CN103310202B - 一种保障驾驶安全的系统及其方法 - Google Patents

Abstract

本发明公开了一种保障驾驶安全的系统及其方法，以及利用所述系统保障车辆与驾驶员的方法，包括设置在车辆中的车载终端，以及与所述车载终端通信的控制中心，所述车载终端包括车载终端处理器，以及分别与所述车载终端处理器连接的超速检测模块，疲劳检测模块，车道偏离检测模块，行车记录模块，危险提示模块，紧急救助模块，无线通信模块。本发明优点在于，可以实时检测司机的危险驾驶行为并实时提示，且可向与危险车辆处同一路段的车辆发出危险提示，让其注意避让或改道，同时危险驾驶信息将通过控制中心综合分析，然后给出进一步建议并为司机划分等级。

Description

一种保障驾驶安全的系统及其方法

技术领域

本发明涉及汽车安全领域，具体涉及一种保障驾驶安全的系统及其方法，可实现实时监测驾驶行为，还通过搜集大量信息综合分析驾驶员驾驶行为并且能实时提示处于危险范围内的驾驶员规避危险。

背景技术

根据世界卫生组织最新发布的《道路安全全球现状报告》，全球每年共有近130万人死于道路交通安全事故，并且随着世界多数地区机动化程度的提高，尤其是大型发展中国家道路交通的普及，造成的伤亡数目仍在继续攀升。同时，报告尤其指出死于交通事故人数最多的国家是中国。据统计，上一个十年，我国每年都有10万人死于道路交通安全事故。数据显示，造成车祸的因素中驾驶员的危险驾驶行为占了90%，而这些危险驾驶行为都是由驾驶员不规范错误的驾驶陋习所导致的。对帮助驾驶员摆脱驾驶陋习，养成正确的安全驾驶行为的驾驶辅助系统的需求日益明显。

国内外目前的研究重心在汽车驾驶辅助系统，可以为驾驶员提供定位、指路等信息，还没有一套旨在保护交通安全的检测驾驶员危险驾驶的整体系统，有部分学者做过单独方面的研究，如北京工业大学做过基于多信息融合的疲劳驾驶检测，电子科技大学研究过基于视觉的车道偏离预警系统，但是这些单一的检测及预警不能有效的达到保障安全的目的。并且现有系统采取的措施单一，有的仅仅是危险驾驶的提示，有的研究中提到检测到危险驾驶就终止车辆的运行，我们认为这种方法不可取，由系统采取的终止车辆运行的行为可能导致更大的危害，如后车追尾，阻碍交通等。

而仅有危险提示又远远不够，有些驾驶员可能无视危险提示。我们考虑到只用改变驾驶员的驾驶行为才是根本途径，于是我们设想应用车联网的技术，将他们危险驾驶的数据记录在案，控制中心拥有大量数据后就可以判定驾驶员的驾驶情况，接着可以采取相关措施：如采取教育或处罚等手段迫使驾驶员养成好的驾驶行为。

进一步地说，除了向驾驶员发出来自身的危险驾驶提示外，有必要对与发生危险驾驶和/或危险车辆处于同一路段的其他车辆做出危险提示，从而使获得信息的车辆及时避让或改道行驶，这样才能有效的将交通事故降低。

发明内容

本发明的目的在于克服现有系统的不足与缺陷，提出一种保障驾驶安全的系统及其方法，实现在多种检测方法下对驾驶员驾驶行为数据的收集，对其数据的综合分析，进行危险驾驶行为的判定，以及及时地提醒驾驶员及其周边车辆，以便更好地达到保护交通安全的目的。

为了实现上述目的，本发明采用的技术方案如下：

一种使用驾驶安全系统保障车辆与驾驶员安全的方法，具有多个已经安装所述系统的车辆，所述方法包括：

所述车载终端通过所述车载终端处理器与所述控制中心进行无线网络通信；

所述车载终端处理器接收、处理来自所述超速检测模块，所述疲劳检测模块，所述车道偏离检测模块，以及所述行车记录模块的信息；

将所述处理后的信息反馈至所述驾驶员和/或所述控制中心；

当所述处理后信息经比对后发现危险，将通过所述危险提示模块向所述驾驶员进行提示；

所述控制中心对每个车载终端与驾驶员进行编号成档，并将其反馈的信息进行记录与分析；

当所述控制中心接收各个所述车载终端的信息后，分析其是否存在危险，如经比对后发现存在危险，将此信息反馈至与危险车辆同处同一路段的车载终端；

当所述控制中心接收各个所述车载终端的信息后，记录其驾驶行为，通过数据分析对驾驶员行为进行评价分级；

当车辆发生故障或危险时，所述车载终端通过所述紧急救助模块向所述控制中心发送救援信息，所述控制中心对其响应并标注其地理位置，实施救援。

需要进一步说明的是，所述方法具体可分为两种实现方式，一种为车载终端实时检测危险驾驶行为的实时提示，另一种为控制中心发布的危险信息，其中：

由所述车载终端检测到本车驾驶员有超速、逆行等危险驾驶行为时，系统会及时以语音提示驾驶员采取减速或方向纠正等措施。

由所述控制中心发布的危险提示实现步骤：

1、所述控制中心收到所述车载终端传回的地理位置信息，将此信息在控制中心地图信息数据库的电子地图上标示出当前车辆位置，并结合各辆车传回的地理位置信息，对各车车辆位置及实时更新；

2控制中心收到终端传回的危险驾驶信息后，会根据地图信息判断出危险区域，结合车辆的地理位置分布情况，给危险区域的车辆发送危险提示，例如后方有车辆超速，前方有车辆逆行等。同时某处发生交通事故时，控制中心通过所述无线通信模块向附近的车辆广播事故发生信息并进行安全警示信息。

一种保障驾驶安全的系统，包括设置在车辆中的车载终端，以及与所述车载终端通信的控制中心，所述车载终端包括车载终端处理器，以及分别与所述车载终端处理器连接的：

超速检测模块，用于收集、监测车辆实时速度；

疲劳检测模块，用于监测驾驶员身体疲劳程度；

车道偏离检测模块，用于监测所述车辆是否偏离车道；

行车记录模块，用于收集、记录所述车辆行驶视频信息；

危险提示模块，用于提醒所述驾驶员危险驾驶状态和/或所述控制中心发布的危险信息；

紧急救助模块，用于向所述控制中心发送救援请求；

无线通信模块，用于与所述控制中心通信。

需要说明的是，所述控制中心设有处理所述车载终端发送信息的系统：

驾驶员行为数据库，用于记录、储存由所述超速检测模块、疲劳检测模块以及车道偏离检测模块所发送的信息；

地图信息数据库，用于接收所述车辆地理位置信息，且将所述地理位置信息的实事情况反馈至所述车载终端；

危险驾驶分析模块，与所述驾驶员行为数据库连接，用于分析、评价所述驾驶员行为等级；

综合信息处理模块，用于标注所述车载终端在地图中的位置，且对所述救援请求进行响应。

需要进一步说明的是，所述超速检测模块包括车辆速度传感器与GPS，其中，所述GPS向所述车载终端处理器报告所述车辆地理位置，并发送至所述地图信息数据库，所述地图信息数据库将所述地理位置路段限速信息反馈至所述车载终端，所述车速度传感器连续监测所述车辆速度，并与所述路段限速信息进行对比，获得所述车辆是否超速信息。

需要说明的是，所述疲劳检测模块设有摄像头，其中，所述摄像头与所述车载终端处理器连接，用于收集所述驾驶员的眼部图像信息，经过所述车载终端处理器处理后，获得所述驾驶员眨眼频率与时间，建立判定疲劳状态模型。

需要进一步说明的是，所述车道偏离检测模块设有车前摄像头，其中，所述车前摄像头与所述车载终端处理器连接，用于收集所述车辆前方的车道信息，经过所述车载终端处理器处理后，获得所述车辆的车道信息，判断所述车辆是否逆行或压线；所述车载终端处理器将获得的车辆车道信息发送至所述驾驶员行为数据库。

需要进一步说明的是，所述无线通信模块设有应用层协议，其中包括：

版本域，用于识别车载终端版本号，设置4位长度；

服务类型域，用于代表与识别具体信息，设置3位长度；

序号域，用于防止网络延时或丢失确认信息造成的重复记录，对于相邻的两个同序号的消息，控制中心会将其视为同一条消息；

12位长度的用于识别驾驶员的驾驶员编号，以及

数据信息域：用于记录传输对应服务类型的服务信息

需要进一步说明的是，所述疲劳检测的步骤如下：

（1）实现人脸检测，采用Adaboost迭代算法检测人脸，首先使用Adaboost算法挑选出最能代表人脸的矩形特征，按照加权投票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，利用OpenCV所提供的分类器来完成人脸检测；

（2）实现人眼检测，通过OV9650驱动把摄像头获取的一帧图像压缩为RGB编码格式的图像数据；

（2a）利用V4L2提供的相关函数从视频设备获取数据，采用双缓冲内存映射的方式，格式为Qt的QImage；

（2b）将图像格式由QImage转换为OpenCV可处理的IplImage格式，其中，由于分类器在灰度图像上进行检测，所以RGB图像首先需要通过cvCvtColor()转换成灰度图像，然后通过cvEqualizeHist()进行直方图均衡。

直方图均衡公式为：

其中，公式中Sk表示均衡化后的灰度值，∑表示总和，nj是原图中某个灰度色阶j的像素数量，j的范围是0^-k，N是图像像素总数；

（2c）先加载训练好的分类器，再调用OpenCV的人脸检测函数cvHaarDectectObjects()检测图像中的所有人脸，存下位置大小信息；

（3）实现眨眼检测，判定时先要对图像做预处理工作，将RGB图像转换为灰度图像；

（3a）然后统计其中白色区域所占比例，当比例小于阈值时就判定发生了眨眼行为；

（3b）阈值选取前40帧的白色区域平均值的一半，适用于所有人群；

（4）运用模糊逻辑法来对采集到得信息进行融合决策。

需要进一步说明的是，所述车道偏离检测的步骤如下：

（1）检测车道，利用CIELab彩色空间信息对道路图像进行彩色聚类，根据车道线为黄色或者白色的特征识别聚类后的车道线区域；

（1a）在车道线区域采用启发式搜索车道边线算法，从而检测出车道线边缘的像素点，对这些边缘像素点采用最小二乘法进行拟合；

（1b）通过可靠性判断算法判断每一个像素点是否为有效的边缘像素，最后将所有有效边缘像素拟合成车道线。得到了拟合曲线的参数即检测出了车道线；

（2）计算车辆在当前车道中的位置，计算公式如下：

其中，y₀表示车身中心点与车道中心线的距离，并且假定车辆大致与车道平行，已知车辆宽度为b，根据公式就可以求出车辆当前位置相对于左右车道边界的距离；其中，上式表示左车轮距左车道线边界的位置，下式表示右车轮相对于右车道边界的位置；因此，当Δy>0时，表明车辆保持在本车道内，即为安全区域；假定车辆任何一边的前轮只要有一个越过车道线，就表明车辆偏离车道已经发生，即式中满足Δy<0，就认为车辆已经发生了车道偏离。

需要进一步说明的是，所述危险驾驶分析步骤如下：

（1）确定评价事物的因素论域，其中，设因素集U：U={u1，u2……u8}，u1（超速10%以内的次数）、u2（超速10%-30%的次数）、u3（超速30%以上的次数）、u4（逆行次数），u5（压线行驶次数），u6（疲劳驾驶次数）、u7（碰撞但未打开安全气囊的次数）u8（严重碰撞，安全气囊打开次数）8个指标为反映驾驶员驾驶行为主要指标；

（2）选定评语等级论域，其中，设评价集V={v1，v2……v4}，v1：优秀，v2：良好，v3：及格，v4：差；

（3）进行单因素评判得到隶属度向量：

r_i＝(r_i1,r_i2,…,r_im)；

形成隶属度矩阵：

（4）确定评价因素权向量,对评判集可数值化及归一化：

A＝(a₁,a₂,…,a_n),

根据各行为的危害程度确定他们各自的权重。其中u3、u4、u6、u8危险度为一级，各占比例3/18，u2、u7危险度为二级各占1/9，u1、u5危险度为三级各占1/18；

（5）计算综合评判（综合隶属度）向量：

B＝AοR；

（6）根据隶属度最大原则做出评判，计算综合评判值，得出驾驶员行为等级。

需要进一步说明的是，所述模糊逻辑法步骤如下：

（1）输入及输出变量隶属度函数的建立，对于两个输入变量眼睛闭合一次的时间和眨眼频率以及一个输出变量，驾驶员的疲劳状态，分别定义三种不同程度的模糊集合，对每一个变量，均选择三角形隶属度函数；其中，具体是：眨眼频率={快、中、慢}；眨眼时间={短、中、长}；疲劳状态={不疲劳、轻微疲劳、疲劳}；眨眼频率低于每150ms一次判定为快，高于300ms一次判定为慢，介于150ms和300ms判定为中，眨眼时间0到0.25秒判定为短，0.25到1秒判定为中及1秒到2秒判定为长；

（2）模糊化与模糊推理规则的建立，在本模块中，输入变量为眨眼时间和眨眼频率，我们采集的图像经过处理后得到眼睛睁闭的情况，并将眨眼频率转换为眨眼频率快、眨眼频率中、眨眼频率慢、眨眼时间长、眨眼时间中、眨眼短等模糊语言；

（3）模糊清晰化，本模块运用文中选用质心法进行模糊清晰化，其计算公式如下：

其中，R为模糊控制器输出量；k为规则数；x_i为第i个规则的隶属度；F_i为第i个规则隶属度函数的质心值。

作为一种优选的方案，所述行车记录模块与所述车道偏离检测模块可共用一个车前摄像头，图像数据利用V412函数采集，由于只进行短时间的视频数据记录，所以可以采用队列的方式直接储存原始图像信息。

作为一种优选的方案，所述控制中心利用ODBC技术实现与数据库的交互，关于ODBC方式访问数据库，MFC提供的数据库操作和访问的类主要有CDatabase、CRecordset，应用CDatabase封装应用程序对一个数据库连接的处理。

其实现的步骤如下：

（1）创建一个CDatabase对象，然后调用OpenEx方法，如下所示：

CDatabaseNewDB;

NewDB.OpenEx(“DSN=mydatabase”,CDatabase::openReadOnly);

（2）然后利用封装了对数据库的查询的函数CRecordset进行添加、更新、删除。CRecordset对象表示从数据源选择的一组数据库记录集合，成为“记录集”。打开一个记录集并更新数据的方法如下：

CRecordset*pSet=new CRecordset(&NewDB);

pSet Open(CRecordset::dynaset);

（3）通过pSet对数据源进行所需的操作。

需要进一步说明的是，所述方法具体可分为两种实现方式，一种为车载终端实时检测危险驾驶行为的实时提示，另一种为控制中心发布的危险信息，其中：

由所述车载终端检测到本车驾驶员有超速、逆行等危险驾驶行为时，系统会及时以语音提示驾驶员采取减速或方向纠正等措施。

由所述控制中心发布的危险提示实现步骤：

1、所述控制中心收到所述车载终端传回的地理位置信息，将此信息在控制中心地图信息数据库的电子地图上标示出当前车辆位置，并结合各辆车传回的地理位置信息，对各车车辆位置及实时更新；

2、控制中心收到终端传回的危险驾驶信息后，会根据地图信息判断出危险区域，结合车辆的地理位置分布情况，给危险区域的车辆发送危险提示，例如后方有车辆超速，前方有车辆逆行等。同时某处发生交通事故时，控制中心通过所述无线通信模块向附近的车辆广播事故发生信息并进行安全警示信息。

需要进一步说明的是，为了解决网络连接失败或者网络中断等网络问题，本发明使用以下的传输方式：

车载终端上用队列的方式实时存储信息，连接有效时将消息发送，当收到控制中心的确认回复后将该信息从队列中剔除，发送失败时，车载终端不会受到控制中心的确认信息，且会在一定时间后再次发送，避免了数据丢失。当连接车载终端时，将停止发送，但违规信息都会存储在车载终端中，数据记录工作不会停止，待连接恢复时一并发送。

本发明的有益效果在于：

1、多样化的危险驾驶行为检测。现有产品检测手段单一，无法满足危险驾驶行为多样化的要求，而本发明检测功能多样，从超速检测，疲劳检测，车道偏离检测等方面进行预防危险，提供全方位的保护。

2、危险驾驶行为存储记录。为约束驾驶员养成正确的驾驶行为，本发明将所有危险驾驶的情况分不同类型、不同的触发次数发送至控制中心，并记录在数据库内，并进行不同权重的综合分析，得出驾驶员驾驶行为的优劣，对驾驶员进行约束。

3、驾驶员个性化行为分析。本发明有充分记录驾驶员驾驶行为的数据库，控制中心可以充分分析驾驶员的驾驶行为，得出驾驶员驾驶喜好，创建每一个驾驶员个性化的危险驾驶清单。更好地帮助驾驶员认识自身驾驶陋习。

4、危险行为的实时广播。本发明不仅具有对驾驶员本身的提示功能，更会将其危险驾驶信息对他周围的驾驶员进行提示，将危险行为告知周围车辆，让其避开危险。

附图说明

图1为本发明保障驾驶安全驾驶的系统的流程示意；

图2本发明的基本架构图;

图3为图2中车载终端与控制中心整体构架图；

图4为图3中疲劳检测模块的工作原理示意图；

图5为图4中摄像头采集信息中人脸检测原理示意图；

图6为图4中人眼检测原理图示意图；

图7为图4中眨眼检测原理图示意图；

图8为本发明中无线通信模块应用层协议示意图。

具体实施方式

为了更好的理解本发明，首先需要说明的是，本发明由两个部分构成，包括改进驾驶员驾驶习惯与预防来自他车的危险。一方面，通过实时的危险驾驶提醒，以及记录、处理、分析驾驶员日常驾驶的数据，对驾驶员实行由高至低的分级评定，从而实现培养驾驶员良好的驾驶习惯；另一方面，当获知车辆处于危险驾驶或危险状态时，可向与其同处于一路段的其他车辆发出危险提示，使其他车辆及早作出应变措施，从而实现降低交通事故的发生。

下面将结合附图对本发明作进一步的描述。

一种使用驾驶安全系统保障车辆与驾驶员安全的方法，具有多个已经安装所述系统的车辆，所述方法包括：

所述车载终端通过所述车载终端处理器与所述控制中心进行无线网络通信；

所述车载终端处理器接收、处理来自所述超速检测模块，所述疲劳检测模块，所述车道偏离检测模块，以及所述行车记录模块的信息；

将所述处理后的信息反馈至所述驾驶员和/或所述控制中心；

当所述处理后信息经比对后发现危险，将通过所述危险提示模块向所述驾驶员进行提示；

所述控制中心对每个车载终端与驾驶员进行编号成档，并将其反馈的信息进行记录与分析；

当所述控制中心接收各个所述车载终端的信息后，分析其是否存在危险，如经比对后发现存在危险，将此信息反馈至与危险车辆同处同一路段的车载终端；

当所述控制中心接收各个所述车载终端的信息后，记录其驾驶行为，通过数据分析对驾驶员行为进行评价分级；

当车辆发生故障或危险时，所述车载终端通过所述紧急救助模块向所述控制中心发送救援信息，所述控制中心对其响应并标注其地理位置，实施救援。

进一步地说，如图1所示，所述方法具体分为两种方式实现，一种为车载终端实时检测危险驾驶行为的实时提示，另一种为控制中心发布的危险信息，其中：

由所述车载终端检测到本车驾驶员有超速、逆行等危险驾驶行为时，系统会及时以语音提示驾驶员采取减速或方向纠正等措施。

由所述控制中心发布的危险提示实现步骤：

1、所述控制中心收到所述车载终端传回的地理位置信息，将此信息在控制中心地图信息数据库的电子地图上标示出当前车辆位置，并结合各辆车传回的地理位置信息，对各车车辆位置及实时更新；

2、控制中心收到终端传回的危险驾驶信息后，会根据地图信息判断出危险区域，结合车辆的地理位置分布情况，给危险区域的车辆发送危险提示，例如后方有车辆超速，前方有车辆逆行等。同时某处发生交通事故时，控制中心通过所述无线通信模块向附近的车辆广播事故发生信息并进行安全警示信息。

基于上述的车载终端与控制中心，本发明采用数据记录与危险告知两种手段规范驾驶员行为，以及保证其行车安全。

为实现此功能，还需其他数据库的支持：

驾驶员行为数据库用于存储驾驶员的危险驾驶信息，包括危险驾驶的种类、发生时间，发生次数等，向数据分析模块提供分析数据。

地图信息数据库用于储存并返回所需地图的限速及地址信息，及附近的交通状况。该数据库接受GPS从车载终端传来的地址信息。

如图2、图3所示，本发明为一种保障驾驶安全驾驶的系统，包括设置在车辆中的车载终端1，以及与所述车载终端1通信的控制中心2，所述车载终端1包括车载终端处理器11，以及分别与所述车载终端处理器11连接的：

超速检测模块12，用于收集、监测车辆实时速度；

疲劳检测模块13，用于监测驾驶员身体疲劳程度；

车道偏离检测模块14，用于监测所述车辆是否偏离车道；

行车记录模块15，用于收集、记录所述车辆行驶视频信息；

危险提示模块16，用于提醒所述驾驶员危险驾驶状态和/或所述控制中心发布的危险信息；

紧急救助模块17，用于向所述控制中心发送救援请求；

无线通信模块18，用于与所述控制中心通信。

需要说明的是，所述控制中心2设有处理所述车载终端1发送信息的系统：

驾驶员行为数据库21，用于记录、储存由所述超速检测模块、疲劳检测模块以及车道偏离检测模块所发送的信息；

地图信息数据库22，用于接收所述车辆地理位置信息，且将所述地理位置信息的实事情况反馈至所述车载终端；

危险驾驶分析模块23，与所述驾驶员行为数据库21连接，用于分析、评价所述驾驶员行为等级；

综合信息处理模块24，用于标注所述车载终端在地图中的位置，且对所述救援请求进行响应。

需要进一步说明的是，所述超速检测模块12包括车辆速度传感器与GPS，其中，所述GPS向所述车载终端处理器11报告所述车辆地理位置，并发送至所述地图信息数据库22，所述地图信息数据库22将所述地理位置路段限速信息反馈至所述车载终端1，所述车速度传感器连续监测所述车辆速度，并与所述路段限速信息进行对比，获得所述车辆是否超速信息。

需要说明的是，所述疲劳检测模块13设有摄像头，其中，所述摄像头与所述车载终端处理器11连接，用于收集所述驾驶员的眼部图像信息，经过所述车载终端处理器11处理后，获得所述驾驶员眨眼频率与时间，建立判定疲劳状态模型。

需要进一步说明的是，所述车道偏离检测模块14设有车前摄像头，其中，所述车前摄像头与所述车载终端处理器11连接，用于收集所述车辆前方的车道信息，经过所述车载终端处理器11处理后，获得所述车辆的车道信息，判断所述车辆是否逆行或压线；所述车载终端处理器11将获得的车辆车道信息发送至所述驾驶员行为数据库。

如图4～7所示，所述疲劳检测的步骤如下：

（1）实现人脸检测，采用Adaboost迭代算法检测人脸，首先使用Adaboost算法挑选出最能代表人脸的矩形特征，按照加权投票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，利用OpenCV所提供的分类器来完成人脸检测；

（2）实现人眼检测，通过OV9650驱动把摄像头获取的一帧图像压缩为RGB编码格式的图像数据；

（2a）利用V4L2提供的相关函数从视频设备获取数据，采用双缓冲内存映射的方式，格式为Qt的QImage；

（2b）将图像格式由QImage转换为OpenCV可处理的IplImage格式，其中，由于分类器在灰度图像上进行检测，所以RGB图像首先需要通过cvCvtColor()转换成灰度图像，然后通过cvEqualizeHist()进行直方图均衡。

直方图均衡公式为：

其中，公式中Sk表示均衡化后的灰度值，∑表示总和，nj是原图中某个灰度色阶j的像素数量，j的范围是0^-k，N是图像像素总数；

（2c）先加载训练好的分类器，再调用OpenCV的人脸检测函数cvHaarDectectObjects()检测图像中的所有人脸，存下位置大小信息；

（3）实现眨眼检测，判定时先要对图像做预处理工作，将RGB图像转换为灰度图像；

（3a）然后统计其中白色区域所占比例，当比例小于阈值时就判定发生了眨眼行为；

（3b）阈值选取前40帧的白色区域平均值的一半，适用于所有人群；

（4）运用模糊逻辑法来对采集到得信息进行融合决策。

需要进一步说明的是，所述模糊逻辑法步骤如下：

（1）输入及输出变量隶属度函数的建立，对于两个输入变量眼睛闭合一次的时间和眨眼频率以及一个输出变量，驾驶员的疲劳状态，分别定义三种不同程度的模糊集合，对每一个变量，均选择三角形隶属度函数；其中，具体是：眨眼频率={快、中、慢}；眨眼时间={短、中、长}；疲劳状态={不疲劳、轻微疲劳、疲劳}。眨眼频率低于每150ms一次判定为快，高于300ms一次判定为慢，介于150ms和300ms判定为中，眨眼时间0到0.25秒判定为短，0.25到1秒判定为中及1秒到2秒判定为长。

（2）模糊化与模糊推理规则的建立，在本模块中，输入变量为眨眼时间和眨眼频率，我们采集的图像经过处理后得到眼睛睁闭的情况，并将眨眼频率转换为眨眼频率快、眨眼频率中、眨眼频率慢、眨眼时间长、眨眼时间中、眨眼短等模糊语言。

（3）模糊清晰化，本模块运用文中选用质心法进行模糊清晰化，其计算公式如下：

其中，R为模糊控制器输出量；k为规则数；_Xi为第i个规则的隶属度；F_i为第i个规则隶属度函数的质心值。

需要进一步说明的是，所述车道偏离检测的步骤如下：

（1）检测车道，利用CIELab彩色空间信息对道路图像进行彩色聚类，根据车道线为黄色或者白色的特征识别聚类后的车道线区域；

（1a）在车道线区域采用启发式搜索车道边线算法，从而检测出车道线边缘的像素点，对这些边缘像素点采用最小二乘法进行拟合；

（1b）通过可靠性判断算法判断每一个像素点是否为有效的边缘像素，最后将所有有效边缘像素拟合成车道线。得到了拟合曲线的参数即检测出了车道线；

（2）计算车辆在当前车道中的位置，计算公式如下：

其中，y₀表示车身中心点与车道中心线的距离，并且假定车辆大致与车道平行，已知车辆宽度为b，根据公式就可以求出车辆当前位置相对于左右车道边界的距离；其中，上式表示左车轮距左车道线边界的位置，下式表示右车轮相对于右车道边界的位置；因此，当Δy>0时，表明车辆保持在本车道内，即为安全区域；假定车辆任何一边的前轮只要有一个越过车道线，就表明车辆偏离车道已经发生，即式中满足Δy<0，就认为车辆已经发生了车道偏离。

需要进一步说明的是，所述危险驾驶分析步骤如下：

（1）确定评价事物的因素论域，其中，设因素集U：U={u1，u2……u8}，u1（超速10%以内的次数）、u2（超速10%-30%的次数）、u3（超速30%以上的次数）、u4（逆行次数），u5（压线行驶次数），u6（疲劳驾驶次数）、u7（碰撞但未打开安全气囊的次数）u8（严重碰撞，安全气囊打开次数）8个指标为反映驾驶员驾驶行为主要指标；

（2）选定评语等级论域，其中，设评价集V={v1，v2……v4}，v1：优秀，v2：良好，v3：及格，v4：差；

（3）进行单因素评判得到隶属度向量：

r_i＝(r_i1,r_i2,…,r_im)；

形成隶属度矩阵：

（4）确定评价因素权向量,对评判集可数值化及归一化：

A＝(a₁,a₂,…,a_n),

根据各行为的危害程度确定他们各自的权重。其中u3、u4、u6、u8危险度为一级，各占比例3/8，u2、u7危险度为二级各占1/9，u1、u5危险度为三级各占1/18；

（5）计算综合评判（综合隶属度）向量：

B＝AοR；

（6）根据隶属度最大原则做出评判，计算综合评判值，得出驾驶员行为等级。

需要进一步说明的是，所述模糊逻辑法步骤如下：

（1）输入及输出变量隶属度函数的建立，对于两个输入变量眼睛闭合一次的时间和眨眼频率以及一个输出变量，驾驶员的疲劳状态，分别定义三种不同程度的模糊集合，对每一个变量，均选择三角形隶属度函数；其中，具体是：眨眼频率={快、中、慢}；眨眼时间={短、中、长}；疲劳状态={不疲劳、轻微疲劳、疲劳}；眨眼频率低于每150ms一次判定为快，高于300ms一次判定为慢，介于150ms和300ms判定为中，眨眼时间0到0.25秒判定为短，0.25到1秒判定为中及1秒到2秒判定为长；

（2）模糊化与模糊推理规则的建立，在本模块中，输入变量为眨眼时间和眨眼频率，我们采集的图像经过处理后得到眼睛睁闭的情况，并将眨眼频率转换为眨眼频率快、眨眼频率中、眨眼频率慢、眨眼时间长、眨眼时间中、眨眼短等模糊语言；

（3）模糊清晰化，本模块运用文中选用质心法进行模糊清晰化，其计算公式如下：

其中，R为模糊控制器输出量；k为规则数；x_i为第i个规则的隶属度；F_i为第i个规则隶属度函数的质心值。

其推理结果如下表所示：

作为一种优选的方案，所述行车记录模块与所述车道偏离检测模块可共用一个车前摄像头，图像数据利用V4l2函数采集，由于只进行短时间的视频数据记录，所以可以采用队列的方式直接储存原始图像信息。

作为一种优选的方案，所述控制中心利用ODBC技术实现与数据库的交互，关于ODBC方式访问数据库，MFC提供的数据库操作和访问的类主要有CDatabase、CRecordset，应用CDatabase封装应用程序对一个数据库连接的处理。

其实现的步骤如下：

（1）创建一个CDatabase对象，然后调用OpenEx方法，如下所示：

CDatabaseNewDB;

NewDB.OpenEx(“DSN=mydatabase”,CDatabase::openReadOnly);

（2）然后利用封装了对数据库的查询的函数CRecordset进行添加、更新、删除。CRecordset对象表示从数据源选择的一组数据库记录集合，成为“记录集”。打开一个记录集并更新数据的方法如下：

CRecordset*pSet=new CRecordset(&NewDB);

pSet Open(CRecordset::dynaset);

（3）通过pSet对数据源进行所需的操作。

需要进一步说明的是，为了解决本发明中网络连接失败或者网络中断等网络问题，本发明使用以下的传输方式：

车载终端上用队列的方式实时存储信息，连接有效时将消息发送，当收到控制中心的确认回复后将该信息从队列中剔除，发送失败时，车载终端不会受到控制中心的确认信息，且会在一定时间后再次发送，避免了数据丢失。当连接车载终端时，将停止发送，但违规信息都会存储在车载终端中，数据记录工作不会停止，待连接恢复时一并发送。

为了更好地完成数据记录与传输，所述无线通信模块设有应用层协议，如图8所示，包括：

版本域S1，用于识别车载终端版本号，设置4位长度；

服务类型域S2，用于代表与识别具体信息，设置3位长度，其中：

000—连接开始或结束；

001—GPS信息；

010—危险驾驶行为；

011—被动求助；

100—主动求助；

110—速度/限速信息；

111—接受成功；

序号域S3，用于防止网络延时或丢失确认信息造成的重复记录，对于相邻的两个同序号的消息，控制中心会将其视为同一条消息；

12位长度的用于识别司机（驾驶员）的司机编号S4，以及

数据信息域S5，用于记录传输对应服务类型的服务信息。

进一步地说，当所述控制中心或车载终端收到消息时，根据服务类型可知数据属于哪一类，进而可以提交给不同的模块进行处理。

对于本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及变形，而所有的这些改变以及变形都应该属于本发明权利要求的保护范围之内。

Claims (7)

1.一种保障驾驶安全的系统，包括设置在任意车辆中的车载终端，以及与所述车载终端通信的控制中心，所述车载终端包括车载终端处理器，以及分别与所述车载终端处理器连接的：

超速检测模块，用于收集、监测车辆实时速度；

疲劳检测模块，用于监测驾驶员身体疲劳程度；

车道偏离检测模块，用于监测所述车辆是否偏离车道；

行车记录模块，用于收集、记录所述车辆行驶视频信息；

危险提示模块，用于提醒所述驾驶员危险驾驶状态和/或所述控制中心发布的危险信息；

紧急救助模块，用于向所述控制中心发送救援请求；

无线通信模块，用于与所述控制中心通信；

其特征在于，所述疲劳检测模块设有摄像头，其中，所述摄像头与所述车载终端处理器连接，用于收集所述驾驶员的眼部图像信息，经过所述车载终端处理器处理后，获得所述驾驶员眨眼频率与时间，建立判定疲劳状态模型；

所述控制中心设有处理所述车载终端发送信息的系统：

驾驶员行为数据库，用于记录、储存由所述超速检测模块、疲劳检测模块以及车道偏离检测模块所发送的驾驶员危险驾驶信息；

地图信息数据库，用于接收所述车辆地理位置信息，且将所述地理位置信息的实事情况反馈至所述车载终端；

危险驾驶分析模块，与所述驾驶员行为数据库连接，用于分析、评价所述驾驶员行为等级；

综合信息处理模块，用于标注所述车载终端在地图中的位置，且对所述救援请求进行响应；

所述危险驾驶分析步骤如下：

(1)确定评价事物的因素论域，其中，设因素集U：U＝{u1，u2……u8}，u1超速10％以内的次数、u2超速10％-30％的次数、u3超速30％以上的次数、u4逆行次数、u5压线行驶次数、u6疲劳驾驶次数、u7碰撞但未打开安全气囊的次数、u8严重碰撞，安全气囊打开次数8个指标为反映驾驶员驾驶行为主要指标；

(2)选定评语等级论域，其中，设评价集V＝{v1，v2……v4}，v1：优秀，v2：良好，v3：及格，v4：差；

(3)进行单因素评判得到隶属度向量：

r_i＝(r_i1,r_i2,…,r_im)；

形成隶属度矩阵：

$R=\left(\begin{array}{cccc}{r}_{11}& r_{12}& \mathrm{...}& r_{1m}\\ r_{21}& r_{22}& \mathrm{...}& r_{2m}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ r_{n1}& r_{n2}& \mathrm{...}& r_{nm}\end{array}\right);$

(4)确定评价因素权向量,对评判集可数值化及归一化：

A＝(a₁,a₂,…,a_n),

根据各行为的危害程度确定他们各自的权重，其中u3、u4、u6、u8危险度为一级，各占比例3/18，u2、u7危险度为二级各占1/9，u1、u5危险度为三级各占1/18；

(5)计算综合评判向量，即综合隶属度向量：

(6)根据隶属度最大原则作出评判，计算综合评判值，得出驾驶员行为等级。

2.根据权利要求1所述的系统，其特征在于，所述超速检测模块包括车辆速度传感器与GPS，其中，所述GPS向所述车载终端处理器报告所述车辆地理位置，并发送至所述地图信息数据库，所述地图信息数据库将所述地理位置路段限速信息反馈至所述车载终端，所述车辆速度传感器连续监测所述车辆速度，并与所述路段限速信息进行对比，获得所述车辆是否超速信息。

3.根据权利要求1所述的系统，其特征在于，所述车道偏离检测模块设有车前摄像头，其中，所述车前摄像头与所述车载终端处理器连接，用于收集所述车辆前方的车道信息，经过所述车载终端处理器处理后，获得所述车辆的车道信息，判断所述车辆是否逆行或压线；所述车载终端处理器将获得的车辆车道信息发送至所述驾驶员行为数据库。

4.根据权利要求1所述的系统，其特征在于，所述无线通信模块设有应用层协议，其中包括：版本域，用于识别车载终端版本号，设置4位长度；

服务类型域，用于代表与识别具体信息，设置3位长度；序号域，用于防止网络延时或丢失确认信息造成的重复记录，对于相邻的两个同序号的消息，控制中心会将其视为同一条消息；12位长度的用于识别驾驶员的驾驶员编号，以及数据信息域：用于记录传输对应服务类型的服务信息。

5.根据权利要求1所述的系统，其特征在于，所述疲劳检测的步骤如下：

(1)实现人脸检测，采用Adaboost迭代算法检测人脸，首先使用Adaboost算法挑选出最能代表人脸的矩形特征，按照加权投票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，利用OpenCV所提供的分类器来完成人脸检测；

(2)实现人眼检测，通过OV9650驱动把摄像头获取的一帧图像压缩为RGB编码格式的图像数据；

(2a)利用V4L2提供的相关函数从视频设备获取数据，采用双缓冲内存映射的方式，格式为Qt的QImage；

(2b)将图像格式由QImage转换为OpenCV可处理的IplImage格式，其中，由于分类器在灰度图像上进行检测，所以RGB图像首先需要通过cvCvtColor()转换成灰度图像，然后通过cvEqualizeHist()进行直方图均衡；

直方图均衡公式为：

$S_k=\left(\underset{j=0}{\overset{k}{\&Sigma;}}{n}_j\right)/N\&times;255;$

其中，公式中S_k表示均衡化后的灰度值，∑表示总和，nj是原图中某个灰度色阶j的像素数量，j的范围是0-k，N是图像像素总数；

(2c)先加载训练好的分类器，再调用OpenCV的人脸检测函数cvHaarDectectObjects()检测图像中的所有人脸，存下位置大小信息；

(3)实现眨眼检测，判定时先要对图像做预处理工作，将RGB图像转换为灰度图像；

(3a)然后统计其中白色区域所占比例，当比例小于阈值时就判定发生了眨眼行为；

(3b)阈值选取前40帧的白色区域平均值的一半，适用于所有人群；

(4)运用模糊逻辑法来对采集到得信息进行融合决策。

6.根据权利要求3所述的系统，其特征在于，所述车道偏离检测的步骤如下：

(1)检测车道，利用CIELab彩色空间信息对道路图像进行彩色聚类，根据车道线为黄色或者白色的特征识别聚类后的车道线区域；

(1a)在车道线区域采用启发式搜索车道边线算法，从而检测出车道线边缘的像素点，对这些边缘像素点采用最小二乘法进行拟合；

(1b)通过可靠性判断算法判断每一个像素点是否为有效的边缘像素，最后将所有有效边缘像素拟合成车道线，得到了拟合曲线的参数即检测出了车道线；

(2)计算车辆在当前车道中的位置，计算公式如下：

$\mathrm{\&Delta;}y=\left\{\begin{array}{c}\frac{b}{2}-(y_0+\frac{b_c}{2})\\ \frac{b}{2}+(y_0-\frac{b_c}{2})\end{array}\right.;$

其中，y₀表示车身中心点与车道中心线的距离，并且假定车辆大致与车道平行，已知车辆宽度为b，根据公式就可以求出车辆当前位置相对于左右车道边界的距离；其中，上式表示左车轮距左车道线边界的位置，下式表示右车轮相对于右车道边界的位置；因此，当Δy>0时，表明车辆保持在本车道内，即为安全区域；假定车辆任何一边的前轮只要有一个越过车道线，就表明车辆偏离车道已经发生，即式中满足Δy<0，就认为车辆已经发生了车道偏离。

7.根据权利要求5所述的系统，其特征在于，所述模糊逻辑法步骤如下：

(1)输入及输出变量隶属度函数的建立，对于两个输入变量眼睛闭合一次的时间和眨眼频率以及一个输出变量，驾驶员的疲劳状态，分别定义三种不同程度的模糊集合，对每一个变量，均选择三角形隶属度函数；其中，具体是：眨眼频率＝{快、中、慢}；眨眼时间＝{短、中、长}；疲劳状态＝{不疲劳、轻微疲劳、疲劳}；眨眼频率低于每150ms一次判定为快，高于300ms一次判定为慢，介于150ms和300ms判定为中，眨眼时间0到0.25秒判定为短，0.25到1秒判定为中及1秒到2秒判定为长；

(2)模糊化与模糊推理规则的建立，在本模块中，输入变量为眨眼时间和眨眼频率，采集的图像经过处理后得到眼睛睁闭的情况，并将眨眼频率转换为眨眼频率快、眨眼频率中、眨眼频率慢、眨眼时间长、眨眼时间中、眨眼时间短模糊语言；

(3)模糊清晰化，本模块运用文中选用质心法进行模糊清晰化，其计算公式如下：

$R=\frac{\underset{i=1}{\overset{K}{\&Sigma;}}{x}_i\&times;F_I}{\underset{i=1}{\overset{k}{\&Sigma;}}{x}_i};$

其中，R为模糊控制器输出量；k为规则数；x_i为第i个规则的隶属度；F_i为第i个规则隶属度函数的质心值。