谭新治、牛文楠、刘莎、蔡丛楠、宁柏锋、董雄生
深圳供电局有限公司 440304
摘 要：在我国《中华人民共和国道路交通安全法》中，对驾驶员的车辆操作行为有明显的要求，包括车辆控制要求、驾驶过程中需要注意的事项等。但在实际操作中，很多驾驶员并没有严格按照相关规定操作车辆，最终导致安全事故的发生。针对这种情况，车辆操作行为检测系统，会在指定的位置设置传感器，提示驾驶员改变驾驶行为。本文对此类系统的工作内容和算法设计进行了研究和分析。
关键词：汽车危险驾驶行为；检测系统分析；风险评估
1 危险驾驶行为检测系统框架设计
1.1研究背景
全世界每年有1000多万人在交通事故中受伤。道路交通事故现象已成为全世界关注的主要问题。根据世界卫生组织2015年进行的全球道路安全状况报告，全世界每年有125万起与交通有关的死亡事故，其中还有数百万人受到严重伤害，生活在长期不利的健康后果之中；目前道路交通伤害是年轻人死亡的主要原因，也是15至29岁年轻人死亡的主要原因。道路安全感与驾驶员行为分析是分不开的，因为交通事故的主要原因是人为因素，因为我们推断95%的事故都是由驾驶员行为引起的。分析数据库可以帮助评估驾驶员的表现，提高交通安全，认可智能和弹性交通系统的发展。在这些事故中，追尾事故事故是一个严重的安全问题，几乎占所有事故的30%。近几十年来，在道路车辆的安全方面作出了重大努力。先进的驾驶员辅助系统(ADAS)在提高乘客和车辆安全方面发挥着重要作用。
1.2 驾驶员危险驾驶行为研究
在文献中，驾驶行为被定义为驾驶员在驾驶时的不同习惯、方式和行为，分为五种类型:正常或安全驾驶、攻击性驾驶、分心驾驶、疲劳驾驶和酒后驾驶。一些研究人员将安全驾驶行为定义为特定司机的日常常见行为，而异常驾驶行为则定义为特定司机的稀缺行为，这些行为受到身体或心理因素的影响。他们认为这个问题是一个单一类别的分类问题。这种对驾驶员行为的定义是不精确的，因为驾驶员可能对非正常驾驶行为上瘾，而且他的驾驶行为大多数包括异常行为。通过对驾驶员行为特征的研究，区分不同的驾驶员行为类型，得出以下结论：
首先是侵略性驾驶风格，这是一种当驾驶员试图最小化旅行时间时的不耐烦行为，如图1所示。它包括追尾、车速的异常和立即变化、车辆侧向位置的不当保持、危险的车道变化、快速加速和减速起飞或制动。其次是分心驾驶风格，如图2所示，驾驶者对驾驶工作及其所需活动的暂时性疏忽，可能会导致分心的驾驶模式，随之而来的通常是驾驶者迅速作出反应以改正车辆的位置。攻击性驾驶风格具有周期性的不良行为模式，而分心驾驶风格具有瞬时性和不规则性。所以在广大学者研究的过程中将注意力从安全驾驶所必需的关键活动转移到竞争活动的行为被定义为分心驾驶。司机分散注意力的资源包括车内外的物体、人或事件、吃喝、在车上使用手机或其他技术。再次是疲劳驾驶类型，如图3所示，这与司机的行为有关，当他/她筋疲力尽，并试图抵制睡眠。疲劳驾驶的客观标志包括反复打哈欠，难以睁开眼睛，反应和反应较慢，转向缓慢，车辆在路上摇晃，很少使用刹车，加速或换挡缓慢，行驶速度低于限速。再次是酒后驾驶类型，司机受酒精影响时的行为。酗酒会降低注意力，导致危险行为。酒后驾驶类型的一些可测性质包括车辆横向位置保持不当、突然加速、不安全换道等。与攻击性驾驶不同，由于酒精的影响，驾驶员的驾驶表现和驾驶员的危险意识显著降低。最后一种是安全驾驶，这也被称为正常驾驶或典型驾驶，与驾驶员的行为相关，没有危险活动的驾驶和提到的粗心驾驶、侵略性驾驶、昏昏欲睡驾驶和酒后驾驶的特点被归类为安全驾驶风格。在安全驾驶者应避免车辆尾部追尾、速度或加速度快速变化、车辆侧向位置不当、不安全的换道、不注意驾驶活动、疲劳或醉酒驾驶。
.png)
1.3 驾驶危险行为检测系统设计技术分析
驾驶员行为监测是智能交通系统和人为因素研究中的一个共同领域。文献中介绍了几种探索驾驶活动中人为因素的方法，根据特征类型将其归纳为两大趋势，分别为基于非视觉特征的方法和基于视觉特征的方法。
细粒度的驾驶监控方法是一种非视觉的检测方法，该方法可以识别特定类型的不寻常驾驶行为，如大半径转弯、突然制动、交织、转弯、快速 u 型转弯和侧滑。他们使用智能手机的传感器在真实的驾驶环境中收集车辆的方向和加速度，然后使用神经网络和支持向量机作为两种机器学习算法检测驾驶行为。
此外，对于非视觉的检测方法还有学者提出了非侵入式的技术来检测驾驶员的视觉干扰，该技术使用车辆信号(速度、碰撞时间、交叉车道时间、转向角度、侧向位置、加速器踏板的位置、刹车踏板的位置)来代替驾驶员的眼球追踪。数据是通过驾驶模拟器收集的，当参与者被次要活动分心时。在驾驶阶段，为了分散司机的注意力，每个司机被要求完成16个次要任务，每个任务持续3分钟。他们利用静态神经网络和动态神经网络，自适应神经模糊推理系统和支持向量机来检测驾驶员分心。
之后，基于数据融合的驾驶员行为分析工具被提出，该工具使用 GPS、惯性导航系统定位系统(IMU)和车载传感器来收集数据。为了检测驾驶员的攻击性行为，将收集到的数据的最大值、平均值和标准差值与标准的人为因素研究进行了比较。
1.4驾驶员危险驾驶行为研究内容
驾驶行为(DB)是一个复杂的概念，描述了驾驶员如何在驾驶场景和周围环境中操作车辆。近年来，数据库评估已经成为一个新兴的重要课题。然而，考虑到驾驶、测量和建模的随机性，数据库仍然是一个具有挑战性的课题。因此，为了进一步理解影响数据库的个人和组织机制，概述了一个概念框架，根据驾驶员-车辆-环境(DVE)系统建立的不同维度来看待数据库。此外，各种机器学习(ML)模型已经应用于 DB 评估。驾驶员的头部、眼睛和手部等特征被利用支持向量机分类器来检测驾驶员的活动状态，从而评估驾驶员在道路设置中的表现。睡意识别的研究已经检验了多种方法。
2汽车危险驾驶行为检测系统实现
2.1人眼识别功能
驾驶员的眼动特征可以反映其疲劳状态，眼动检测方法有两种：一种是用摄像头记录驾驶员的驾驶数据，并通过相关算法进行处理，实现对驾驶员眼动状态的实时跟踪；另一种是用眼动跟踪器处理视觉信息时，记录人的眼动轨迹特征。与上述其他研究方法相比，基于眼动跟踪器的驾驶员疲劳检测方法具有实时性、非接触性、数据再处理、效率高等诸多特点，已成为驾驶安全研究的热门方法。驾驶员的眼睛状态可以通过眼睛标准化模板中的瞳孔大小、平均振幅和长宽比来评价。眼球状态可分为全开、半开和闭眼三种类型。通过对驾驶数据的分析，发现如果驾驶员连续闭眼4帧，可以判断驾驶员处于昏迷状态如果驾驶员的眼睛连续开闭超过8帧，则表明驾驶员处于疲劳状态。通过此类设备进行驾驶员驾驶过程中的视频数据分析，进而通过下面提到的方法进行疲劳程度的检测。
2.2疲劳检测功能
驾驶员疲劳检测系统的开发和效果验证需要客观的疲劳评价标准，从而给出驾驶员真实的疲劳状态作为“基准”。本文采用面部视频评分法作为疲劳状态的客观评价标准。具体方法为：首先，进行疲劳驾驶实验，获取驾驶员的面部图像；其次，实验结束后，将面部图像数据划分为长度相等的视频单元；最后，评分视频段，评定过程中，由3名有经验的评定员独立评定每段15秒长视频的疲劳程度，允许反复观看，如果3名评定员的评定结果一致，则修改结果，作为该视频段驾驶员的真实疲劳程度，若3名评分结果不一致，评分将被重新确认。
在驾驶员清醒的状况下其正常睁眼，快速眨眼，眼神活跃、专注、集中，头部挺直，面部表情丰富。疲劳状态时，驾驶员眼睛有闭合的倾向，睁开的程度变小，双眼频率变快，速度变慢，眼球活动度下降。严重的疲劳情况有闭眼趋势严重，眼睛晴天半闭，眼皮变得沉重不能睁开，有较长时间的连续闭眼，点头哈腰，头部歪斜，失去继续驾驶的能力。在实际的工作过程中系统能够识别出司机的驾驶状态，如下图所示：
.png)
图4 司机驾驶行为示意图
3 汽车危险驾驶行为检测系统实践价值
3.1驾驶员驾驶行为风险评估算法的设计
在汽车保险领域，已经探索和设计了驾驶员风险评估系统，以便为驾驶员制定“合理”的保险费。输入这些系统的数据通常包括个人信用评分、就业历史、驾驶记录、保险历史和事故历。此外，一些公司为每辆车提供一个带有唯一密钥的便携式设备，这样驾驶员的个人活动可以从设备中收集，发送到数据中心，并评估更新保费。因此，在这一综合系统中，一个组件用于从驾驶员那里收集信息，另一个组件用作车载诊断系统，第三个功能是提供驾驶员辅助技术。评估分数可以根据这些不同组成部分的信息提供。驾驶员风险评估系统的另一种方法是实时报告和评分车载事件。该系统的设计是通过重复校准事件流报告和结果数据分析。此外，它可以通过优化数据传输和更有效地检测驾驶事件来不断改进。板载评分是比较的历史价值，这是储存在系统。驾驶员的得分也可以根据关键的环境因素进行标准化。汽车制造商和保险公司现有的驾驶员风险评估系统旨在更多地关注个人表现。然而，从交通网络和安全的角度来看，值得注意的是，相邻车辆和环境条件应该整合到系统中，使连接车辆技术成为可能。本文提出了一种新颖的驾驶员识别、评估和引导系统，利用机器学习算法和现代连接车辆技术的优越预测能力，实现对驾驶员性能更全面的评估，以提高交通网络的安全性。
提议的综合评估和推荐系统包括三个组成部分：测量、分析和反馈。在分析组件中，模式识别算法被应用到原始数据中，通过识别九个行为特征来提取有意义的信息，比如车道变化和有无加速时的转弯、严厉的刹车、苛刻的转弯和过度的加速。然后采用高斯混合模型-通用背景模型(GMM-UBM)系统，通过建立通用模型从数据集中所有驾驶员的信息中检测出一般的环境因素，同时建立每个驾驶员的单个驾驶模型(即高斯混合模型)来描述个体的行为特征。这些模型提供了用不同参考点评估驾驶员的两种可能方法：如果有历史附带记录或相关的保险定价，可以将有最佳历史记录的最安全驾驶员定义为参考；否则，以在概况分布中规范化行为最多的驾驶员为标准。在这项研究中，应用第二种方法是基于以下三个原因：(1)在大多数情况下，前一种方法由于缺乏数据和隐私问题而不适用；(2)最安全的司机可能不是在每个情况下都能领先的好司机——因为历史记录最好的司机可能是总是低速驾驶以避免在当地发生事故，但他/她可能因此导致更多的车道变更；(3)历史记录不能显示任何受道路行人路面和几何形状影响的实时特征。根据这个定义，任何偏离的行为都可以被视为剖面分布中的异常值。
3.2驾驶员驾驶行为风险评估反馈
在反馈部分，当目标驾驶员的出行信息准备好时，采用最大似然检测将目标驾驶员与其单个模型匹配，然后计算目标驾驶员分布与“标准”分布之间的相似度量，给定百分比。假定计分系统已在目标车辆内安装并启用。一旦测量和分析组件执行，得分较低的驾驶员将收到警告时，从事侵略性和不安全的驾驶行为后，建议从一个更好的(更安全的)领先的驾驶员，这是从当前连接附近的驾驶员或内置的驾驶行为库获得的指导。假定内置库可用于连接的和/或自动驾驶车辆环境，其中存储了类似的历史驾驶环境的驾驶模式作为参考。通过车辆、基础设施和互联网之间的通信，通过连接车辆技术识别环境，以获得环境和交通网络状况的完整概况。为了验证所提出的系统对交通状况和安全性的改善，在一个城市公路路段进行了一系列的微观模拟试验。一旦评分系统启用，它提供行为指导，推荐较不安全的司机遵循一个更安全的司机使用连接车辆技术。通过仿真结果与其他算例的比较，验证了评分系统对系统稳定性的显著改善。通过仿真实验，初步探讨了基于驾驶得分的实时跟随-领先匹配方法在提高交通流质量和流动性方面的潜力，如图5所示,。
.png)
图5 驾驶员行为监测系统
4 结束语
综上所述，在眼球检测方面，通用模板的选择是一个难题。模板匹配的方法速度较慢，不能满足实时检测的要求，基于形状的方法需要采集大量的训练样本，样本的选择往往不能覆盖实际应用的各种情况。本文提出了一种基于驾驶员面部视频特征的疲劳检测方法，提取Eyes的眼睑特征作为眼球识别的基础，然后设置平均闭合度和最大闭合时间作为眼球状态指标，建立多元回归模型预测驾驶员的疲劳状态，保证算法的准确性和实时性。在今后的研究中，将在室外光照环境变化、遮挡、面部表情变化等复杂条件下进行研究，在进一步完善该算法的基础上，为了提高系统在实际道路环境下的可靠性和鲁棒性，采用多源信息融合的方式，将驾驶员的操作行为信息和车辆轨迹信息进行整合处理。
参考文献：
[1]彭海维,王站立. 汽车危险驾驶行为检测系统的实现[J]. 江苏科技信息,2019,36(35):33-36+46.
[2]张雅楠,唐阳山,刘昊,李玉治. 基于行车数据的驾驶员危险驾驶行为的判定[J]. 汽车实用技术,2019,(15):247-248.
[3]刘宁,冯啸,安平,陈苏阳,惠明琪. 车联网在车队风险管理中的应用[N]. 中国保险报,2018-12-19(006).
[4]贾耀芳. 结果无价值论视角下对危险驾驶罪的分析[D].河南师范大学,2018.
[5]李智王（SURASAK SUPAPHANPINYO）. 清迈道路交通危险驾驶行为的研究[D].昆明理工大学,2018.