采集方向盤轉向信號之時，車輛運行也存在一定噪聲，存在抖動情況，這對傳感器所采集的方向盤轉向信號存在一定干擾，為此，測試所提算法在通過方向盤轉向信號識別司機疲勞駕駛行為響應狀態時，對含噪信號的去噪效果。方向盤轉向信號去噪效果主要通過信噪比SNR體現，信噪比越高，方向盤轉向信號的去噪效果越好。信噪比SNR的運算方法是

(14)

其中，M是方向盤轉向信號的數據長度，t是司機駕駛時間。

所提算法在兩種道路工況中對司機駕駛方向盤轉向信號的去噪效果如圖8、圖9所示。

圖8 S形道路工況中所提算法去噪效果

圖9 雙道路工況中所提算法去噪效果

由圖8、圖9可知，在S形、雙道路兩種道路工況中，所提算法對司機駕駛方向盤轉向信號去噪后，司機駕駛方向盤轉向信號的信噪比均大于0.90，去噪效果較好。

4 結束語

司機疲勞駕駛行為識別，是交通管理研究問題中的核心問題之一。本文提出基于小波能量熵的司機疲勞駕駛行為響應算法，對機疲勞駕駛行為響應狀態進行有效識別。所提算法和其它算法不同之處在于，所提算法以司機駕駛方向盤轉向信號為識別核心，通過司機對方向盤轉向信號的響應操作狀態，有效識別司機疲勞駕駛行為。由實驗結果可知：所提算法對司機疲勞駕駛行為響應狀態的識別精度較高，識別結果可信，且識別時間較短，在司機疲勞駕駛行為響應狀態識別過程中，對司機駕駛方向盤轉向信號的去噪效果極好，存在應用價值。在未來的研究工作中，本文將以司機疲勞駕駛行為響應狀態和其它駕駛行為異常檢測方法相結合，例如腦電波信號的采集，以此進一步優化所提算法的應用性能。