驾驶员疲劳预警

Gotosky驾驶员疲劳监测方法综述生命是无价的，然而令人深思的是，全球每年约有120万人死于交通事故。研究表明，疲劳驾驶是引发道路交通事故的重要原因之一。据资料调查显示：美国国家工具交通安全管理局保守估计，每年因疲劳驾驶导致的交通事故至少有10万起；２００１年，在美国进行的一项调查发现，有５３％的被调查者曾在驾驶时打过瞌睡[1]；法国国家警察总署事故报告表明，因疲劳驾驶导致的意外占人身伤害事故的14.9%，死亡事故的20.6%[1]；德国保险公司协会统计，德国境内高速公路上导致人员伤亡的交通事故25%都是由疲劳驾驶引起的[2]；澳大利亚每年道路交通死亡人数的20%是由疲劳驾驶造成的[3]；截至2014年底，我国机动车保有量达2.64亿辆，其中汽车1.54亿辆；2014年新注册登记的汽车达2188万辆，保有量净增1707万辆，均为历史最高水平2014年，国内小型载客汽车达1.17亿辆，其中以个人名义登记的小型载客汽车(私家车)达到1.05亿辆，占小型载客汽车的90.16%；全国平均每百户家庭拥有25辆私家车。另一方面，我国每年因疲劳驾驶而造成的交通事故约占总数的20%，占特大交通事故总数的40%~80%，以及交通死亡率的83%[1]。在2007年至2009年间，我国直接由疲劳驾驶导致的死亡人数分别占机动车交通事故总死亡人数的11.35%，10.91%，12.5%[4]。唯有对汽车行驶安全问题进行深入研究，才能有效保障人民的生命和财产安全，提高运输效率，更安全便捷的为经济建设服务。有鉴于此，分析驾驶疲劳形成机理，研究疲劳监测设备与方法，进行疲劳预警就显得尤为重要。驾驶员疲劳监测方法分为主观疲劳监测和客观疲劳监测。目前基于驾驶疲劳的检测方法主要集中于客观疲劳的监测预警。客观疲劳监测主要是借助各种检测仪器对驾驶员身体指标或驾驶行为状态的特异性进行实时监测、客观评价并进行提示预警的方法，具体方法如图1所示：Gotosky图1客观疲劳监测方法分类图目前，世界各国都十分重视驾驶员疲劳状态的监测与预警技术的研究。（1）基于驾驶员的生理信号检测方面：日本的ToyotaMotorKyushuInc基于驾驶员的血压和脉搏数来判断疲劳情况[5]。澳大利亚的SarojKLLal和AshleyCraig对35名非专业驾驶员脑电图进行了试验，得出人体在不同疲劳阶段脑电图的变化特点[6]。浙江大学的王炳浩等用KT98-2000A动态脑电仪描记了健康汽车驾驶员驾车行驶时的动态脑电波，并与静止条件下，睁眼、坐在椅子上描记得到的清醒状态和瞌睡状态的脑电波进行对比[7]。上海交通大学的杨渝书等采集16名被测试者在实验室模拟驾驶90分钟的心电信号，发现4项心电时频域指标与疲劳程度明显相关[8]。北京理工大学的吴平东等通过脑波信号的监测，研究了疲劳的识别方法[9]。（2）基于驾驶员的生理反应特征检测方面：美国开发了驾驶员瞌睡侦探系统DDDS(DrowsyDriverDetectionSystem)，该系统采用多普勒雷达侦测和图像信号处理方法，根据获取的驾驶员烦躁不安的情绪活动、眨眼频率和持续时间等信号进行疲劳判别[10]，明尼苏达大学的NikolaosP等人也成功开发了类似系统，由ASCI（AdvancedSafetyConceptsInc.）研制开发的头部位置传感器可通过测量驾驶员头部位置来判断驾驶员是否在打瞌睡[11]。清华大学的马添翼等建立了基于面部表情特征的疲劳状态识别方法并进行了验证，驾驶疲劳监测精度达到了93%[12]。吉林大学的邸巍等利用Otsu阈值方法及Harris角点特征提取对眼睛位置进行快速定位[13]。东北大学的王剑等在采用PERCLOS方法的基础上增加平均睁眼程度和最长闭眼时间两个指标进行疲劳监测[14]。北京工业大学的张志斌等在分析多种视觉疲劳特征方法基础上，提出一种判断眼睛和嘴巴开合状态的新方Gotosky法[15]。（3）基于车辆参数特征检测方面：美国ElectronicSafetyProducts公司开发了SAM方向盘监视装置，若方向盘持续4s不运动发出报警[15]。美国EllisonResearchLabs实验室研制的DAS2000型路面警告系统是当车辆偏离道路中线时，会向驾驶员发出警告[15]。瑞典汽车厂商沃尔沃推出的驾驶员警示系统，参照公路上的各种交通标线来辨别车辆的行驶状态[16]。北京科技大学的马明亮等针对疲劳驾驶的特点，从驾驶员驾驶行为表现的角度进行建模分析，以区别出疲劳状态下的驾驶[17]。北京林业大学的鲍际平等利用人工神经网络方法研究了转向盘转角特性在驾驶疲劳中的应用[18]。（4）基于多种信号特征参数监测方面：英国研制了一种疲劳驾驶员警报系统(AdvisorySystemforTiredDrivers，简称ASTiD)，该系统将当前时间、已完成驾驶时长常见因素作为参考系数[19]。欧盟的AWAKE项目开发了基于多个参数的驾驶疲劳实时监测模块和报警系统[19]。重庆大学的舒红宇等人提出一种将调查表设计、调查试验和数据统计分析融为一体的汽车驾驶疲劳综合性评定方法[20]。电子科技大学的陈勇等人基于红外图像处理和生理特征—心率的全天候疲劳检测算法，采用模糊神经网络专家系统对驾驶员的疲劳状态识别[21]。江苏大学的张海水等基于DSP红外条件同步采集眼睛、嘴巴、头部信号进行疲劳监测[22]。山东理工大学的王雷等用仿生学原理、模糊数学知识和产生式规则，研究了一种多传感器信息融合算法，利用机器视觉的方法对驾驶员的身体反应进行监测[23]。综上所述，目前国内、外的驾驶员疲劳监测预警研究大多还处于实验室研究、探索阶段，并未形成疲劳监测预警系统标准，缺少可真正实际应用的完善的解决方案，存在的问题及未来发展趋势可归纳为：（1）由于大部分疲劳监测传感器为接触性的，在行车过程中的信号采集容易受到驾驶员与环境的影响，易于造成驾驶员不适，影响其驾驶操作，因而难以实现对驾驶员疲劳的准确识别。而通过车载摄像头等非接触性仪器进行监测的方法往往对外界环境的依赖性较大，易因环境变化导致监测准确率不高。因此，研制出安全、准确、不影响驾驶员驾驶的车载疲劳信息感知装置是目前以及今后一段时间的研究重点。（2）目前国内外对驾驶员疲劳程度特征提取的方法尚在研究之中，对采集得到的信号通过时域或频域分析方法提取疲劳特征，存在不足之处,目前尚未存在有效的特征提取方法，因而难以对驾驶员疲劳程度进行准确识别。（3）由于驾驶员的个体差异、操作行为以及外部光线、路面状况、车况等因素的影响，单一监测指标的监测结果存在一定的局限性。将采用多传感器的多源信息融合技术应用于驾驶疲劳监测中，提高监测的准确性将是未来研究的重点。Gotosky（4）鉴于不同车型的驾驶员在不同路况下驾驶行为和疲劳状态的偶然性和差异性，单一的驾驶员疲劳监测评价方法进行判断难免存在误差。未来可以基于实时多源大数据采集及挖掘，综合预测驾驶员是否处于疲劳状态。参考文献：[1]刘灵.心率变异性在汽车司机驾驶疲劳监测中应用的研究[D]．重庆大学，2007．[2]魏红江.基于视觉信息的司机疲劳驾驶报警算法研究[D].哈尔滨工业大学,2010．[3]毛喆.机动车疲劳驾驶行为识别方法研究[D].武汉理工大学,2010．[4]卢阳.疲劳驾驶检测系统的设计及FPGA实现[D].重庆大学,2013．[5]朱淑亮.基于视频图像分析与信息融合的驾驶员疲劳检测技术研究[D].山东大学,2011．[6]李文磊.基于DSP的疲劳驾驶实时监测系统研究[D].南京理工大学,2007．[7]王炳浩，魏建勤，吴永红．汽车驾驶员瞌睡状态脑电波特征的初步探索[J]．汽车工程,2004,26（1）：70~72．[8]杨渝书,姚振强,李增勇等.心电图时频域指标在驾驶疲劳评价中的有效性研究[J].机械设计与制造,2002（5）：94~95．[9]彭军强,吴平东,殷罡等．Hilbert-Huang变换结合近似熵在疲劳驾驶时脑电分析中的应用[J].公路交通科技,2008，26（6）:126~129．[10]Wu,Riheng，Turner,Jason，Browning,Caleb，Brummett,Travis.DrowsyDriverDetectionSystem:UnitedStatesPatent,8957779[P].2010-06-23.[11]李葆华.基于DSP驾驶员视觉注意力的检测方法研究[D].合肥工业大学,2007．[12]马添翼，成波．基于面部表情特征的驾驶员疲劳状态识别[J].汽车安全与节能学报，2010，1（3）：200~204．[13]邸巍，王荣本．基于红外光源的驾驶员眼睛特征提取[J].交通信息与安全，2009，27(1)：79~82．[14]王剑，刘兵，陈得丰．基于图像处理的驾驶员疲劳检测系统[J].控制工程，2009，16（S1）：163~170．[15]张志斌.基于计算机视觉的驾驶员疲劳实时检测研究[D].北京工业大学,2008.[16]赵团.基于计算机视觉的驾驶员疲劳检测技术的研究与实现[D].东北大学,2010．[17]马明亮,黄康.关于疲劳驾驶行为的研究和建模[D].北京科技大学,2010．[18]鲍际平,闫燕,张凡.汽车方向盘转角传感器及行车转角特性的研究[J].仪器仪表学报增刊,2010,31（8）：44~48．[19]牛清宁.基于信息融合的疲劳驾驶检测方法研究[D].吉林大学,2014．Gotosky[20]舒红宇，李发权，易树平等．汽车驾驶疲劳的一种综合性评定方法[J]．上海交通大学学报，2008，42（8）：1338~1343．[21]陈勇，黄琦，刘霞等．一种全天候驾驶员疲劳检测方法研究[J]．仪器仪表学报，2009，30（3）：636~640．[22]张海水，詹永照，刘志强．基于DSP多特征检测疲劳驾驶监测系统研究[J]．计算机应用与软件，2009，26（9）：61~63．[23]王雷,王晓原,杨新月．基于多源信息融合的驾驶员行为协同仿真算法[J]．交通运输系统工程与信息，2006，2（1）：86~90．[24]KhushabaRN，KodagodaS，LalS，DissanayakeG．DriverDrowsinessClassificationUsingFuzzyWavelet-Packet-BasedFeature-ExtractionAlgorithm[J]．BiomedicalEngineering2011，58(1)：121~131．[25]DeviM.S，BajajP.R．Fuzzybaseddriverfatiguedetection[C].SystemsManandCybernetics（SMC）2010：3139~3144．[26]FriedrichsF，BinYang．Camera-baseddrowsinessreferencefordriverstateclassificationunderrealdrivingconditions[C]．IntelligentVehiclesSymposium(IV)2010：101~106．[27]DanghuiLiu，PengSun，YanQingXiao，YunxiaYin．DrowsinessDetectionBasedonEyelidMovement[C]．EducationTechnologyandComputerScience(ETCS)．2010(2)：49~52．[28]TsuchidaA，BhuiyanM.S，OguriK．Estimationofdrivers'drowsinesslevelusingaNeuralNetworkBased‘ErrorCorrectingOutputCoding’method[C]．IntelligentTransportationSystems（ITSC），201013thInternationalIEEEConference．2010：1887~1892．[29]Friedr