CN104182995A - 一种基于驾驶疲劳的高速公路路侧景观色彩评价方法 - Google Patents

Abstract

本发明涉及一种基于驾驶疲劳的高速公路路侧景观色彩评价方法，属于图像分析评价领域。具体步骤包括数据获取及预处理；景观提取；基于K均值聚类的景观色彩量化；考虑多生理指标基于支持向量机的驾驶疲劳判别；量化后的景观色彩对驾驶员生理特性的影响关系建模；考虑驾驶疲劳的景观评价。相比现有技术，本发明具有客观、量化评价景观、考虑驾驶员疲劳、可对景观设计方案进行事前评价的特点。

Description

一种基于驾驶疲劳的高速公路路侧景观色彩评价方法

技术领域

本发明属于图像分析评价领域，特别涉及一种高速公路路侧景观色彩评价方法。 

背景技术

高速公路景观作为高速公路系统的一个重要组成部分，将对驾驶员产生视觉冲击，使其发生生理反应、情绪变化，进而影响驾驶行为，因此路侧景观与交通安全密切相关。 

为使得高速公路景观设计具有安全性、抗疲劳性，应在其设计之初能够从驾驶疲劳性检测的角度对其进行客观、量化的评价，但现有的高速公路景观设计存在几点不足： 

1、景观评价主观性较强：考虑景观自身特性构建评价指标体系时，多以专家打分的形式赋予指标权重，无法避免因个别专家主观臆断对评价结果产生的影响。 

2、景观设计方面：目前考虑交通安全改善道路景观时，采用碰撞率、事故总损失数等指标评价景观是否合理，属于对景观建成之后的事后评价，没有详细分析及量化道路景观元素，并对景观设计方案进行评价。难以为道路景观设计提供依据。 

发明内容

本发明所要解决的技术问题：针对现有技术的不足和缺陷，本发明提供一种客观、量化评价景观、考虑驾驶员疲劳、可对景观设计方案进行事前评价的基于驾驶疲劳的高速公路路侧景观色彩评价方法。 

本发明是这样设计的：一种基于驾驶疲劳的高速公路路侧景观色彩评价方法，其特征在于： 

包括下述步骤 

步骤一、数据获取及预处理，依次流程包括搭建实车道路试验平台；获取高速公路路侧景观的视频及图片；获取驾驶员生理指标参数及预处理；每隔15分钟问询驾驶员的疲劳状态； 

步骤二、景观提取，利用Matlab软件提取路侧景观，依次流程包括连续读取步骤一获取的图像并创建纹理图像；使用纹理边界处的值0.8作为阈值将灰度图像转化为二值图像，并提取路侧景观的纹理；提取并还原路侧景观部分的彩色图像； 

步骤三、基于K均值聚类的景观色彩量化，依次流程包括设K为聚类分析的聚类数；任选K个样本作为初始聚类中心，按最小距离原则将其余样本分配到K个聚类中心；分别计算隶属于K个聚类中心像素点的红绿蓝RGB向量均值，并以均值向量作为新的聚类中心；直至聚类中心不再改变；将像素样本最多的一类进行红绿蓝RGB向量取均值，得到图像宏观的红绿蓝RGB向量值； 

步骤四、考虑多生理指标基于支持向量机的驾驶疲劳判别，采用径向基函数，输入变量为驾驶员的3项生理指标，生理指标包括心电MHR、脑电δ值、脑电α/β值；输出变量为驾驶员的疲劳等级，疲劳等级包括警醒状态、轻度疲劳、重度疲劳和睡意状态；所述的心电MHR为心率均值；脑电δ值为脑电δ波的功率谱密度积分成分与脑电总的功率谱密度积分之比；脑电α/β值为α与β节律的功率谱密度积分成分之比； 

步骤五、量化后的景观色彩对驾驶员生理特性的影响关系建模，依次流程包括景观色彩、驾驶时间同时对驾驶员MHR的影响关系建模；景观色彩、驾驶时间同时对脑电α/β值的影响关系建模；景观色彩、驾驶时间与脑电δ值的关系建模； 

步骤六、考虑驾驶疲劳的景观评价，依次流程包括将步骤三中的景观序列色彩值及相对应的驾驶时间导入至步骤五的影响关系模型中，并获得相对应的生理指标值序列；根据生理指标值序列，计算步骤四中驾驶员的疲劳等级对应的驾驶时间；将达到不同疲劳等级时的驾驶时间作为评价指标从驾驶疲劳的角度量化评价高速公路路侧景观色彩。 

所述的步骤一中搭建实车道路试验平台时，在试验车内假设相机和生理记录仪；试验重复三次，三次试验均选择了同一驾驶员；驾驶员年龄在40～45岁，驾驶员驾龄3年以上；试验时间为8:00～18:00。 

所述的步骤一中获取高速公路路侧景观的视频及图片时，在驾驶舱放置录像机，连续录制路侧景观视频；录像时将挡风玻璃的边缘及道路标线排除在外。 

所述的步骤一中获取驾驶员生理指标参数及预处理时，采用美国Biopac公司的MP100 16导生理记录仪对驾驶员的生理指标进行采集。 

所述的步骤一中每隔15分钟问询驾驶员的疲劳状态时，将驾驶疲劳划分为四个等级：警醒状态、轻度疲劳、重度疲劳和睡意状态；调查员在副驾驶位置上每隔15分钟向驾驶员询问其疲劳状态并进行记录，同时在记录软件Biopac中设置标记点。 

所述的步骤二中连续读取图像并创建纹理图像时，读取原始图像，利用函数entropyfilt创建纹理图像，使用函数mat2gray将纹理图像转化为灰度图像。 

所述的步骤三中设K为聚类分析的聚类数时，随机选取K个像素点作为初始聚类中心，K<N；高速公路景观宏观类别较少，分为：蓝天、道路、路侧景观、路缘石；根据路侧景观实际情况，确定K初始值，建议取值4或5。 

通过上述设计方案，本发明可以带来如下有益效果： 

1、客观、量化评价景观 

本发明所述的基于驾驶疲劳的高速公路路侧景观评价方法提出了高速公路路侧景观色彩的提取及量化方法，可实现高速公路路侧景观的客观、量化评价。 

2、考虑驾驶员疲劳的景观评价 

本发明所述的基于驾驶疲劳的高速公路路侧景观评价方法提出了以驾驶员生理指标为桥梁的路侧景观色彩对驾驶疲劳的影响规律，最终确定以达到疲劳时的驾驶时间为评价指标，评价高速公路路侧景观。 

3、可对景观设计方案进行事前评价 

本发明所述的基于驾驶疲劳的高速公路路侧景观评价方法所需要的景观素材为图片或者视频，通过图像处理技术即可量化路侧景观色彩。能够实现对高速公路景观设计方案在施工前进行评价。 

附图说明

下面结合附图说明和具体实施方式对本发明作进一步说明： 

图1为本发明一种基于驾驶疲劳的高速公路路侧景观色彩评价方法的结构示意图。 

具体实施方式

如图所示的一种基于驾驶疲劳的高速公路路侧景观色彩评价方法，包括以 下步骤： 

一、数据获取及预处理 

1、搭建实车道路试验平台。在试验车内假设相机和生理记录仪。为了使得试验获取的生理数据具有一致性，剔除驾驶员个人因素对所建模型产生的偶发性影响，三次试验均选择了同一驾驶员，年龄在40～45岁之间，驾龄3年以上；要求驾驶员在实验前一天具有充足的睡眠、精神状态良好，不可饮酒、咖啡及服用药物等，以免对其生理指标产生影响。每天的实验时间为8:00～18:00。实验时沿途保持车内安静。驾驶员可根据自身的状况进行适当的休息。 

2、获取高速公路路侧景观的视频及图片。为了获取路侧景观色彩，在驾驶舱设放置录像机，连续录制路侧景观视频。为了便于后期的景观色彩提取，录像时将挡风玻璃的边缘及道路标线排除在外。 

3、获取驾驶员生理指标参数及预处理。采用美国Biopac公司的MP10016导生理记录仪对驾驶员的生理指标进行采集。 

4、每隔15分钟问询驾驶员的疲劳状态。本发明将驾驶疲劳划分为四个等级：警醒状态、轻度疲劳、重度疲劳和睡意状态。实验时沿途保持车内安静，调查员在副驾驶位置上每隔15分钟向驾驶员询问其疲劳状态并进行记录，同时在记录软件Biopac中设置标记点，便于之后的数据处理。 

二、景观提取方法 

在Matlab软件中程序流程如下： 

1、连续读取图像并创建纹理图像 

读取原始图像，利用函数entropyfilt创建纹理图像；使用函数mat2gray将纹理图像转化为灰度图像。 

2、使用纹理边界处的值0.8作为阈值将灰度图像转化为二值图像，并提取路侧景观的纹理 

3、提取并还原路侧景观部分的彩色图像 

三、基于k均值聚类的景观色彩量化方法 

设图像分辨率为a₁×a₂，即有a₁×a₂个像素点。基于K均值的景观色彩表达流程如下。 

1、设K为聚类分析的聚类数。随机选取K个像素点作为初始聚类中心， K<N。高速公路景观宏观类别较少，分为：蓝天、道路、路侧景观、路缘石等。根据路侧景观实际情况，确定K初始值，建议取值4或5。 

2、按最小距离原则将其余样本分配到第j个聚类中。即： 

if min{||X-Z_i(k)||,i＝1,2,…K}＝D_j(k) 

else X∈S_j(k)           (1) 

式中：k为迭代运算的次序号；X表示任意一像素样本到第j个聚类中心的距离；Z是第k次迭代第j个聚类。上式含义为样本X到第j个聚类中心的距离小于到其他聚类中心的距离，所以将其归入j类。 

3、分别计算隶属于K个聚类中心的像素点红绿蓝RGB向量均值，以均值向量作为新的聚类中心。即： 

$Z_j(k+1)=\frac{1}{N_j}\underset{X\&Element;S_j\left(k\right)}{\mathrm{\&Sigma;}}X,j=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;K---\left(2\right)$

4、如果Z_j(k+1)≠Z_j(k),j＝1,2,…K，转到Step2，将像素点样本逐个重新分类，并重复迭代计算。如果Z_j(k+1)＝Z_j(k),j＝1,2,…K，则算法收敛，计算完毕。 

5、将像素样本最多的一类进行红绿蓝RGB向量取均值，得到图像宏观的红绿蓝RGB向量值。因为路侧景观分割后的图像背景为黑色，聚类的结果很有可能是最多的那类是背景黑色，若最多的一类中黑色(红绿蓝RGB向量为[0，0，0])的最多，则选择次多的那一类进行红绿蓝RGB向量取均值。 

红绿蓝RGB向量由3个变量组成，每个变量的变化范围均为0～255，取景观色彩值为：C＝R+G+B 

四、考虑多生理指标基于支持向量机的驾驶疲劳判别 

核函数：核函数是SVM算法的一个关键组成部分，常见的核函数有线性、多项式、径向基和sigmoid函数四种。本文采用应用最为广泛的径向基函数，其公式如下： 

K(x_i,x_j)＝exp(-γ||X_i-X_j||)^d,γ＞0    (3) 

其中核函数参数被称为gamma，简写为g。 

输入变量：本文中支持向量机的输入变量是驾驶员的3项生理指标，包括： 心电MHR(心率均值)、脑电δ值(脑电δ波的功率谱密度积分成分与脑电总的功率谱密度积分之比)以及脑电α/β值(α与β节律的功率谱密度积分成分之比)。 

输出变量：支持向量机的输出变量为驾驶员的疲劳等级。本文将驾驶员的疲劳状态划分为4个等级，包括警醒状态、轻度疲劳、重度疲劳和睡意状态。 

五、量化后的景观色彩对驾驶员生理特性的影响关系建模 

1、景观色彩对驾驶员MHR值的影响关系建模 

分别建立驾驶时间对MHR、景观色彩对MHR的影响关系建模，然后对两个模型进行融合。 

①驾驶时间对驾驶员MHR值的影响关系 

驾驶时间与MHR影响关系的拟合方程为： 

MHR(t)＝0.099ln(t)-0.1012      (4) 

其中：t-驾驶时间(min)。 

②景观色彩对驾驶员MHR的影响关系拟合模型为： 

MHR(c)＝0.209ln(c)+0.6065  (5) 

其中：c-景观色彩值。 

③考虑驾驶时间的景观色彩对MHR的影响 

景观色彩、驾驶时间同时对驾驶员MHR的影响关系模型为： 

MHR(t,c)＝0.0688ln(t)+0.0625ln(c)+0.1174   (6) 

2、景观色彩对景观色彩对脑电α/β的影响 

分别建立驾驶时间对脑电α/β、景观色彩对脑电α/β的影响关系建模，然后对两个模型进行融合。 

①驾驶时间对驾驶员脑电α/β的影响关系 

驾驶时间t对α/β值影响关系的拟合方程为： 

$\mathrm{\&alpha;}/\mathrm{\&beta;}=4.732\&times;{10}^{13}\&CenterDot;e^{-{\left(\frac{t+370.4}{67.75}\right)}^2}+48.43\&CenterDot;e^{-{\left(\frac{t-382.6}{120.2}\right)}^2}+1.24\&CenterDot;e^{-{\left(\frac{t-67.61}{47.67}\right)}^2}---\left(7\right)$

②景观色彩对驾驶员脑电α/β的影响关系拟合模型为： 

景观色彩对脑电α/β值影响关系的拟合方程为： 

α/β＝110.7e^-42.88c+1.167e^-0.3332c

(8) 

③考虑驾驶时间的景观色彩对脑电α/β的影响 

景观色彩、驾驶时间同时对脑电α/β值的影响关系模型为 

$\begin{array}{c}\mathrm{\&alpha;}/\mathrm{\&beta;}=3.541\&times;{10}^{13}{e}^{-{\left(\frac{t+370.4}{67.75}\right)}^2}+29.942e^{-{\left(\frac{t-382.6}{120.2}\right)}^2}\\ +0.146e^{-{\left(\frac{t-67.61}{47.67}\right)}^2}+8.922e^{-42.88c}+4.146e^{-0.333c}-3.321\end{array}---\left(9\right)$

3、景观色彩对脑电δ值的影响 

分别建立驾驶时间对脑电δ、景观色彩对脑电δ的影响关系建模，然后对两个模型进行融合。 

①驾驶时间对驾驶员脑电δ值的影响关系 

驾驶时间t对脑电δ值的影响关系模型为： 

$\mathrm{\&delta;}=1.16e^{-{\left(\frac{t-238}{104.6}\right)}^2}+0.649e^{-{\left(\frac{t-3.21}{21.18}\right)}^2}+0.506e^{-{\left(\frac{t-66.05}{31.69}\right)}^2}---\left(10\right)$

②景观色彩对驾驶员脑电δ值的影响关系拟合模型为： 

景观色彩c对脑电δ值的影响关系模型为： 

δ＝0.253·c^-0.367

(11) 

③考虑驾驶时间的景观色彩对脑电δ值的影响 

景观色彩、驾驶时间与脑电δ值的关系模型： 

$\begin{array}{c}\mathrm{\&delta;}(t,c)=1.163e^{-{\left(\frac{t-238}{104.6}\right)}^2}+0.645e^{-{\left(\frac{t-3.21}{21.18}\right)}^2}\\ +0.505e^{-{\left(\frac{t-66.05}{31.69}\right)}^2}+0.012c^{0.3668}-0.02\end{array}---\left(12\right)$

六、考虑驾驶疲劳的景观评价方法 

1、提取全部实车道路试验过程中的景观序列色彩值及相对应的驾驶时间，并将其分别带入到考虑驾驶时间的景观色彩对驾驶员生理指标的影响关系模型中，得到相对应的生理指标值序列。 

2、根据生理指标值序列判别驾驶员的疲劳等级，得出达到不同疲劳等级时的驾驶时间。 

3、将达到疲劳时的驾驶时间作为评价指标从驾驶疲劳的角度量化评价高速公路路侧景观色彩。 

最后能够根据景观视频得出驾驶员达到不同疲劳等级时的驾驶时间，为景观评价提供量化的方法。 

Claims (7)

1.一种基于驾驶疲劳的高速公路路侧景观色彩评价方法，其特征在于：

包括下述步骤

步骤一、数据获取及预处理，依次流程包括搭建实车道路试验平台；获取高速公路路侧景观的视频及图片；获取驾驶员生理指标参数及预处理；每隔15分钟问询驾驶员的疲劳状态；

步骤二、景观提取，利用Matlab软件提取路侧景观，依次流程包括连续读取步骤一获取的图像并创建纹理图像；使用纹理边界处的值0.8作为阈值将灰度图像转化为二值图像，并提取路侧景观的纹理；提取并还原路侧景观部分的彩色图像；

步骤三、基于K均值聚类的景观色彩量化，依次流程包括设K为聚类分析的聚类数；任选K个样本作为初始聚类中心，按最小距离原则将其余样本分配到K个聚类中心；分别计算隶属于K个聚类中心像素点的红绿蓝RGB向量均值，并以均值向量作为新的聚类中心；直至聚类中心不再改变；将像素样本最多的一类进行红绿蓝RGB向量取均值，得到图像宏观的红绿蓝RGB向量值；

步骤四、考虑多生理指标基于支持向量机的驾驶疲劳判别，采用径向基函数，输入变量为驾驶员的3项生理指标，生理指标包括心电MHR、脑电δ值、脑电α/β值；输出变量为驾驶员的疲劳等级，疲劳等级包括警醒状态、轻度疲劳、重度疲劳和睡意状态；所述的心电MHR为心率均值；脑电δ值为脑电δ波的功率谱密度积分成分与脑电总的功率谱密度积分之比；脑电α/β值为α与β节律的功率谱密度积分成分之比；

步骤五、量化后的景观色彩对驾驶员生理特性的影响关系建模，依次流程包括景观色彩、驾驶时间同时对驾驶员MHR的影响关系建模；景观色彩、驾驶时间同时对脑电α/β值的影响关系建模；景观色彩、驾驶时间与脑电δ值的关系建模；

步骤六、考虑驾驶疲劳的景观评价，依次流程包括将步骤三中的景观序列色彩值及相对应的驾驶时间导入至步骤五的影响关系模型中，并获得相对应的生理指标值序列；根据生理指标值序列，计算步骤四中驾驶员的疲劳等级对应的驾驶时间；将达到不同疲劳等级时的驾驶时间作为评价指标从驾驶疲劳的角度量化评价高速公路路侧景观色彩。

2.根据权利要求1所述的一种基于驾驶疲劳的高速公路路侧景观色彩评价方法，其特征在于：所述的步骤一中搭建实车道路试验平台时，在试验车内假设相机和生理记录仪；试验重复三次，三次试验均选择了同一驾驶员；驾驶员年龄在40～45岁，驾驶员驾龄3年以上；试验时间为8:00～18:00。

3.根据权利要求1所述的一种基于驾驶疲劳的高速公路路侧景观色彩评价方法，其特征在于：所述的步骤一中获取高速公路路侧景观的视频及图片时，在驾驶舱放置录像机，连续录制路侧景观视频；录像时将挡风玻璃的边缘及道路标线排除在外。

4.根据权利要求1所述的一种基于驾驶疲劳的高速公路路侧景观色彩评价方法，其特征在于：所述的步骤一中获取驾驶员生理指标参数及预处理时，采用美国Biopac公司的MP100 16导生理记录仪对驾驶员的生理指标进行采集。

5.根据权利要求1所述的一种基于驾驶疲劳的高速公路路侧景观色彩评价方法，其特征在于：所述的步骤一中每隔15分钟问询驾驶员的疲劳状态时，将驾驶疲劳划分为四个等级：警醒状态、轻度疲劳、重度疲劳和睡意状态；调查员在副驾驶位置上每隔15分钟向驾驶员询问其疲劳状态并进行记录，同时在记录软件Biopac中设置标记点。

6.根据权利要求1所述的一种基于驾驶疲劳的高速公路路侧景观色彩评价方法，其特征在于：所述的步骤二中连续读取图像并创建纹理图像时，读取原始图像，利用函数entropyfilt创建纹理图像，使用函数mat2gray将纹理图像转化为灰度图像。

7.根据权利要求1所述的一种基于驾驶疲劳的高速公路路侧景观色彩评价方法，其特征在于：所述的步骤三中设K为聚类分析的聚类数时，随机选取K个像素点作为初始聚类中心，K<N；高速公路景观宏观类别较少，分为：蓝天、道路、路侧景观、路缘石；根据路侧景观实际情况，确定K初始值，建议取值4或5。