数据要素X道路货运：车辆数据应用
近年来，货车发生重大安全事故的情况屡见不鲜。2022年12月5日3时30分，西安绕城高速外环北段发生一起道路交通事故，造成4死1伤。经调查认定，是一起因货车驾驶员过度疲劳造成的交通事故。2023年8月21日下午，安徽317省道阜阳市阜南县许堂路口，一辆重型货车追尾小客车造成4死惨剧。经调查，事故原因主要是因为货车司机精神疲劳，未及时采取制动措施。据统计，21%的交通事故都是因为疲劳驾驶发生的，占特大交通事故的40%以上，占交通事故死亡率的83%，我国每年因疲劳驾驶直接引发的道路交通事故1000余起，造成2000余人死亡或重伤。因而疲劳驾驶成为道路运输管理部门的重点监管内容。
如何判断司机处于疲劳驾驶状态呢？能通过法规来实施的判定方法是驾驶时间。《中华人民共和国道路交通安全法实施条例》规定，连续驾驶机动车超过4小时未停车休息，或者停车休息时间少于20分钟，即可判定为疲劳驾驶。这种判定依靠车辆的行驶记录数据即可完成。其他方法是通过数据分析进行识别，但由于这类识别方法的可靠性和准确性还有待提高，暂时没有作为法定依据。这些方法包括依据驾驶员操作行为、车辆行驶状态、驾驶员面部表情和言行举止等，虽然同驾驶时间判定方法比较，简易且可操作性强不够，但这类方法却是更加有效的。
1. 驾驶操作行为辅助判断
驾驶员的操作行为数据可以辅助判断是否存在疲劳驾驶的情况。当驾驶员出现换档不及时、不准确等情况，表明他的注意力已经开始分散，反应速度变慢，可判定为轻微疲劳。当驾驶员的操作动作变得迟缓，有时甚至会忘记操作，对车辆的控制能力明显下降，可判定为中度疲劳。当驾驶员做一些下意识的操作，或出现短暂的昏睡现象，可判定为重度疲劳。这些驾驶行为都可以通过从CAN总线数据中分析获取。
2. 驾驶员面部表情辅助判断
驾驶员面部表情判断是判断疲劳驾驶最直接的方式。当驾驶员的面部表情显得疲惫不堪，眼神呆滞时，可判断他出现疲劳驾驶的情况。驾驶员的面部表情和言行举止通常通过视频图像处理、机器学习和深度学习等算法进行识别。识别出来的面部表情数据可能包含眼睑闭合程度、眼球运动、打哈欠的频率和持续时间等。部属在驾驶舱内，面向驾驶员面部的视频监控数据是最佳数据源。此外，这种算法与车辆状态传感器和驾驶员生理信号传感器结合使用时，可以进一步提高检测的准确性和实时性。
面部表情识别包括特征提取、特征分析和状态判定三个步骤。特征提取阶段，首先对图像进行预处理，包括图像增强、滤波去噪、光照补偿等，然后采用基于Haar特征、LBP（Local Binary Pattern）特征或其他先进算法进行人脸检测，利用特征点检测算法（如SDM、Dlib等）对检测到的人脸进行特征点定位，提取出眼睛、嘴巴等关键区域的位置信息。
面部特征分析主要聚焦在眼部和嘴部。眼部特征又有闭合程度、眨眼频率和PERCLOS值（眼睑闭合持续时间百分比）。判断眼睑的闭合程度有两种方法，一种是计算眼睑与瞳孔之间的黑色像素比例，第二种是利用EAR（Eye Aspect Ratio）值来评估。眨眼频率主要是统计单位时间内眨眼的次数，与正常眨眼频率进行对比分析。嘴部特征主要包括打哈欠及其持续时间。通过计算嘴巴的高宽比（MAR值）或利用机器学习模型可以识别打哈欠动作，进一步结合视频帧的连续性，分析打哈欠动作的持续时间，从而判断驾驶员是否出现疲劳迹象。
最后的判定阶段，结合眼部和嘴部的特征分析结果，制定疲劳判定规则。例如，当PERCLOS值超过阈值且伴有打哈欠动作时，判定为疲劳驾驶。当系统判定驾驶员处于疲劳状态时发出预警信号，提醒驾驶员休息或采取其他措施以避免交通事故的发生。
随着大模型技术的发展，基于视觉的深度学习算法可以实现端到端的疲劳驾驶状态判定，不需要先进行面部表情的识别。这种方法是将驾驶员面部视频数据作为模型输入学习，实现由视频到司机疲劳状态的端到端的处理输出。这种检测方式和基于纯视觉的自动驾驶技术是相近的。
全部评论 （0）