【驾驶员异常行为检测研究的国内外文献综述2800字】

–PAGE28–驾驶员异常行为检测研究的国内外文献综述驾驶员行为检测研究现状当前，针对司机驾驶行为的研究大致分为以下三种。（1）如何检测驾驶行为取决于机动车状态。这种方法采集安装在汽车上的传感器的信息，如角传感器、加速度传感器。这些信息通常是通过建模和分析得出的，将这些信息综合起来可以判断车辆的行驶状态。但是这种方法可能存在一定问题，这是由于很多时候机动车的异常状态并不是驾驶员在特殊状态下的驾驶行为导致的，也有可能是道路情况不明而被系统判定为特殊的驾驶行为。（2）依靠驾驶员的生理信号检测驾驶行为的方法。与上述方法类似，该方法的检测和分析也依赖于传感器对信息的采集功能，与之相区别的是，两种方法中所依靠的传感器的使用对象不同，第一种方法中传感器作用于机动车，而当前方法中传感器的作用对象是司机。驾驶员的驾驶状态往往可以反映在生理信号上，所以根据传感器信号随时间变化的规律，来判断驾驶员的行为，例如检测驾驶员的心率变化以及呼吸频率，判断驾驶员是否存在疲劳驾驶，这种方案在一定程度上是可行的。虽然这种方法精度较高，但驾驶员需要佩戴大量的传感器，成本比较高。除此之外，佩戴传感器等设备，会影响驾驶员对车辆的操作，反而会导致交通事故的发生。（3）依靠计算机视觉技术检测驾驶员驾驶状态。这种方法通常将视觉传感器安装在车内易采集到驾驶员行为动作的地方，以此获得驾驶过程中司机的有效信息，将采集到的信息进行处理并分析后对其进行检测分类。这种方法最明显的优点就是，不会干扰驾驶员的正常操作，存在感比较低。国内外正掀起一阵研究司机驾驶行为识别的浪潮。B.Shi[2]为每个司机建立了一个标准的驾驶行为模型，结合卷积神经网络和采集得到的机动车信息，为每个司机建立个人评估模型。GuangLi.M提出了基于驾驶员行为状态的理解系统[3]，与前人所研究的算法不同的点在于，之前算法通常识别和分析的是驾驶员的行为状态，而这个算法还对驾驶员面部外在表现给予了高度关注。二零零七年，经过有关部门研究及分析得出，注意力不集中的驾驶状态是交通事故发生的重要诱因之一[4]。中国的研究学者们在这个领域也颇有建树。魏民国首先提出了一种对驾驶员使用手机行为这一异常行为的研究方法，这种方法的原理是先通过计算机视觉研究技术识别司机的手部所在位置，再使用三种逻辑模型来确定驾驶员使用手机的行为[5]。秦雅琴通过分析司机不同环境下的目光注意特征和驾驶行为特征数据，得出了结论，即司机需要视觉关注的原因与车辆轨迹错误、刹车的数量、油门的移动之间有联系[6]。驾驶员异常行为研究现状驾驶员的异常行为包括开车时接电话、疲劳驾驶、喝酒、说话等。在众多的异常驾驶行为中，对于学者，之前所做的研究方向大多把重点放在识别某种驾驶行为，识别种类单一，而目前的研究大部分是想要能够识别异常行为的共同特征，并且能够通过一些固定的指标来判断是否存在异常行为。二零一七年，J.Hu建议通过分析当地人工神经网络和原始汽车测试数据来检测不自然的驾驶行为，从而调节驾驶行为。根据标准驾驶行为分析，他还建议了一个不寻常的评价标准，并使用它来对三种常见的驾驶行为进行定量评估[7]。国内学者对驾驶员异常行为分类进行的研究，方法可以总结为两种，即传统方法和机器学习。2012年，冯忠祥和其他人对具有进攻性行为特征的驾驶模式进行了研究，并开发了自己选择的模式[8]。二零一五年，曹弋等人认为绿灯倒计时信号在不同时段对于驾驶员的加速行为和变道行为都有一定的影响[9]。二零一六年，王雪松等人对两个国家的司机行为的分析表明，中国司机在驾驶时更易出现改变车道的行为，在高速公路上这种行为也很常见。陈秀峰和其他人使用可以模拟驾驶行为的设备来研究司机的行为，研究了大雾环境下S曲线的驾驶行为特征[10]。研究现状分析从前面论述的国内外研究现状可以看出，通过研究人员的共同努力，世界上对于驾驶员行为识别的研究颇有成效。对司机行为测试的全面分析显示，该测试包括三种主要类型：基于人脸特征数据的执行方法、应用司机生理特征的方法和基于汽车状况的方法。检测异常的驾驶员行为对比分析如下表1-1所示。表1-1驾驶员异常行为检测方法方法数据采集方式侵入性鲁棒性准确性适用性面部特征图像传感器否中中高生理特征眼动仪、心电仪、头戴陀螺仪是高高低车辆状态加速度传感器、车速传感器否低低中上述方法虽然已经取得了一定成效，但仍有可以进步完善的空间：（1）由于遮挡等因素，对面部的识别和定位较为困难。根据面部特征测试算法，我们只有在找到司机的脸的前提下才能对五官进行识别和定位。但如果面部识别算法不能准确识别面部，它就不能工作，那对于后续的定位眼睛和嘴巴的操作也不会实现。在真实的情况中，司机的脸被部分或完全遮挡、面部表情变化不一、环境明暗变化都可能对测试结果造成影响。（2）接触性。该检测方法是根据驾驶员的生理特征来判断驾驶员是否存在异常行为，要求驾驶员佩戴一些检测心率等生理特征的设备。驾驶员佩戴这些设备会影响驾驶员的正常操作，不仅会影响数据采集的结果，还会影响驾驶员该有的正常判断，甚至更易引发交通事故，也会使系统难以识别出结果。（3）价格昂贵。这些方法需要传感器来收集驾驶员的生理特性和驾驶车辆的状态信息。这种传感器非常昂贵，所以不能在市场上推广。因此，这些方法不会迅速发展。（4）评价指标单一。当系统仅仅使用单一的评估标准时，系统的准确性得不到保障，而且在评价指标失败时也不会检测司机的越轨行为。（5）高精度的监控分析体统尽管在识别准确度方面有了很大的提升，但其对实时性的满足则不一定能够达到要求。传统的计算机视觉识别方法是通过人工提取特征的方式法对人脸、肩、手进行跟踪，或者根据人脸、肩、手的肤色特征描述驾驶行为。还出现了一些基于深度机器学习的行为识别算法，这一类算法通过对大量的数据集进行学习可以对司机行为进行复杂的识别与分类，但是，由于这种训练方式是基于海量数据集的基础上的，训练时间通常很长，对当前领域实时性高的需求无法很好满足。这是由于当前的算法对视频的分析需要将其分为一帧帧的图片，再对每一帧图片进行识别，通过这种方法对于真实驾驶过程，要求对每秒几十帧的图像进行处理，更是难上加难。参考文献卢宏图.不良汽车驾驶行为特征分析[J].居舍,2018(07):150.ShiB,XuL,HuJ,etal.Evaluatingdrivingstylesbynormalizingdrivingbehaviorbasedonpersonalizeddrivermodeling[J].IEEETransactionsonSystems,Man,andCybernetics:Systems,2015,45(12):1502-1508.LiMG,JiangB,CheZ,etal.DBUS:Humandrivingbehaviorunderstandingsystem[C]//2019IEEE/CVFInternationalConferenceonComputerVisionWorkshop(ICCVW).IEEE,2019:2436-2444.NordbakkeS,SagbergF.Sleepyatthewheel:Knowledge,symptomsandbehaviouramongcardrivers[J].TransportationResearchPartF:TrafficPsychologyandBehaviour,2007,10(1):1-10.魏民国.基于机器视觉的驾驶人使用手持电话行为检测方法[D].清华大学,2014.秦雅琴,惠袁媛,郭凤香,李海琼,张静.驾驶人视觉注意力需求与驾驶行为特性的关系[J].安全与环境学报,2017,17(04):1376-1381.HuJ,XuL,HeX,etal.Abnormaldrivingdetectionbasedonnormalizeddrivingbehavior[J].IEEETransactionsonVehicularTechnology,2017,66(8):6645-6652.冯忠祥,刘静,李阳阳,张卫华.攻击性驾驶行为选择模型及影响因素敏感度分析[J].中国公路学报,2012,25(02):106-112.曹弋,杨忠振,左忠义.绿灯倒计时信号对驾驶行为的影响[J].中国安全科学学报,2015,25(02):77-82.陈秀锋,武帅,宋著贺,陈伟,高艳艳.雾天环境下S形弯道驾驶行为特性[J].科学技术与工程,2019,19(29):344-348.KrizhevskyA,SutskeverI,HintonGE.Imagenetclassificationwithdeepconvolutionalneuralnetworks[J].Advancesinneuralinformationprocessingsystems,2012,25:1097-1105.ZhaoH,XueW,LiX,etal.Multi-modeneuralnetworkforhumanactionrecognition[J].IETComputerVision,2020,14(8):587-596.罗维平,徐洋,陈永恒,周博,马双宝,吴雨川.基于迁移学习和改进ResNet50网络的织物疵点检测算法[J].毛纺科技,2021,49(02):71-78.LiX,Di