CN104332055A

CN104332055A - 一种基于驾驶人瞳孔直径的交通冲突快速识别方法

Info

Publication number: CN104332055A
Application number: CN201410668469.2A
Authority: CN
Inventors: 李世武; 徐艺; 孙文财; 杨志发; 张承标; 邴雪燕
Original assignee: Jilin University
Current assignee: Jilin University
Priority date: 2014-11-18
Filing date: 2014-11-18
Publication date: 2015-02-04
Anticipated expiration: 2034-11-18
Also published as: CN104332055B

Abstract

本发明涉及一种基于驾驶人瞳孔直径的交通冲突快速识别方法，属于交通工程技术领域。方法步骤包括数据采集，使用眼动仪采集驾驶人瞳孔直径数据；数据处理，剔除眨眼数据并进行小波分解，生成待匹配瞳孔直径数据；模板瞳孔直径分析，将交通冲突时间段内瞳孔直径作为模板并进行傅里叶变换，生成模板频谱数据；设定GSA初始条件，定义适应度值，设定GSA迭代终止条件及交通冲突识别过程终止条件；GSA计算；过程迭代；结果输出。该方法首次提出以驾驶人瞳孔直径为指标的交通冲突识别方法，使用并改进了GSA搜索算法，使其可快速识别交通冲突。

Description

一种基于驾驶人瞳孔直径的交通冲突快速识别方法

技术领域

本发明属于交通工程技术领域，特别涉及一种交通冲突快速识别方法。

背景技术

交通冲突技术是当前道路交通安全评价方法的主流，许多专家学者在常规交通冲突判别方面提出了很多方法，如东南大学2013年申请的专利“一种基于两车碰撞时间的机动车有效交通冲突识别方法”(CN 103106811 A)；东南大学和南京市公安局交通管理局2014年申请的专利“一种利用交通冲突判别事故易发路段的方法及其系统”(CN 103971519 A)。但多数是以车间距、相对车速及其衍生参数作为交通冲突识别的指标，致使交通冲突判别结果与驾驶人感知结果间产生较大差异，不利于道路安全的客观评价和交通系统的合理规划。

而被广泛认可的道路交通设计理论也指出要以道路使用者的交通需求和生理-心理反应特征作为道路设计的理论基础，现有的交通冲突识别方法并未从驾驶人心理角度对道路交通状况进行安全性评价，基于道路使用者生理-心理反应特征的道路设计与优化因而无法实现，交通究其原因是未找到反映驾驶人心理负荷的交通冲突量化指标以及基于该指标的交通冲突识别方法。因此寻找一种可反映驾驶人心理负荷的评价指标及基于该指标的交通冲突快速识别方法是量化道路交通安全性的关键。

外界刺激与瞳孔直径的关系研究为寻找可反映驾驶人心理负荷的交通冲突量化指标提供了新的方向，相关领域专家研究了酒精刺激对驾驶人瞳孔直径的影响、精神负荷对瞳孔直径变化的影响、声音等刺激因素造成的心理压力及其导致的瞳孔直径变化等规律，在已有研究成果启发下发明人进行了瞳孔直径与交通冲突的相关性试验，充分证明了瞳孔直径与交通冲突的明显相关性。

所以，本领域亟需开展探究通过分析驾驶人瞳孔直径快速识别交通冲突的方法。

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，本发明提供一种基于驾驶人瞳孔直径的交通冲突快速识别方法，该方法首次提出以驾驶人瞳孔直径为指标的交通冲突识别方法；该方法是基于交通冲突对驾驶人产生心理负荷而心理负荷会表现为瞳孔直径变化的原理；该方法符合道路交通设计理论中以道路使用者生理-心理反应特征作为道路设计理论基础的要求；该方法使用并改进了GSA搜索算法，使其可快速识别交通冲突。

本发明是这样设计的：一种基于驾驶人瞳孔直径的交通冲突快速识别方法，其特征在于：包括下述步骤，

步骤一、数据采集，在行车过程中，在驾驶室内安装眼动仪(3)，将眼动仪(3)的摄像头(2)对准驾驶人(1)的眼部，采集驾驶人(1)驾驶时的瞳孔直径数据；

步骤二、数据处理，将眼动仪(3)采集数据导入计算机(4)，使用MATLAB软件进行数据处理，生成待匹配瞳孔直径数据P₀，计L₀为P₀中每个采样点的初始序号并将L₀作为采样点的位置标记；

步骤三、模板瞳孔直径分析，计交通冲突辨识模板P_m中采样点个数为L_m，计傅里叶变换为f(x)，对模板瞳孔直径数据进行傅里叶变换，生成模板频谱数据f(P_m)；

步骤四、GSA初始条件设定，设待匹配瞳孔直径数据为P_r(r为识别结果数量，初始值为0)，识别出的交通冲突时段瞳孔直径第一采样点初始序号的集合为I_r，相应适应度值为F_r；设搜索粒子数量为n，迭代次数为t(t的初始值为1)，以粒子位置x(t)为第一采样点且采样点个数为L_m的瞳孔直径数据为P(x_i)，其中x(t)＝{x₁,x₂,...,x_n}，x_i为P_r采样点初始序号范围内的随机数，i＝1,2,...,n；适应度值为fit(t)；GSA终止条件为适应度值连续s_t次相同，交通冲突识别过程终止条件为适应度值大于s_r；

步骤五、GSA计算，设在一个D维搜索空间中包含n个粒子，定义粒子的位置X_i为：i＝1,2,...,n，其中表示粒子i在第k维的位置；在t时刻粒子j对粒子i的引力为：其中M_pi(t)为i粒子的被动吸引质量，M_aj(t)为j粒子的主动吸引质量，ε为较小的常量，R_ij(t)为i粒子与j粒子之间的欧氏距离，G(t)为t时刻的引力常数；粒子i在时刻t受到的作用力为其他粒子对其引力之和：其中rankj为粒子j对粒子i引力的权重，取[0,1]的随机数，为k维空间上粒子j对粒子i的引力；粒子i在下一时刻的速度和位置：

\{\begin{matrix} v_{i}^{k} (t + 1) = \tan k_{i} \times v_{i}^{k} (t) + a_{i}^{k} (t) \\ x_{i}^{k} (t + 1) = x_{i}^{k} (t) + v_{i}^{k} (t + 1) \end{matrix};

为t时刻粒子i在k维空间上的加速度：其中M_ii(t)为粒子i的惯性质量；设引力质量与惯性质量相等，使用适应度函数表示粒子的质量，引力质量与惯性质量按如下公式更新：

\{\begin{matrix} M_{ai} = M_{pi} = M_{ii} = M_{i} \\ m_{i} (t) = \frac{{fit}_{i} (t) - worst (t)}{best (t) - worst (t)} \\ M_{i} (t) = m_{i} (t) / Σ_{j = 1}^{N} m_{j} (t) \end{matrix},

其中i＝1,2,...,n，fit_i(t)为t时刻粒子i的适应度值，解决最小值问题时，best(t)和worst(t)的定义如下：

\{\begin{matrix} best (t) = \min_{j &Element; {1,2, . . ., N}} {fit}_{j} (t) \\ worst (t) = \max_{j &Element; {1,2, . . ., N}} {fit}_{j} (t) \end{matrix};

步骤六、适应度值计算，更新粒子位置为x(t)，重新计算M、a及搜索粒子的速度和位置(维数＝k)，更新G(t)和best(t)；

步骤七、过程迭代，如果t-s_t≤0，则t＝t+1，重新回到步骤五，继续依次操作；如果t-s_t＞0，best(t)-best(t-s_t)≥0，则t＝t+1，重新回到步骤五，继续依次操作；如果t-s_t＞0，best(t)-best(t-s_t)＜0且F_r≤s_r，则将最优例子位置赋值为I_r，相应适应度赋值为F_r，r＝r+1，生成新的待匹配瞳孔直径数据P_r，t＝1，重新回到步骤五，继续依次操作；如果t-s_t＞0，best(t)-best(t-s_t)＜0且F_r＞s_r，停止迭代；

步骤八、结果输出，使用MATLAB软件将输出瞳孔直径位置I_r和对应的适应度值F_r输出至Excel表格中，并在数据输出终端(5)以曲线形式表示冲突识别结果。

所述的步骤二中，通过将含有交通冲突的瞳孔直径数据进行眨眼数据剔除和5级小波分解生成待匹配瞳孔直径数据。

所述的步骤三中，选择代表性交通冲突时间段内瞳孔直径数据作为交通冲突辨识的模板P_m。

所述的步骤四中，将模板频谱数据与瞳孔直径数据差值的绝对值作为GSA的适应度函数。

所述的步骤四中瞳孔直径识别中均使用GSA搜索方式寻找与模板瞳孔直径频谱相差最小的数据段。

所述的步骤七中，通过去除P_r-1中初始序号为I_r至I_r+L_m的瞳孔直径数据生成新的待匹配瞳孔直径数据P_r。

通过上述设计方案，本发明可以带来如下有益效果：

1、本发明首次提出以驾驶人瞳孔直径为指标的交通冲突识别方法；该方法是基于交通冲突对驾驶人产生心理负荷而心理负荷会表现为瞳孔直径变化的原理；该方法符合道路交通设计理论中以道路使用者生理-心理反应特征作为道路设计理论基础的要求；该方法使用并改进了GSA搜索算法，使其可快速识别交通冲突。

2、本发明以驾驶人瞳孔直径作为交通冲突识别指标，驾驶人瞳孔直径变化为非条件反射，克服了专家打分法等评价方法中的主观性缺陷。

3、本发明以驾驶人瞳孔直径作为交通冲突识别指标，克服了常规交通冲突技术无法反映驾驶人心理特征的缺陷，符合道路交通设计理论中以道路使用者的交通需求和生理-心理反应特征作为道路设计的理论基础的要求。

4、本发明每次瞳孔直径识别中均使用GSA搜索方式寻找与模板瞳孔直径频谱相差最小的数据段，避免了在大量瞳孔直径数据中使用SDFT(SlidingDiscrete Fourier Transform)方法，从而减少了运算次数。

5、本发明改进了GSA迭代条件，使本发明所述方法克服了GSA仅可寻找最优解的缺陷，使本交通冲突识别方法可搜索到所有与模板瞳孔直径波形相似的瞳孔直径位置，进而确定路段中所有交通冲突数量。

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人瞳孔直径的交通冲突快速识别方法的示意图。

图2为本发明一种基于驾驶人瞳孔直径的交通冲突快速识别方法的流程图。

图3为本发明一种基于驾驶人瞳孔直径的交通冲突快速识别方法的模板瞳孔直径数据曲线图。

图4为本发明一种基于驾驶人瞳孔直径的交通冲突快速识别方法的模板频谱曲线图。

图5为本发明一种基于驾驶人瞳孔直径的交通冲突快速识别方法的结果效果图。

图中1为驾驶人、2为摄像头、3为眼动仪、4为计算机、5为数据输出终端。

具体实施方式

如图所示的一种基于驾驶人瞳孔直径的交通冲突快速识别方法，其特征在于：包括下述步骤，

步骤五、GSA计算，设在一个D维搜索空间中包含n个粒子，定义粒子的位置X_i为：i＝1,2,...,n，其中表示粒子i在第k维的位置；在t时刻粒子j对粒子i的引力为：其中M_pi(t)为i粒子的被动吸引质量，M_aj(t)为j粒子的主动吸引质量，ε为较小的常量，R_ij(t)为i粒子与j粒子之间的欧氏距离，G(t)为t时刻的引力常数；粒子i在时刻t受到的作用力为其他粒子对其引力之和：其中rank_j为粒子j对粒子i引力的权重，取[0,1]的随机数，为k维空间上粒子j对粒子i的引力；粒子i在下一时刻的速度和位置：

\{\begin{matrix} v_{i}^{k} (t + 1) = \tan k_{i} \times v_{i}^{k} (t) + a_{i}^{k} (t) \\ x_{i}^{k} (t + 1) = x_{i}^{k} (t) + v_{i}^{k} (t + 1) \end{matrix};

\{\begin{matrix} M_{ai} = M_{pi} = M_{ii} = M_{i} \\ m_{i} (t) = \frac{{fit}_{i} (t) - worst (t)}{best (t) - worst (t)} \\ M_{i} (t) = m_{i} (t) / Σ_{j = 1}^{N} m_{j} (t) \end{matrix},

\{\begin{matrix} best (t) = \min_{j &Element; {1,2, . . ., N}} {fit}_{j} (t) \\ worst (t) = \max_{j &Element; {1,2, . . ., N}} {fit}_{j} (t) \end{matrix};

所述的步骤四中，瞳孔直径识别中均使用GSA搜索方式寻找与模板瞳孔直径频谱相差最小的数据段。

本发明首次提出以驾驶人1瞳孔直径为指标的交通冲突识别方法；该方法是基于交通冲突对驾驶人产生心理负荷而心理负荷会表现为瞳孔直径变化的原理；该方法符合道路交通设计理论中以道路使用者生理-心理反应特征作为道路设计理论基础的要求；该方法使用并改进了GSA搜索算法，使其可快速识别交通冲突。

本发明以驾驶人1瞳孔直径作为交通冲突识别指标，驾驶人1瞳孔直径变化为非条件反射，克服了专家打分法等评价方法中的主观性缺陷。本发明以驾驶人1瞳孔直径作为交通冲突识别指标，克服了常规交通冲突技术无法反映驾驶人1心理特征的缺陷，符合道路交通设计理论中以道路使用者的交通需求和生理-心理反应特征作为道路设计的理论基础的要求。

本发明每次瞳孔直径识别中均使用GSA搜索方式寻找与模板瞳孔直径频谱相差最小的数据段，避免了在大量瞳孔直径数据中使用SDFT(Sliding DiscreteFourier Transform)方法，从而减少了运算次数。本发明改进了GSA迭代条件，使本发明所述方法克服了GSA仅可寻找最优解的缺陷，使本交通冲突识别方法可搜索到所有与模板瞳孔直径波形相似的瞳孔直径位置，进而确定路段中所有交通冲突数量。

实施例：

步骤一、数据采集，将SmartEye5.6眼动仪3的摄像头2对准驾驶人1的眼部，采集驾驶人1驾驶时的瞳孔直径数据。

步骤二、数据处理，将眼动仪3采集数据导入计算机4，使用MATLAB软件进行数据处理。

步骤三、将含有交通冲突的瞳孔直径数据进行眨眼数据剔除和5级小波分解，生成P₀和L₀。

步骤四、使用采样长度位501的冲突下的已有瞳孔直径数据作为冲突辨识的模板，L_m为501。模板瞳孔数据如图3，使用傅里叶变换处理模板瞳孔直径数据得如图4的模板频谱数据。

步骤五、GSA初始条件设定，设搜索粒子数量n＝20，初始迭代次数为t＝1，s_t＝50，s_r＝2.5。

步骤六、GSA计算过程，按照具体实施方式中的步骤计算M、a及搜索粒子的速度和位置(维数k＝1)，并更新G(t)和best(t)。

步骤七、过程迭代，

a)若t-50≤0，则t＝t+1，继续运行步骤六；

b)若t-50＞0，best(t)-best(t-50)≥0，则t＝t+1，继续运行步骤六；

c)若t-50＞0，best(t)-best(t-50)＜0且F_r≤2.5，将最优粒子位置赋值为Ir，相应适应度值赋值为F_r，r＝r+1，去除P_r-1中初始序号为I_r至I_r+L_m的瞳孔直径数据以生成新的待匹配瞳孔直径数据P_r，t＝1，继续运行步骤六；

d)若t-50＞0，best(t)-best(t-50)＜0且Fr＞2.5，停止迭代。

步骤八、结果输出，使用MATLAB软件将瞳孔直径位置I_r和对应的适应度值F_r输出至Excel中，并在数据输出终端5以曲线形式表示冲突识别结果，如图5。

Claims

1.一种基于驾驶人瞳孔直径的交通冲突快速识别方法，其特征在于：包括下述步骤，

步骤五、GSA计算，设在一个D维搜索空间中包含n个粒子，定义粒子的位置X_i为：i＝1,2,...,n，其中表示粒子i在第k维的位置；在t时刻粒子j对粒子i的引力为：

F_{ij}^{k} (t) = G (t) \frac{M_{pi} (t) \times M_{aj} (t)}{R_{ij} (t) + ϵ} (x_{j}^{k} (t) - x_{i}^{k} (t)),

其中M_pi(t)为i粒子的被动吸引质量，M_aj(t)为j粒子的主动吸引质量，ε为较小的常量，R_ij(t)为i粒子与j粒子之间的欧氏距离，G(t)为t时刻的引力常数；粒子i在时刻t受到的作用力为其他粒子对其引力之和：其中rank_j为粒子j对粒子i引力的权重，取[0,1]的随机数，为k维空间上粒子j对粒子i的引力；粒子i在下一时刻的速度和位置：

\{\begin{matrix} v_{i}^{k} (t + 1) = {rank}_{i} \times v_{i}^{k} (t) + a_{i}^{k} (t) \\ x_{i}^{k} (t + 1) = x_{i}^{k} (t) + v_{i}^{k} (t + 1) \end{matrix};

\{\begin{matrix} M_{ai} = M_{pi} = M_{ii} = M_{i} \\ m_{i} (t) = \frac{{fit}_{i} (t) - worst (t)}{best (t) - worst (t)} \\ M_{i} (t) = m_{i} (t) / Σ_{j = 1}^{N} m_{j} (t) \end{matrix},

\{\begin{matrix} best (t) = \min_{j &Element; {1,2, . . ., N}} {fit}_{j} (t) \\ worst (t) = \max_{j &Element; {1,2, . . ., N}} {fit}_{j} (t) \end{matrix};

2.根据权利要求1所述的一种基于驾驶人瞳孔直径的交通冲突快速识别方法，其特征在于：所述的步骤二中，通过将含有交通冲突的瞳孔直径数据进行眨眼数据剔除和5级小波分解生成待匹配瞳孔直径数据。

3.根据权利要求1所述的一种基于驾驶人瞳孔直径的交通冲突快速识别方法，其特征在于：所述的步骤三中，选择代表性交通冲突时间段内瞳孔直径数据作为交通冲突辨识的模板P_m。

4.根据权利要求1所述的一种基于驾驶人瞳孔直径的交通冲突快速识别方法，其特征在于：所述的步骤四中，将模板频谱数据与瞳孔直径数据差值的绝对值作为GSA的适应度函数。

5.根据权利要求1所述的一种基于驾驶人瞳孔直径的交通冲突快速识别方法，其特征在于：所述的步骤四中，瞳孔直径识别中均使用GSA搜索方式寻找与模板瞳孔直径频谱相差最小的数据段。

6.根据权利要求1所述的一种基于驾驶人瞳孔直径的交通冲突快速识别方法，其特征在于：所述的步骤七中，通过去除P_r-1中初始序号为I_r至I_r+L_m的瞳孔直径数据生成新的待匹配瞳孔直径数据P_r。