基于主成分分析法和支持向量機算法的駕駛人疲勞檢測方法

李振中 應夢飛

摘要：汽車駕駛人的疲勞程度識別對于預防交通事故具有十分重要的意義。設計了實車駕駛實驗，采集了20名汽車駕駛人在疲勞駕駛狀態下的眼動特征參數，將汽車駕駛人的疲勞等級分為警覺、輕度疲勞、深度疲勞和嗜睡四個級別。利用主成分分析法（PCA）預處理了所采集的眼動特征數據，并利用支持向量機（SVM）算法建立了PCA-SVM疲勞檢測模型。實驗結果表明，該模型能夠高精度地識別駕駛人的四種疲勞狀態。

關鍵詞：駕駛疲勞；主成分分析法；支持向量機；智能汽車；主動安全

中圖分類號：U467? 收稿日期：2023-04-12

DOI：10.19999/j.cnki.1004-0226.2023.05.021

1 前言

目前，疲勞駕駛已被廣泛認為是各種交通事故的重要因素[1]。雖然目前很難直接獲得駕駛疲勞所導致的交通事故的數量，但可以明確的一點是目前關于駕駛疲勞所導致的交通事故數量統計的數字被低估了。許多生理學家和交通專家已經就疲勞對駕駛的影響開展了廣泛的研究[2-3]，并證明了疲勞是導致交通事故的主要原因。眾多汽車公司從20世紀90年代后期開始研發車載智能安全系統，以實現駕駛人的實時疲勞駕駛狀態預警功能。

汽車駕駛人的疲勞檢測應當能夠檢測到駕駛人的疲勞狀態，如打瞌睡或睡眠，并在此狀態下發出警報以提醒駕駛人[4]。要想直接檢測疲勞的狀態，本身并不是一件容易的事情。目前的技術手段是無法直接檢測疲勞狀態的，研究中所使用的大多數方法都是通過檢測疲勞相關的生理、心理參數，從而間接地檢測疲勞狀態[5-6]。也就是說，目前許多研究中得到的疲勞檢測結果并非是疲勞狀態這一結果本身。測量駕駛人的腦電波、心電和脈搏信號是原發性的嗜睡及注意力不集中狀態檢測的最佳手段，但這些方法具有侵入性，因為它們需要駕駛人佩戴相關的儀器設備[7-9]，這往往會對駕駛本身造成一定的干擾，且不易于在實際駕駛的汽車中進行應用。

處于疲勞狀態的駕駛人通常會伴有一定的視覺行為，很容易從他們的面部特征（如眼睛、頭部和面部）的變化中觀察到。利用計算機視覺技術，僅通過一個攝像頭便可以實現一種自然、非侵入的駕駛人疲勞檢測技術，用于實時檢測駕駛人的疲勞狀態[10-12]。

國外目前也有許多學者對疲勞辨識展開了相關研究。Bhardwaj等[13]設計實驗采集了駕駛人的心電信號，他們選取心率變異性這一特征參數用于訓練疲勞駕駛識別模型。他們在研究中對比了深度學習和機器學習兩類模型的辨識效果。實驗結果中，深度學習的模型雖然準確率超過90%，但其計算需要較大的運行內存，對疲勞識別的實時性較差。Muhammad等[14]提取了腦電信號的時域和頻域特征以及心電信號的心率變異性參數，并對二者進行特征融合，用于訓練支持向量機模型，其準確率達到93.3%。Murugan等[15]對疲勞進行了等級劃分，包括困倦、注意力分散、疲勞、認知注意力分散四類，使用心電設備采集駕駛人的心電信號特征，包括心率和心率變異性。他們利用SVM、KNN以及集成算法訓練模型，實驗結果表明，所訓練模型對每一類疲勞狀態均有較好的識別效果，但對于四類疲勞集成檢測性能只有58.3%。

本研究中將駕駛人的疲勞等級分為警覺、輕度疲勞、深度疲勞和嗜睡四個級別，設計并開展了實車駕駛實驗，采集了不同駕駛人在不同等級疲勞程度下的面部特征參數，利用主成分分析法預處理了所采集的特征數據以實現降維的目的，然后利用支持向量機算法建立了PCA-SVM疲勞檢測模型，所構建的模型在實驗所得數據集上取得了95.97%的準確率，能夠有效地辨識汽車駕駛人的疲勞狀態。

2 實驗方法

2.1 實驗參與人員

本研究通過社會招募的方式選擇了20名實驗對象，其中包括男性駕駛人13名，女性駕駛人7名。這些實驗參與人員為不同行業領域的社會人員，如教師、學生、國企員工、網約車司機等。允許實驗參與人員佩戴眼鏡參與實車實驗。實驗參與人員的基本信息如表1所示。

2.2 實驗設備

合理地選擇實驗設備是有效開展實驗的前提。由于實車駕駛實驗中存在一定的危險性，應選取不會對駕駛人形成干擾的實驗設備。因此本研究中使用一個普通的RGB攝像頭配合移動設備Jetson Nano的嵌入式系統采集駕駛人的面部信息并保存。實驗設備如圖1所示。

2.3 實驗組織

由于實車實驗具有一定的危險性，因此我們在實驗過程中不對駕駛人做任何要求，只需要駕駛人保持正常的自然駕駛狀態。但在實驗開始前，要求駕駛人在48 h內不能熬夜，要有足夠的休息時間，且在實驗前駕駛人不允許喝酒、服用精神類藥物以及功能飲料、咖啡等。我們將組裝好的攝像頭及Jetson Nano嵌入式系統安裝到實驗參與人員的車輛中。每當駕駛人在午后或晚上駕車時，打開設備，設備將自動運轉并開始采集駕駛人的面部信息。這是由于午后及晚上駕駛人容易處于疲勞狀態，在這個時間段能夠采集到較多的駕駛人疲勞面部特征數據。每當采集完一個實驗參與人員的數據后，將設備拆下，安裝到另一個實驗參與人員的車輛中繼續進行采集。

實驗結束后，整理實驗所得的數據。從實驗所得數據中人工篩選出具有疲勞特征的視頻片段，并利用專家打分法將篩選得到的疲勞視頻劃分為警覺、輕度疲勞、深度疲勞和嗜睡四個級別。其中，警覺狀態被視為正常駕駛狀態，輕度疲勞、深度疲勞和嗜睡狀態被視為疲勞駕駛狀態。每1 min的疲勞時間片段被篩選出來用作建立疲勞駕駛數據集，而在連續5 min沒有出現疲勞狀態的正常駕駛時間段中同樣篩選1 min的時間片段，用作建立對比數據集。經過篩選后我們得到了33組滿足要求的視頻片段構建實車駕駛實驗數據庫，其中包括14組疲勞駕駛視頻片段構成的疲勞駕駛實驗數據庫，以及19組正常駕駛視頻片段構成的正常駕駛實驗數據庫。

3 結果與討論

3.1 實驗數據預處理

本研究中，我們選取了駕駛人面部特征參數中的11個參數作為疲勞駕駛檢測的特征參數，具體信息如表2所示。

式中，TP為疲勞駕駛被識別為疲勞駕駛的樣本數；TN為正常駕駛被識別為正常駕駛的樣本數；FP為正常駕駛被識別為疲勞駕駛的樣本數；FN為疲勞駕駛被識別為正常駕駛的樣本數。

為了突顯PCA-SVM模型的優越性，我們選取了K領域模型（KNN）和隨機森林模型（RF）用作對比，同樣使用經過PCA預處理后的數據訓練KNN模型和RF模型。所得實驗結果的混淆矩陣如表4所示。

根據混淆矩陣，計算三個模型的評價指標，所得結果如圖2所示。

對比分析三類模型的驗證結果，可以看出所構建的PCA-SVM模型在各方面都表現了良好的性能，均優于對比所用的KNN和RF模型。因此，本文所提出的疲勞檢測方法能夠有效地檢測汽車駕駛人的疲勞狀態。

4 結語

本研究設計了實車駕駛實驗，采集了20名汽車駕駛人在疲勞駕駛狀態下的眼動特征參數，將汽車駕駛人的疲勞等級分為警覺、輕度疲勞、深度疲勞和嗜睡四個級別。利用主成分分析法（PCA）預處理了所采集的眼動特征數據，并利用支持向量機（SVM）算法建立了PCA-SVM疲勞檢測模型。實驗結果表明，該模型能夠高精度地檢測駕駛人的疲勞狀態。

參考文獻：

[1]Alvaro P K，Burnett N M，Kennedy G A，et al. Driver education：enhancing knowledge of sleep，fatigue and risky behaviour to improve decision making in young drivers[J].Accident Analysis & Prevention，2018，112：77-83.

[2]Zhou Z，Zhou Y，Pu Z，et al.Simulation of pedestrian behavior during the flashing green signal using a modified social force model[J]. Transportmetrica A：Transport Science，2019，15（2）：1019-1040.

[3]Zhou Z，Cai Y，Ke R，et al. A collision avoidance model for two-pedestrian groups：Considering random avoidance patterns[J].Physica A： Statistical Mechanics and its Applications，2017，475：142-154.

[4]Amodio A，Ermidoro M，Maggi D，et al.Automatic detection of driver impairment based on pupillary light reflex[J].IEEE Transactions on Intelligent Transportation Systems，2018，20（8）：3038-3048.

[5]吳汪友高速公路貨車司機疲勞駕駛誘發因素與對策研究[J]武漢交通職業學院學報，2018，20（2）：18-21+88.

[6]Dua M，Shakshi，Singla R，et al.Deep CNN models-based ensemble approach to driver drowsiness detection[J].Neural Computing and Applications，2021，33（8）：3155-3168.

[7]Zhao Z，Zhou N，Zhang L，et al.Driver fatigue detection based on convolutional neural networks using em-cnn[J].Computational Intelligence and Neuroscience，2020，2020：7258210.

[8]MASOUMEH T，ALI N，SERAJEDDIN E H K.Driver drowsiness detection using facial thermal imaging in a driving simulator[J].Proceedings of the Institution of Mechanical Engineers，Part H：Journal of Engineering in Medicine，2022，236（1）：43-55.

[9]Němcová A，Svozilov? V，Bucsuházy K，et al.Multimodal features for detection of driver stress and fatigue[J].IEEE Transactions on Intelligent Transportation Systems，2021，22（6）：3214-3233.

[10]Papakostas M，Das K，Abouelenien M，et al.Distracted and drowsy driving modeling using deep physiological representations and multitask learning[J].Applied Sciences，2021，11（1）：88.

[11]Lee H，Lee J，Shin M.Using wearable ECG/PPG sensors for driver drowsiness detection based on distinguishable pattern of recurrence plots[J].Electronics，2019，8（2）：192.

[12]Pan T，Wang H，Si H，et al.Identification of pilots fatigue status based on electrocardiogram signals[J].Sensors，2021，21（9）：3003.

[13]Bhardwaj R，Natrajan P，Balasubramanian V.Study to determine the effectiveness of deep learning classifiers for ECG based driver fatigue classification[C]//2018 IEEE 13th International Conference on Industrial and Information Systems（ICIIS）.Rupnagar： IEEE，2018：98-102.

[14]Awais M，Badruddin N，drieberg M.A hybrid approach to detect driver drowsiness utilizing physiological signals to improve system performance and wearability[J].Sensors，2017，17（9）：1991.

[15]Murugan S，Selvaraj J，Sahayadhas A.Detection and analysis：driver state with electrocardiogram（ECG）[J].Physical and Engineering Sciences in Medicine，2020，43（2）：525-537.

作者簡介：

李振中，男，1983年生，高級工程師，研究方向為智能網聯測試技術。