新手駕駛?cè)似跔顟B(tài)下的視覺特性研究

趙小平，閔忠兵，薛運(yùn)強(qiáng)，莫振龍，張姝瑋，龔 俊，喻 佳

(華東交通大學(xué) 交通運(yùn)輸工程學(xué)院， 南昌 330013)

0 引言

據(jù)公安部交管局統(tǒng)計(jì)，我國2019年交通事故總計(jì)247 646起，同比增長(zhǎng)1.1%[1]。據(jù)統(tǒng)計(jì)分析，在交通事故成因分析中，駕駛?cè)艘蛩卣嫉?0.8%，其中駕駛感知錯(cuò)誤率占比48.1%，判斷錯(cuò)誤率占比36.0%，操作反應(yīng)錯(cuò)誤率占比7.9%[2]，然而疲勞駕駛是導(dǎo)致駕駛?cè)烁兄⑴袛唷⒉僮髂芰p弱的重要原因[3]。

疲勞會(huì)使大腦反應(yīng)變得遲鈍，且會(huì)帶來視覺、駕駛行為變化，如眨眼頻率增加、點(diǎn)頭、打哈欠等，車道維持能力也會(huì)受到影響。主觀檢測(cè)法和客觀檢測(cè)法是當(dāng)下檢測(cè)駕駛疲勞的2種主流方法[4]。主觀檢測(cè)方法主要通過駕駛員自我記錄表、主觀調(diào)查表、皮爾遜疲勞量表和斯坦福睡眠尺度表等評(píng)定[5]。客觀檢測(cè)方法主要包括3種檢測(cè)方法：① 基于生理信號(hào)，即根據(jù)腦組織和肌肉組織的氧水平來判斷疲勞[6]；② 基于車輛行為，即監(jiān)測(cè)方向盤角度、車道位置、速度、加速度、制動(dòng)的變化來預(yù)測(cè)駕駛員疲勞[7]；③ 基于駕駛?cè)嗣娌刻卣鞯钠跈z測(cè)方法，它會(huì)監(jiān)測(cè)面部表情，以判斷駕駛?cè)说钠跔顟B(tài)，因?yàn)楫?dāng)駕駛?cè)似跁r(shí)，打哈欠和眨眼的頻率會(huì)增加[8]。

總結(jié)國內(nèi)外疲勞駕駛研究發(fā)現(xiàn)，我國研究重點(diǎn)對(duì)象主要是具有一定駕駛經(jīng)驗(yàn)的駕駛?cè)耍槍?duì)新手駕駛?cè)讼嚓P(guān)的研究較少，且用于表征疲勞的參數(shù)多為瞬時(shí)變量，而疲勞是一個(gè)循序漸進(jìn)的過程，對(duì)于時(shí)間窗內(nèi)的參數(shù)選擇較少；且疲勞駕駛識(shí)別模型較為單一。鑒于此，本文擬通過對(duì)駕駛?cè)说钠跔顟B(tài)進(jìn)行系統(tǒng)分析，并通過5 min時(shí)間窗劃分，提取出能表征新手駕駛?cè)似跔顟B(tài)的視覺參數(shù)，與前人研究進(jìn)行對(duì)比分析，進(jìn)一步利用支持向量機(jī)模型，驗(yàn)證指標(biāo)的可靠性，并針對(duì)支持向量機(jī)(SVM)懲罰函數(shù)和徑向基函數(shù)寬度參數(shù)g值對(duì)SVM分類結(jié)果的影響這一缺點(diǎn)，使用灰狼算法(GWO)進(jìn)行全局尋優(yōu)，得到最佳的懲罰參數(shù)及徑向基函數(shù)寬度參數(shù)，構(gòu)建了基于GWO-SVM新手駕駛?cè)说钠跈z測(cè)模型，再一次驗(yàn)證指標(biāo)的有效性。

1 實(shí)驗(yàn)方案

1.1 實(shí)驗(yàn)平臺(tái)

數(shù)據(jù)采集的模擬駕駛平臺(tái)，眼鏡式眼動(dòng)追蹤系統(tǒng) DikablisGlass 3(可兼容眼鏡，雙眼采集，眼部攝像頭可調(diào)，提供興趣區(qū)域分析，瞳孔追蹤精密度0.1°，視野追蹤精度 0.1°～0.3°，采樣頻率60 Hz)，如圖1所示。實(shí)驗(yàn)前，由協(xié)助人員幫助被試佩戴Dikablis Glasses 3.0眼鏡式眼動(dòng)儀，可檢測(cè)水平視角為 116°，垂直視角為 60°，對(duì)角線 144°；眼部攝像頭分辨率為 648*488 P。

圖1 數(shù)據(jù)采集示意圖

1.2 實(shí)驗(yàn)對(duì)象

本實(shí)驗(yàn)共招募20名健康被試者(視力正常或矯正視力正常，各生理指標(biāo)正常)，年齡在18～25歲，駕齡在0～3年，平均年齡22歲，平均駕齡2年。所有被試者生理節(jié)律均正常，無睡眠疾病，實(shí)驗(yàn)前后12 h不得服用刺激性藥物、提神飲料等，由于4名被試者出現(xiàn)不適反應(yīng)，最終得到16名被試的眼動(dòng)數(shù)據(jù)。由于國內(nèi)尚未形成對(duì)駕駛?cè)说慕y(tǒng)一定義標(biāo)準(zhǔn)，結(jié)合我國實(shí)際情況，將駕駛里程小于4萬公里或駕齡小于3年的駕駛?cè)硕x為新手駕駛?cè)薣9]。

1.3 實(shí)驗(yàn)設(shè)計(jì)

單一的沿途景觀和機(jī)械式的操作以及長(zhǎng)時(shí)間、長(zhǎng)距離的駕駛等都會(huì)導(dǎo)致體力嚴(yán)重消耗，從而使駕駛?cè)诉M(jìn)入疲勞狀態(tài)，實(shí)驗(yàn)內(nèi)景設(shè)置為高速公路，模擬六安市部分城市快速路和城郊高速公路路段，道路設(shè)計(jì)滿足《公路路線設(shè)計(jì)規(guī)范》(JTG D20—2017)，道路為雙向四車道，并在兩側(cè)各設(shè)置一個(gè)應(yīng)急車道，僅考慮駕駛?cè)蝿?wù)本身對(duì)個(gè)體的影響，進(jìn)行時(shí)長(zhǎng)120 min的模擬駕駛實(shí)驗(yàn)，誘發(fā)駕駛?cè)诉M(jìn)入疲勞狀態(tài)。

具體實(shí)驗(yàn)流程如下：

1) 準(zhǔn)備階段。由協(xié)助人員介紹實(shí)驗(yàn)流程，并與被試人員簽訂實(shí)驗(yàn)知情同意書。

2) 適應(yīng)性駕駛。協(xié)助人員對(duì)眼動(dòng)儀進(jìn)行標(biāo)定調(diào)試，在場(chǎng)景中駕駛練習(xí)15 min，休息10 min后開始正式實(shí)驗(yàn)。

3) 正式實(shí)驗(yàn)。實(shí)驗(yàn)從14∶00開始，持續(xù)駕駛2 h，保持 80～100 km/h的車速行駛，按照日常駕駛習(xí)慣對(duì)車輛姿態(tài)進(jìn)行調(diào)整。

1.4 疲勞等級(jí)評(píng)定

相關(guān)研究表明，駕駛?cè)藢?duì)其疲勞程度進(jìn)行自我評(píng)價(jià)與他人根據(jù)其面部視頻評(píng)價(jià)具有高度一致性[10]。為了排除駕駛?cè)似谧晕以u(píng)價(jià)的侵入性以及個(gè)人主觀差異性的影響，采取視頻專家法來評(píng)定駕駛?cè)说钠谇闆r,由3名具有豐富經(jīng)驗(yàn)的專家依據(jù)斯坦福嗜睡量表(stanford sleepiness scale， SSS)，簡(jiǎn)化處理后，將疲勞狀態(tài)分為 4 個(gè)等級(jí)[4]，對(duì)駕駛?cè)似诔潭冗M(jìn)行評(píng)定，取三者平均值為最終結(jié)果。當(dāng)三者評(píng)分相差較大時(shí)，再次進(jìn)行評(píng)分，直至差異較小。

協(xié)助人員記錄被試者編號(hào)、SSS得分。當(dāng)SSS處于1～3時(shí)，代表被試者處于清醒狀態(tài)，當(dāng)SSS處于4～5時(shí)，代表被試者處于輕度疲勞狀態(tài)，當(dāng)SSS處于6時(shí)，代表被試者處于中度疲勞狀態(tài)，當(dāng)SSS≥7時(shí)，代表被試者處于重度疲勞狀態(tài)，具體如表1所示。

表1 疲勞評(píng)分

2 疲勞狀態(tài)對(duì)視覺參數(shù)影響

2.1 視覺參數(shù)的選取

新手駕駛員在駕駛過程容易因缺乏經(jīng)驗(yàn)感到緊張，其視覺特征表現(xiàn)可能有異于一般駕駛員。盡管許多學(xué)者已針對(duì)駕駛員視覺參數(shù)選擇開展了相應(yīng)研究，專門針對(duì)新手駕駛員的研究還相對(duì)較少。

為探究疲勞狀態(tài)對(duì)新手駕駛?cè)艘曈X特性的影響，選取注視、掃視、瞳孔、眨眼視覺特征參數(shù)。視覺特征指標(biāo)如表 2 所示。為了盡量降低實(shí)驗(yàn)數(shù)據(jù)在采集、傳輸、記錄中造成的誤差，利用拉依達(dá)準(zhǔn)則與卡爾曼濾波器對(duì)視覺數(shù)據(jù)進(jìn)行預(yù)處理[11]。

表2 視覺特征參數(shù)

2.2 疲勞狀態(tài)對(duì)眨眼行為影響

2.2.1眨眼持續(xù)時(shí)長(zhǎng)

眨眼行為指上下眼瞼的閉合行為[12]。如圖2所示，新手駕駛?cè)穗S著駕駛時(shí)間的增長(zhǎng)，疲勞感逐漸堆積，導(dǎo)致眨眼持續(xù)時(shí)長(zhǎng)增大，整體變化趨勢(shì)與老手駕駛?cè)讼嗨疲鲜竹{駛?cè)嗽狡冢Ｑ蹠r(shí)長(zhǎng)的變化范圍越大，尤其是進(jìn)入重度疲勞狀態(tài)時(shí)，眨眼時(shí)長(zhǎng)在300～1 000 ms[13]。方差分析結(jié)果顯示，各疲勞駕駛狀態(tài)對(duì)新手駕駛?cè)说恼Ｑ鄢掷m(xù)時(shí)長(zhǎng)有顯著影響(F=83.694,P<0.002),與清醒駕駛狀態(tài)相比，輕度疲勞駕駛(P=0.000<0.05)、中度疲勞駕駛(P=0.000<0.05)與重度疲勞駕駛(P=0.000<0.05)均有顯著性差異，且各駕駛狀態(tài)兩兩之間均體現(xiàn)出顯著性差異。

圖2 不同疲勞狀態(tài)下的平均眨眼時(shí)長(zhǎng)

2.2.2眨眼頻率

單位時(shí)間內(nèi)的眨眼次數(shù)稱為眨眼頻率，眨眼頻率與任務(wù)的復(fù)雜度相關(guān)，面臨的任務(wù)越復(fù)雜，眨眼頻率越高[14]。如圖3所示，新手駕駛?cè)苏Ｑ垲l率隨著疲勞程度的疊加而增大，但在陷入重度疲勞時(shí)眨眼頻率反而較低。分析可知，清醒至中度疲勞階段，新手駕駛?cè)说钠诔潭仍礁撸湔Ｑ垲l率越大，但各階段間狀態(tài)差別不明顯，且部分區(qū)間重疊度較高，但當(dāng)駕駛?cè)讼萑胫囟绕跁r(shí)，眨眼頻率反而最低，且誤差范圍較大，說明此時(shí)新手駕駛?cè)藢?duì)自身的控制不足，逐漸放棄疲勞抵抗，導(dǎo)致眼動(dòng)頻率波動(dòng)較大，且眨眼頻率在各疲勞狀態(tài)間無明顯差異性。

圖3 不同疲勞狀態(tài)下的平均眨眼頻率

2.3 疲勞狀態(tài)對(duì)掃視行為影響

掃視行為，也被稱為眼跳行為，存在于搜索過程中，是注視點(diǎn)從某一目標(biāo)移動(dòng)到另一目標(biāo)的運(yùn)動(dòng)[15]。選取掃視次數(shù)、掃視時(shí)長(zhǎng)、時(shí)間窗掃視總時(shí)長(zhǎng)探究疲勞對(duì)新手駕駛?cè)藪咭曅袨榈挠绊憽?/p>

2.3.1掃視次數(shù)

掃視指目光向四周移動(dòng)掠過，且掃視并非簡(jiǎn)單的注視點(diǎn)轉(zhuǎn)移，而是短暫的快速移動(dòng)并伴隨著偶爾停留。可從圖4得出，駕駛?cè)说膾咭暣螖?shù)隨著疲勞程度的增加而降低。清醒時(shí)的掃視次數(shù)分布范圍在10～20次/min，此時(shí)被試者的眼球的活動(dòng)較疲勞時(shí)相對(duì)活躍，且差異性較大，但陷入疲勞時(shí)的掃視頻率則普遍低至10次/min以下。正常駕駛組與重度疲勞駕駛組間的掃視頻率差異明顯，但各疲勞等級(jí)間存在較多重合區(qū)域，差異性不明顯。

圖4 不同疲勞狀態(tài)下單位時(shí)間窗內(nèi)掃視次數(shù)

2.3.2掃視時(shí)長(zhǎng)

當(dāng)駕駛?cè)瞬蹲降侥繕?biāo)信息時(shí)，會(huì)進(jìn)行短暫停留，隨后轉(zhuǎn)移至下一信息點(diǎn)，開啟新一輪注視，掃視時(shí)長(zhǎng)則是相鄰2個(gè)注視點(diǎn)發(fā)生的時(shí)間間隔，在真實(shí)駕駛中，分析掃視指標(biāo)可判斷駕駛員對(duì)道路信息的接收情況，當(dāng)駕駛?cè)颂幱谇逍褷顟B(tài)時(shí)，掃視活動(dòng)數(shù)量較多，接收外界的信息能力較強(qiáng)。如圖5所示，駕駛?cè)穗S著疲勞程度的加深，掃視時(shí)長(zhǎng)越來越少，分析結(jié)果顯示，不同的疲勞駕駛狀態(tài)對(duì)掃視時(shí)長(zhǎng)有顯著影響(F=85.570,P=0.001<0.05)，與清醒駕駛狀態(tài)相比，輕度疲勞駕駛(P=0.008<0.05)、中度疲勞駕駛(P=0.000<0.05)與重度疲勞駕駛(P=0.000<0.05)均有顯著性差異，各駕駛狀態(tài)兩兩之間均體現(xiàn)出顯著性差異。

2.3.3掃視總時(shí)長(zhǎng)

為進(jìn)一步探討掃視時(shí)長(zhǎng)對(duì)疲勞程度的敏感性，在2.3.2節(jié)基礎(chǔ)上求取時(shí)間窗內(nèi)的掃視總時(shí)長(zhǎng)。

(1)

式中：N為時(shí)間窗長(zhǎng)度。

圖5、圖6為新手駕駛?cè)嗽诓煌跔顟B(tài)下的平均掃視時(shí)長(zhǎng)和單位時(shí)間窗內(nèi)掃視總時(shí)長(zhǎng)。分析結(jié)果顯示，不同的疲勞駕駛狀態(tài)對(duì)掃視時(shí)長(zhǎng)有顯著影響(F=4.861,P=0.000<0.05)，與清醒駕駛狀態(tài)相比，輕度疲勞駕駛(P=0.001<0.05)、中度疲勞駕駛(P=0.000<0.05)與重度疲勞駕駛(P=0.000<0.05)均有顯著性差異，且各駕駛狀態(tài)兩兩之間均體現(xiàn)出顯著性差異，重度疲勞駕駛狀態(tài)下單位時(shí)間窗內(nèi)的掃視總時(shí)長(zhǎng)最少。

圖5 不同疲勞狀態(tài)下的平均掃視時(shí)長(zhǎng)

圖6 不同疲勞狀態(tài)下單位時(shí)間窗內(nèi)掃視總時(shí)長(zhǎng)

2.4 疲勞狀態(tài)對(duì)注視行為影響

2.4.1注視時(shí)長(zhǎng)

注視行為是指眼睛為得到物體的高清畫面，將中央凹瞄準(zhǔn)物體并持續(xù)一段時(shí)間的眼動(dòng)行為，駕駛?cè)送ㄟ^該行為來獲取和識(shí)別交通環(huán)境信息，注視時(shí)長(zhǎng)的長(zhǎng)短在一定程度上可以反映出駕駛?cè)说木衿跔顟B(tài)[16]。圖7為新手駕駛?cè)瞬煌跔顟B(tài)下的平均注視時(shí)長(zhǎng)，分析結(jié)果顯示，各駕駛狀態(tài)對(duì)注視時(shí)長(zhǎng)均值有顯著影響(F=10.214,P=0.000<0.05)，與清醒駕駛狀態(tài)相比，輕度疲勞駕駛(P=0.009<0.05)、中度疲勞駕駛(P=0.002<0.05)與重度疲勞駕駛(P=0.012<0.05)均有顯著性差異，且各駕駛狀態(tài)兩兩之間均體現(xiàn)出顯著性差異，重度疲勞駕駛狀態(tài)下的平均注視時(shí)長(zhǎng)最大。

圖7 不同疲勞狀態(tài)下的平均注視時(shí)長(zhǎng)

2.5 疲勞狀態(tài)對(duì)瞳孔狀態(tài)影響

分析各級(jí)疲勞狀態(tài)對(duì)瞳孔狀態(tài)的影響，反映瞳孔狀態(tài)的指標(biāo)包括：瞳孔面積、瞳孔變異系數(shù)。

2.5.1瞳孔面積

瞳孔面積能體現(xiàn)駕駛?cè)说木o張狀態(tài)，是反映視覺注意狀態(tài)的重要指標(biāo)[17]。當(dāng)新手駕駛?cè)颂幱谇逍褷顟B(tài)時(shí)，瞳孔尺寸會(huì)較為平穩(wěn)，而疲勞狀態(tài)下的駕駛?cè)送酌娣e會(huì)收縮且發(fā)生一定波動(dòng)，如圖8所示。

圖8 不同疲勞狀態(tài)下的平均瞳孔面積

方差檢驗(yàn)結(jié)果顯示,新手駕駛?cè)瞬煌钠隈{駛狀態(tài)對(duì)平均瞳孔面積有顯著影響(F=90.999,P=0.001<0.05)，與清醒駕駛狀態(tài)相比，輕度疲勞駕駛(P=0.016<0.05)、中度疲勞駕駛(P=0.008<0.05)與重度疲勞駕駛(P=0.010<0.05)均有顯著性差異，且各駕駛狀態(tài)兩兩之間均體現(xiàn)出顯著性差異。

2.5.2瞳孔變異系數(shù)

瞳孔直徑與精神疲勞之間的相關(guān)性較高，而瞳孔直徑變異系數(shù)則反映了駕駛?cè)送字睆降牟▌?dòng)情況[18]。在2.5.1節(jié)的基礎(chǔ)上提取瞳孔直徑，進(jìn)而獲取瞳孔直徑變異系數(shù)(CVPD),用以研究瞳孔直徑與不同疲勞程度之間的關(guān)系。

(2)

式中：PD_mean為時(shí)間窗內(nèi)瞳孔直徑的均值；PD_std 為時(shí)間窗內(nèi)瞳孔直徑的標(biāo)準(zhǔn)差。

如圖9所示，瞳孔直徑變異系數(shù)呈上升趨勢(shì)，疲勞強(qiáng)度越高，CVPD越大，此時(shí)瞳孔直徑的波動(dòng)越大，老手駕駛?cè)艘喑尸F(xiàn)上升趨勢(shì)，但老手駕駛?cè)嗽谶M(jìn)入重度疲勞狀態(tài)時(shí)，其變化區(qū)間明顯增大，為0.3～1，由此可見新手駕駛?cè)嗽谥囟绕跔顟B(tài)時(shí)，其瞳孔狀態(tài)更為穩(wěn)定[13]。分析結(jié)果顯示，不同的疲勞駕駛狀態(tài)對(duì)瞳孔直徑變異系數(shù)有顯著影響(F=223.478,P=0.001<0.05)，與清醒駕駛狀態(tài)相比，輕度疲勞駕駛(P=0.012<0.05)、中度疲勞駕駛(P=0.005<0.05)與重度疲勞駕駛(P=0.003<0.05)均有顯著性差異，且各駕駛狀態(tài)兩兩之間均體現(xiàn)出顯著性差異，重度疲勞駕駛狀態(tài)下的平均瞳孔直徑變異系數(shù)更大，即新手駕駛?cè)说耐谞顟B(tài)更不穩(wěn)定。

圖9 不同疲勞狀態(tài)下的瞳孔直徑變異系數(shù)

2.6 實(shí)驗(yàn)分析

疲勞駕駛對(duì)新手駕駛?cè)说恼Ｑ坌袨椤咭曅袨椤⑼壮叽缇杏绊慬19]，眨眼持續(xù)時(shí)長(zhǎng)均值、掃視時(shí)長(zhǎng)均值、掃視總時(shí)長(zhǎng)、瞳孔面積均值、瞳孔變異系數(shù)均值、注視時(shí)間均值6項(xiàng)指標(biāo)與新手駕駛?cè)烁黢{駛狀態(tài)有顯著性差異，可初步將其作為新手駕駛?cè)似隈{駛識(shí)別的指標(biāo)，為進(jìn)一步驗(yàn)證指標(biāo)對(duì)新手駕駛?cè)似跔顟B(tài)識(shí)別的有效性，利用支持向量機(jī)模型和基于灰狼優(yōu)化算法的支持向量機(jī)模型，將其作為輸入變量，檢驗(yàn)?zāi)Ｐ偷淖R(shí)別效果。

3 駕駛疲勞檢測(cè)模型

3.1 灰狼優(yōu)化算法

灰狼優(yōu)化算法(grey wolf optimmizer,GWO)原理與灰狼獵捕獵物相似，該算法把灰狼群按照自然生存法則劃分為4個(gè)等級(jí)，如圖10所示[20]。圖中A、B、C為狼群中適應(yīng)度最好的3匹狼，其他灰狼為D。A狼作為決策狼，所有灰狼必須聽從A狼的指揮調(diào)度；B狼作為軍師狼，輔佐A狼制定正確決策；C狼支配D狼，D狼跟隨A、B、C狼對(duì)獵物進(jìn)行捕食，獵物的位置即作為目標(biāo)函數(shù)的最優(yōu)解。

圖10 狼群等級(jí)圖

具體實(shí)現(xiàn)步驟如下：

步驟1求解獵物與灰狼之間的距離Q：

Zd=|EeXx(t)-X(t)|

(3)

X(t+1)=Xx(t)-Q·Z

(4)

式中：Xx(t)代表更新后A、B、C狼的最佳位置；X(t)代表所有可能的解，即灰狼此刻的位置；Q和Ee代表在t時(shí)刻更新的位置系數(shù)，計(jì)算過程如下：

Q=2b·γ1-b

(5)

Ee=2γ2

(6)

式中：b為收斂因子，由迭代次數(shù)的增加從2減小為0，其過程為線性減少；γ1、γ2為[0,1]區(qū)間的隨機(jī)值。

步驟2在獵物追尋過程中，由A、B、C 3只灰狼制定前進(jìn)方向，逐步向獵物靠近，各狼位置更新如下：

(7)

(8)

(9)

其他狼群位置根據(jù)A、B、C得到最優(yōu)位置后進(jìn)行更新，X(t+1)為A、B、C更新后的位置。

步驟3確定獵物的位置并進(jìn)行捕獲。|Q|的大小代表灰狼是否獲取獵物的位置，而-b≤Q≤b，當(dāng)|Q|≤1時(shí)，算法達(dá)到收斂，獲取到獵物的位置。

3.2 支持向量機(jī)

支持向量機(jī)通過建立特征向量與輸出向量間的映射模型來實(shí)現(xiàn)數(shù)據(jù)分類，即給定一個(gè)樣本輸入值后，能夠得到該映射關(guān)系下的對(duì)應(yīng)輸出[21]。SVM的建立，首先需選用核函數(shù)把低維輸入輸出值轉(zhuǎn)化為高維空間的內(nèi)積，核函數(shù)中，徑向基核函數(shù)以需確定參數(shù)少、映射維度廣，且運(yùn)算相對(duì)簡(jiǎn)單等特點(diǎn)，得到了廣泛應(yīng)用。徑向基核函數(shù)如下所示：

(10)

式中：g為寬度參數(shù)。

3.3 基于GWO-SVM的新手駕駛?cè)似谧R(shí)別模型

采用GWO優(yōu)化算法對(duì)疲勞駕駛的SVM檢測(cè)模型的懲罰參數(shù)以及核函數(shù)寬度參數(shù)進(jìn)行參數(shù)全局尋優(yōu)，以達(dá)到疲勞駕駛狀態(tài)識(shí)別的準(zhǔn)確性和泛化能力，具體流程如圖11所示。

圖11 GWO-SVM實(shí)現(xiàn)流程框圖

3.4 模型訓(xùn)練

本文以5 min為時(shí)間窗，從實(shí)驗(yàn)數(shù)據(jù)中提取了前文中的各個(gè)眼動(dòng)指標(biāo)數(shù)據(jù)，共得到111組清醒狀態(tài)樣本，186組輕度疲勞狀態(tài)樣本，54組中度疲勞樣本和32組重度疲勞樣本。隨機(jī)選取各疲勞等級(jí)樣本數(shù)的70%作為測(cè)試集樣本。在Matlab中進(jìn)行SVM及GWO-SVM的模型訓(xùn)練。

3.5 測(cè)試結(jié)果及分析

將剩下的樣本作為測(cè)試集，對(duì)疲勞檢測(cè)模型進(jìn)行測(cè)試。測(cè)試結(jié)果如圖12—14所示，當(dāng)支持向量機(jī)的懲罰參數(shù)、徑向基函數(shù)的寬度參數(shù)分別為371.788 6、1.428時(shí)，模型的交叉驗(yàn)證率達(dá)到94.186%，GWO-SVM的識(shí)別率達(dá)到88.372 1%。

圖12 SVM算法識(shí)別圖

為進(jìn)一步驗(yàn)證模型可靠性，對(duì)其進(jìn)行多次訓(xùn)練測(cè)試，取平均值作為最終識(shí)別結(jié)果，如表3所示，SVM模型最終識(shí)別率為83.465 2%，GWO-SVM模型識(shí)別率為88.348 0%，GWO-SVM較傳統(tǒng)的SVM模型識(shí)別率有一定提升,具有可靠性，可用于新手駕駛?cè)说钠隈{駛狀態(tài)識(shí)別。

表3 模型識(shí)別率

4 結(jié)論

1) 當(dāng)新手駕駛?cè)说钠诔潭仍絹碓礁邥r(shí)，其眨眼持續(xù)時(shí)長(zhǎng)均值、瞳孔變異系數(shù)均值、注視時(shí)間均值明顯增加，而掃視時(shí)長(zhǎng)均值、掃視總時(shí)長(zhǎng)、瞳孔面積均值降低，且都與各駕駛狀態(tài)呈顯著性差異，而眨眼頻率、掃視次數(shù)雖有變化，但與各疲勞狀態(tài)無顯著性差異；與已有研究對(duì)比發(fā)現(xiàn)，新老手駕駛?cè)嗽谄隈{駛時(shí)，眨眼持續(xù)時(shí)長(zhǎng)及瞳孔變異系數(shù)的變化整體趨勢(shì)相近，但具體變化幅度存在一定差異，推測(cè)其他眼動(dòng)指標(biāo)應(yīng)該也存在變化差異，具體表現(xiàn)還需進(jìn)一步研究。

2) 基于SVM的駕駛疲勞識(shí)別模型結(jié)果顯示，新手駕駛?cè)似跔顟B(tài)可以通過眼動(dòng)指標(biāo)進(jìn)行判斷，而GWO-SVM則進(jìn)一步提升了模型精度，證明眼部特征在新手駕駛員疲勞檢測(cè)方面具有較好的適用性。

3) 量化了疲勞程度對(duì)新手駕駛?cè)艘曈X的影響，可直觀地了解各疲勞狀態(tài)對(duì)新手駕駛?cè)艘曈X參數(shù)的影響程度。由于實(shí)驗(yàn)是在模擬駕駛情況下進(jìn)行，與真實(shí)駕駛環(huán)境存在一定偏差，后續(xù)應(yīng)考慮真車實(shí)驗(yàn)，并招募老手駕駛?cè)诉M(jìn)行對(duì)比研究。