CN104484549A - 一种基于驾驶员视觉注意机制的多任务驾驶安全状态辨识方法 - Google Patents

Abstract

本发明公开了一种多任务驾驶安全状态辨识方法，旨在克服对驾驶员视觉注意机制研究参数单一的缺陷和不足。其通过采集、提取正常驾驶和多任务驾驶过程中驾驶员视觉注意参数，建立了多任务驾驶安全状态辨识指标体系，并基于专家分析和模糊网络分析相结合的方法，确定出辨识指标的权重系数，构建了多任务驾驶安全状态等级辨识模型，本方法实现了多任务驾驶安全状态的准确辨识。

Description

一种基于驾驶员视觉注意机制的多任务驾驶安全状态辨识方法

技术领域

本发明涉及属于智能车辆安全辅助驾驶领域中的一种方法，更确切地说，本发明涉及一种驾驶安全状态辨识方法。

背景技术

多任务驾驶亦可称作第二任务、次要任务或二级任务等，是指在驾驶过程中驾驶员除了正常驾驶外，还同时进行相对于车辆控制、车道保持、道路状况监控等主要驾驶任务无关或不直接相关的任务，并称这些任务为次任务，如收听音乐广播、接打电话、使用车载导航等。多任务驾驶行为是导致驾驶员注意力分散的重要原因，并严重威胁驾驶安全，近年来引起了国内外学者的广泛关注。准确辨识多任务驾驶行为对行车安全性的影响已成为国际智能车辆研究领域热点，是提高驾驶安全性和改善交通环境的一项重要措施。

目前辨识多任务驾驶行为对行车安全性影响的方法主要通过分析不同类型次任务下驾驶员视觉和车辆运行状态参数的变化规律实现。其中，在驾驶员视觉变化规律的研究方面，存在仅关注驾驶员注视行为的不足，忽视了扫视行为和注视行为变化规律分析，各类辨识参数选取也复杂多样，没有统一标准。在辨识模型的研究方面，目前研究也存在与实际驾驶相符度较低，预测结果不够准确的不足。

研究表明，80％以上的行驶信息通过视觉通道传递给驾驶员，视觉成为最重要的信息获得途径，并通过眼动行为表现出来。驾驶员利用视觉信息来保持行车速度、监测其他车辆的行驶状况、收集周围交通信号信息等，当视觉系统获取信息不足或出现采集偏差时，都有可能诱发交通事故。多任务驾驶过程中，驾驶员视觉特性会呈现一定的变化规律，如注视频率增加、道路注视时间缩短、视线离开道路的时间增长等，这些参数的变化能准确反映当前驾驶员的注意力品质。因而，利用驾驶员视觉注意变化特性，监测不同驾驶过程中的驾驶安全状态，成为研究驾驶安全的一种重要方法。

发明内容

本发明的目的是提供一种基于驾驶员视觉注意机制的多任务驾驶安全状态辨识方法，为驾驶员安全状态监测系统提供参考和依据。

为了实现上述目的，本发明提供了一种基于视觉注意机制的多任务驾驶安全状态辨识方法，包括：

(1)优选多任务驾驶对行车安全性影响的视觉注意机制特征参数；

(2)构建驾驶安全状态辨识指标体系；

(3)建立多任务驾驶安全等级辨识模型。

技术方案中所述的优选多任务驾驶对行车安全性影响的视觉注意机制特征参数包括如下具体步骤：

(1)利用眼动仪采集驾驶员在不同驾驶状态(正常驾驶、多任务驾驶)下位于不同线形道路条件下的视觉注意机制表征参数，包括注视、扫视和眨眼行为参数；

(2)采用统计分析的方法，以显著水平0.05作为标准检验多任务驾驶和正常驾驶过程中驾驶员视觉注意机制表征参数的差异显著性；

(3)提取多任务驾驶和正常驾驶过程中存在显著差异且具有同向变化规律的参数，构建驾驶员视觉注意机制特征参数组。

技术方案中所述的利用眼动仪采集驾驶员在不同驾驶状态(正常驾驶、多任务驾驶)下位于不同线形道路条件下的视觉注意机制表征参数，包括注视、扫视和眨眼行为参数包括如下具体步骤：

1)通过车载摄像头实时采集驾驶员的驾驶过程，并利用Smartanalysis软件截取视频中驾驶员视觉注意机制信息，将其归类为正常驾驶和多任务驾驶数据；其中注视行为参数包含注视频率、注视时间、注视区域熵率、瞳孔直径、水平和垂直视角标准差；扫视行为参数包括平均扫视速度、扫视幅度、扫视峰值速度；眨眼行为参数包括眨眼频率、眨眼持续时间；

2)利用拉依达准则对驾驶员视觉注意机制参数异常值进行剔除；

3)对表征参数值进行标准化处理。

技术方案中所述的构建驾驶安全状态辨识指标体系包括如下具体步骤：

(1)利用Pearson相关系数分析特征参数组中特征指标的两两相关性，剔除相关性系数大于0.05的特征指标；

(2)基于网络分析法将特征参数组划分为目标层、一级指标和二级指标三个层次，其中目标层指的是多任务驾驶安全状态，即最终要实现多任务驾驶安全状态准确辨识的目标。一级指标层包含注视、扫视和眨眼，二级指标则为具体辨识指标。

技术方案中所述的建立多任务驾驶安全等级辨识模型包括如下具体步骤：

(1)驾驶安全状态等级评语集构建；

(2)基于专家评分法和模糊网络分析法确定辨识指标权重；

(3)构建驾驶安全状态等级辨识模糊解析式；

(4)采用乘与有界算子M(+，·)，辨识驾驶安全状态等级。

技术方案中所述的基于专家评分法和模糊网络分析法确定辨识指标权重包括如下具体步骤：

1)利用1到9离散刻度对辨识指标进行两两重要度比较；

2)借助于三角模糊数构建模糊判断矩阵；

3)基于模糊网络分析法，求取辨识指标的局部权重向量；

4)确定辨识指标的全局权重向量。

与现有技术相比，本发明具有以下有益效果：

(1)本发明基于驾驶员视觉注意机制的驾驶安全状态辨识，融合驾驶员注视、扫视和眨眼行为特性构建了多任务驾驶安全状态辨识指标体系，克服了单一参数辨识准确率低的不足。

(2)实现了多任务驾驶安全状态等级的准确辨识，有益于推广应用，可大幅降低由于多任务驾驶而导致恶性交通事故的发生率，也为驾驶安全状态监测提供了参考依据。

附图说明

图1为基于驾驶员视觉注意机制的多任务驾驶安全状态辨识方法流程图。

具体实施方式

下面结合附图对本发明的技术方案做进一步说明：

本发明提供了一种基于视觉注意机制的驾驶安全状态辨识方法，多任务驾驶是导致交通事故的重要原因，而视觉是最重要的道路信息获得途径。于是，如何利用驾驶员视觉注意机制进行多任务驾驶安全状态检测已成为目前面临的一项重要挑战。基于此，本发明采集驾驶过程中的驾驶员视觉注意信息和道路环境视频，分别提取不同驾驶状态(正常驾驶、多任务驾驶)下的有效特征参数组，建立了多任务驾驶安全状态辨识指标体系，通过专家评分和模糊网络分析法确定出指标权重，实现了多任务驾驶安全状态的准确检测。本方法具体步骤如下：

1.优选多任务驾驶对行车安全性影响的视觉注意机制特征参数：

(1)利用眼动仪采集驾驶员在不同驾驶状态(正常驾驶、多任务驾驶)下位于不同线形道路条件下的视觉注意机制表征参数，包括注视、扫视和眨眼行为参数；其中操作的次任务包含：蓝牙接听电话、交谈、导航操作、收音机操作。

(2)利用SPSS软件中的多因素方差分析法，对正常驾驶和多任务驾驶过程中的驾驶员视觉注意信息进行差异显著性检验，显著水平为0.05。

(3)提取多任务驾驶和正常驾驶过程中存在显著差异且具有同向变化规律的参数，构建驾驶员视觉注意机制特征参数组；

2.构建驾驶安全状态辨识指标体系

(1)利用Pearson相关系数分别分析注视、扫视和眨眼特征参数组中特征指标的两两相关性，剔除相关性系数大于0.05特征指标中的一个，保留一个。

(2)基于网络分析法将特征参数组划分为目标层、一级指标和二级指标三个层次，其中目标层指的是多任务驾驶安全状态，即最终要实现多任务驾驶安全状态准确辨识的目标。一级指标层包含注视、扫视和眨眼，二级指标则为具体辨识指标。

3.建立多任务驾驶安全状态等级辨识模型

技术方案中所述的建立多任务驾驶安全状态等级辨识模型包括如下具体步骤：

(1)驾驶安全状态评语集构建，包含低、很低、一般、高、很高五个等级；

(2)基于专家评分和模糊网络分析法确定辨识指标权重；

(3)利用正弦函数法构建驾驶安全状态等级辨识模糊解析式；

(4)采用乘与有界算子M(+，·)，辨识驾驶安全状态等级；

技术方案中所述的基于专家评分和模糊网络分析法确定辨识指标权重包括如下具体步骤：

1)聘请9名专家，包括专门从事驾驶安全研究的教授和驾驶经验丰富的客

货车司机，利用1到9离散刻度对辨识指标进行两两重要度比较；

2)借助于三角模糊数构建模糊判断矩阵；

3)基于模糊网络分析法，求取辨识指标的局部权重向量。包括以下步骤：

a计算元素u_1i(i＝1，2，…n₁)的综合重要程度C_1i；

b计算C_1i≥C_1k的可能性程度；

c计算u_1i(i＝1，2，…n₁)重要于其他各元素的可能性程度；

d连续重复前三步n₁次，得出权重向量(n为辨识指标数量)；

e连续重复前面四步n₁次，得出超矩阵局部权重向量W_1i。

4)确定辨识指标的全局权重向量。包括以下步骤：

a按照上述步骤3)中的计算方法重复计算，可以分别求得 $W_{22},$ $W_{33},...W_{n_1{n}_1};$

b确定超矩阵W和加权超矩阵

其中超矩阵 $W=\left[\begin{array}{cccc}{W}_{11}& W_{12}& ...& W_{1N}\\ W_{21}& W_{22}& ...& W_{2N}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ W_{N1}& W_{N2}& {...}_{}& W_{\mathrm{NN}}\end{array}\right],$ 应用三角模糊数，对元素组U_i(i＝1，2，…，N)两两比较构造判断矩阵，确定出元素组相对权重矩阵A：

$A=\left[\begin{array}{cccc}{a}_{11}& a_{12}& ...& a_{1N}\\ a_{21}& a_{22}& ...& a_{2N}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ a_{N1}& a_{N2}& {...}_{}& a_{\mathrm{NN}}\end{array}\right]$

将相对权重矩阵A与超矩阵W相乘就可得出最终加权超矩阵

$\stackrel{\‾}{W}=\left[\begin{array}{cccc}{a_{11}W}_{11}& {a_{12}W}_{12}& ...& {a_{1N}W}_{1N}\\ a_{21}{W}_{21}& a_{22}{W}_{22}& ...& {a_{2N}W}_{2N}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ {a_{N1}W}_{N1}& {a_{N2}W}_{N2}& {...}_{}& a_{\mathrm{NN}}{W}_{\mathrm{NN}}\end{array}\right]$

c确定辨识指标权重：定义利用Matlab计算出的列向量即为辨识指标的权重向量。

技术方案中所述的利用正弦函数法构建驾驶安全状态等级辨识模糊解析如下：

$r_1\left(u\right)=\left\{\begin{array}{cc}1& 0\&le;u\&le;0.1\\ \frac{1}{2}[\sin (\frac{u-0.1}{0.2}+\frac{1}{2})\mathrm{\&pi;}+1]& 0.1<u<0.3\\ 0& u\&GreaterEqual;0.3\end{array}\right.$

$r_2\left(u\right)=\left\{\begin{array}{cc}0& u\&le;0.1\\ \frac{1}{2}[\sin (\frac{u-0.3}{0.2}+\frac{1}{2})\mathrm{\&pi;}+1]& 0.1<u<0.5\\ 0& u\&GreaterEqual;0.5\end{array}\right.5$

$r_3\left(u\right)=\left\{\begin{array}{cc}0& u\&le;0.3\\ \frac{1}{2}[\sin (\frac{u-0.5}{0.2}+\frac{1}{2})\mathrm{\&pi;}+1]& 0.3<u<0.7\\ 0& u\&GreaterEqual;0.7\end{array}\right.5$

$r_4\left(u\right)=\left\{\begin{array}{cc}0& u\&le;0.5\\ \frac{1}{2}[\sin (\frac{u-0.7}{0.2}+\frac{1}{2})\mathrm{\&pi;}+1]& 0.5<u<0.9\\ 0& u\&GreaterEqual;0.9\end{array}\right.5$

$r_5\left(u\right)=\left\{\begin{array}{cc}0& u\&le;0.7\\ \frac{1}{2}[\sin (\frac{u-0.9}{0.2}+\frac{1}{2})\mathrm{\&pi;}+1]& 0.7<u<0.9\\ 1& 1\&GreaterEqual;u\&GreaterEqual;0.9\end{array}\right.5$

其中：r₁-指标隶属于“很低”的隶属度；r₂-指标隶属于“低”的隶属度；

r₃-指标隶属于“一般”的隶属度r₄-指标隶属于“高”的隶属度；

r₅-指标隶属于“很高”的隶属度；u-指标值。

技术方案中所述的采用乘与有界算子M(+，·)，辨识驾驶安全状态等级包括如下具体步骤：

采用M(+，·)算子，将求得的F-ANP权重向量G与单因素模糊判断矩阵F.R合成得到F-ANP评判集B，进行归一化处理得到向量B′，B′即为受评项目的最终评价向量。

5)按照隶属度最大原则对每位驾驶员的驾驶安全状态进行辨识。

显而易见，上述实施方式仅仅为本发明技术方案的进一步说明，本领域技术人员可根据本发明的技术方案显而易见的得到其它具体实施例，因此，任何在此基础上的简单改进或应用，均属于本发明的保护范围。

Claims (5)

1.一种基于驾驶员视觉注意机制的多任务驾驶安全状态辨识方法，包括以下步骤：

(1)优选多任务驾驶对行车安全性影响的视觉注意机制特征参数；

(2)构建驾驶安全状态辨识指标体系；

(3)建立多任务驾驶安全等级辨识模型。

(4)如权利要求1所述的一种基于驾驶员视觉注意机制的多任务驾驶安全状态辨识方法，其特征在于，所述的优选多任务驾驶对行车安全性影响的视觉注意机制特征参数包括以下步骤：

(1)利用眼动仪采集驾驶员在不同驾驶状态(正常驾驶、多任务驾驶)下位于不同线形道路条件下的视觉注意机制表征参数，包括注视、扫视和眨眼行为参数；

(2)采用统计分析的方法，以显著水平0.05作为标准检验多任务驾驶和正常驾驶过程中驾驶员视觉注意机制表征参数的差异显著性；

(3)提取多任务驾驶和正常驾驶过程中存在显著差异且具有同向变化规律的参数，构建驾驶员视觉注意机制特征参数组。

2.如权利要求2所述的一种基于驾驶员视觉注意机制的多任务驾驶安全状态辨识方法，其特征在于，所述的利用眼动仪采集驾驶员在不同驾驶状态(正常驾驶、多任务驾驶)下位于不同线形道路条件下的视觉注意机制表征参数，包括注视、扫视和眨眼行为参数包括以下步骤：

(1)通过车载摄像头实时采集驾驶员的驾驶过程，并利用Smartanalysis软件截取视频中驾驶员视觉注意机制信息，将其归类为正常驾驶和多任务驾驶数据；其中注视行为参数包含注视频率、注视时间、注视区域熵率、瞳孔直径、水平和垂直视角标准差；扫视行为参数包括平均扫视速度、扫视幅度、扫视峰值速度；眨眼行为参数包括眨眼频率、眨眼持续时间；

(2)利用拉依达准则对驾驶员视觉注意机制参数异常值进行剔除；

(3)对表征参数值进行标准化处理。

3.如权利要求1所述的一种基于驾驶员视觉注意机制的多任务驾驶安全状态辨识方法，其特征在于，所述的构建驾驶安全状态辨识指标体系包括以下步骤：

(1)利用Pearson相关系数，分析特征参数组中特征指标的两两相关性，剔除相关性系数大于0.05的特征指标；

(2)基于网络分析法将特征参数组划分为目标层、一级指标和二级指标三个层次，其中目标层指的是多任务驾驶安全状态，即最终要实现多任务驾驶安全状态准确辨识的目标。一级指标层包含注视、扫视和眨眼，二级指标则为具体辨识指标。

4.如权利要求1所述的一种基于驾驶员视觉注意机制的多任务驾驶安全状态辨识方法，其特征在于，所述的建立多任务驾驶安全等级辨识模型包括以下步骤：

(1)驾驶安全状态等级评语集构建；

(2)基于专家评分和模糊网络分析法确定辨识指标权重；

(3)构建驾驶安全状态等级辨识模糊解析式；

(4)采用乘与有界算子M(+，·)，辨识驾驶安全状态等级。

5.如权利要求5所述的一种基于驾驶员视觉注意机制的多任务驾驶安全状态辨识方法，其特征在于，所述的基于专家评分和模糊网络分析法确定辨识指标权重包括以下步骤：

(1)利用1到9离散刻度对辨识指标进行两两重要度比较；

(2)借助于三角模糊数构建模糊判断矩阵；

(3)基于模糊网络分析法，求取辨识指标的局部权重向量；

(4)确定辨识指标的全局权重向量。