基于驾驶行为的疲劳驾驶判别算法研究

第16卷第6期2016年12月道路交通与安全Vol.16 No.6

Dec.2016

DOI：10.13986/ki.jote.2016. 06. 004

基于驾驶行为的疲劳驾驶判别算法研究

万蔚，王振华，王保菊

(中国航天系统工程有限公司，北京100070)

摘要：为了有效判别驾驶员的疲劳驾驶状态，本文利用模拟驾驶器开展驾驶实验，采集了 20名驾驶员在疲劳状 态和正常状态的实验数据;为了提取能表征驾驶员疲劳和正常驾驶状态时的行为特征，本文对获取的速度、方向盘 转角和车辆横向位置的样本熵进行了分析，最终提取了该三类参数的样本熵作为疲劳驾驶的有效特征组;构建了 基于BP神经网络的驾驶员疲劳驾驶判别算法，并采用测试集样本对构建的算法进行验证.实验结果表明:该算法 对于驾驶员疲劳驾驶检测的准确率较好、运行时间较短、具有较好的鲁棒性和实用性.

关键词：交通安全；驾驶行为；疲劳驾驶；BP神经网络；样本熵

中图分类号：U491. 254 文献标志码：A文章编号：1008-2522(2016)06-21鄄04 Research on Detection of Fatigue Driving Based on Driving Behaviors

WAN Wei，WANG Zhen-hua，WANG Bao-ju

(China Aerospace System Engineering Company，Beijing 100070，China)

Abstract:In order to effectively detect the fatigue driving behavior，a driving experiment was conducted in a driving simulator.The driving states were divided into 2 levels：fatigue state and normal state.A total of20 drivers participated in the experiment.In order to extract the features that can effectively display the driver爷s driving behaviors，this paper compared the sample entropy of speed，steer and LP parameters，and found these features can measure the performance of the driving behavior well and can be used to build the classifier.Finally，a classifier based on BP was established to detect the fatigue driving，and a test set was used to verify this classifier.The results show that the classifier based on BP has a better detection accuracy，shorter running time and better robustness and practicability.

Key words：traffic safety;driving behavior；fatigue driving；BP neural network；sample entropy

1概述

近年，随着我国机动车保有量的增长，交通事故 的发生率迅猛增加，道路交通安全问题逐渐成为人 们关注的焦点之一.分析引起道路交通事故的原因 发现，85%以上的交通事故是由驾驶员自身因素导 致的，其中疲劳驾驶是引发交通事故的主要原因之 一⑴.因此，如何能快速、有效地检测驾驶员疲劳状态，对交通安全具有重大意义.

目前，国内外学者针对疲劳驾驶判别问题开展 了很多研究，也取得了一定成果，其中以脑电特征和 面部特征检测为代表.但这两种方法仍存在较多不 足:1)脑电特征检测虽然准确性高，但大多数检测 装置均需与驾驶员身体接触，这会影响驾驶员的驾 驶操作，较难推广应用;2)基于面部特征的检测方 法通常采用图像处理方法来获取驾驶员在驾驶过程

收稿日期：2016-07-11.

基金项目：交通运输部2014年度科技项目（批准号:2014364222110)

作者简介：万蔚（1988—)，硕士，工程师，研究方向为智能交通.E-mail:wanwei817@ 163. com .

22道路交通与安全2016 年

中的行为特征，但图像的获取受外部环境的影响较 大，将影响检测效果[2鄄3].

此外，不少学者采用驾驶行为特征作为疲劳驾 驶检测的依据.李伟等[4]通过采集驾驶员处于不同 驾驶状态下的车辆横向位置和方向盘转角参量，基 于B P神经网络方法构建了疲劳驾驶判别系统. Sandberg等[5]通过测量车速、车辆横向位置、方向盘

转角和航偏角参量，采用前馈神经网络（FFNN)构 建了疲劳驾驶分类算法，从而实现疲劳驾驶检测. Siegmund等[6]开展了实车驾驶实验，米集了油门、方向盘转角速率等参量，提取了 46个驾驶员疲劳驾 驶的判别指标，基于多元回归分析方法搭建了疲劳 状态检测模型.研究表明，基于驾驶行为的检测方 法采用非接触式测量，具有影响因素少的特点，较适 合于实际应用.

本文通过开展模拟驾驶实验，采集驾驶员在不 同驾驶状态下的驾驶行为数据，提取了能表征驾驶 员疲劳驾驶的行为特征，构建了基于B P神经网络 的分类算法进行疲劳驾驶判别，为进一步搭建疲劳 驾驶判别系统奠定了基础.

2驾驶实验设计及数据分析

2.1实验设计

实验器材:本文利用驾驶模拟器开展疲劳驾驶 实验.本文采用的驾驶模拟器配有运行操作系统、视景模拟系统和数据采集系统等，如图1所示.该驾驶模拟器可以逼真的模拟现实驾驶场景，采集驾 驶员在驾驶过程中的车速（Speed)、方向盘转角 (Steer Angle)、车辆横向位置（LP)三类数据，其中 采样频率为30 Hz.

图1驾驶模拟平台

实验人员：相关研究表明，男性驾驶员比女性驾 驶员更易发生危险驾驶行为.因此，本文共招募了 男性驾驶员20名，其年龄范围为20〜30岁，驾龄范围为2〜5年.

实验路线:本文设计的实验路线总长为11 km，其中包括直道、200R(200 m半径的右转弯道）、200L(200 m半径的左转弯道）、500R、500L、800R、800L共7种类型道路.实验中，任意两个弯道间的 直道长度为0.8〜1.2 km.为进一步逼真的模拟真 实驾驶场景，实验场景中还融入了一些现实交通元 素，如树木、建筑、小密度的车流等.

最终，获取了 20名驾驶员在疲劳和正常驾驶状 态中的速度、方向盘转角和车辆横向位置数据，并提 取弯道数据作为实验数据进行研究.

2.2数据分析

样本熵是由Richman提出的一种时间序列复杂 性的测度方法，它能较好地进行数据观测，对复杂度 的变化更加敏感.若序列的复杂度越高，则样本熵 值越大;若序列的自我相似度越高，则样本熵值越 小.在实际应用中，由于样本熵不依赖于序列的长 度，仅需较短数据就能得出稳健的估计值，具有较好 的抗干扰能力，并且分析效果优于简单的统计参数，所以适合用于驾驶行为特征分析[7鄄8].

本文对获取的速度、方向盘转角和车辆横向位 置数据进行样本熵分析，结果如图2〜图4所示.由 图2〜图4中左图可以看出，驾驶员疲劳驾驶时的 速度、方向盘转角和L P的样本熵小于正常驾驶时 的样本熵，这说明驾驶员疲劳驾驶时样本序列的复 杂度较正常驾驶时低，其原因是驾驶员疲劳驾驶时 的反映较慢，对车辆的控制能力降低，对车辆的速 度、方向盘的调整次数减少.从下图可以看出，在6种 不同类型的道路中，驾驶员疲劳驾驶时的速度、方向 盘转角和LP的样本熵均值小于正常驾驶时的样本 熵，这进一步验证了左图所得的结论.因此，本文提 取速度、方向盘转角和L P的样本熵作为行为特征，进行驾驶员驾驶行为分析.

3疲劳驾驶判别算法构建

BP神经网络主要包括输入层、输出层和隐含层 3部分.本文构造了一个拓扑结构为3-7-2的3层

BP神经网络模型，其结构如图5所示，各层神经元 的设计过程如下：

3.1输入层与输出层神经元设计

通过模拟驾驶实验采集了速度、方向盘转角和 LP三类数据，随机选取了 20个样本作为训练样本，

其中疲劳样本和正常样本各10个，每个样本截取 300个数据点；以时间窗长度为

100截取数据计算