论文部分内容阅读
摘 要：危险驾驶行为是驾驶过程中最普遍的行为之一，它严重威胁着人们的生命和财产安全，妨碍了正常的道路交通秩序。加强危险驾驶识别方法的研究，防止危险驾驶行为的发生，对提高道路交通安全具有十分重要的意义。为研究危险驾驶行为的一些比较成熟的识别方法，本文从危险驾驶行为、危险驾驶的识别方法两方面系统梳理和归纳国内外的相关研究成果，最后，根据自身理解总结目前方法的不足及未来方法研究展望。
关键词：公路运输;危险驾驶;识别方法;综述
0 引言
近年来，在交通强国战略号召下，使得交通需求快速增加，另一方面社会经济的高速发展使得机动车总量大幅度提高，道路交通安全问题也日益严峻，其中有很大一部分是因为驾驶人危险驾驶而引发的。
关于危险驾驶行为的识别方法受到国内外较多学者的重视，危险驾驶识别方法正在逐步发展完善，良好的识别系统正在普及，目前国内外有较多研究。目前，危险驾驶识别方法整体可以分为生理特征识别方法、模型、机器学习算法等，通过对驾驶员各种特征参数的不同，来有效识别并实现提前预警，提高道路交通行车安全。
1 危险驾驶行为理论基础
1.1 危险驾驶行为描述
生活中，常见的危险驾驶行为可以概括为驾驶员由于注意力不集中、犯困、急加速、急减速、逆行、非法超车和饮酒等导致其对车辆的操控能力和控制精度降低的状况。总体来讲，疲劳驾驶和酒后驾驶造成的交通事故较为严重，对道路安全隐患较大。
1.2 危险驾驶的表现特征
当驾驶员处于危险驾驶状态上，会产生相应的状态变化，在客观上表现为注视方向不改变、眼睛处于半闭合状态、打哈欠、驾驶失控等现象。常常可以从以下两个方面加以辨别是否是危险驾驶：
（1）车辆行驶状态：当车辆发生异常时，常常伴随着车辆车速控制不均匀、方向盘转角幅度不一致、油门和刹车开闭合状态不稳定、车辆偏离原来的行车路线等现象。
（2）驾驶员生理状态：驾驶员刚开始处于危险驾驶状态时，只是从事驾驶操作的部分肌肉灵活性降低;如果继续下去，则会产生身体酸痛，从而导致操作动作迟缓;同时，也会引起面部表情、脉搏、心率及脑电波的改变，比如脑电波表现为低频率与大幅度、打哈欠、频繁眨眼、脸部肌肉僵硬等，从而引起驾驶动作不协调导致突发交通事故。
综上所述，在驾车过程中，如出现车辆行驶不规范、驾驶员的生理参数发生明显变化等现象，表明此时是危险驾驶状态，应停止继续行驶。
2 危险驾驶行为识别方法研究
2.1 国内外研究现状
彭金栓等[2]基于前后车辆跟车距离过小和非正常换道的危险驾驶行为，建立了神经网络-贝叶斯滤波器识别模型，选取了危险驾驶行为识别样本，并对识别效果进行综合评价。
WANG等[3]提出了一种基于实时脑电图的疲劳驾驶潜在危险识别方法。为了实时判断驾驶员的疲劳程度，采用滑动窗口小波熵和脉冲耦合神经网络（PCNN）对视觉区域（主要信息输入路径）的脑电信号进行处理，分析驾驶员疲劳的神经机制，利用脑功能网络跟踪疲劳对大脑处理能力的影响。
卢化昌[4]构建了一种基于手机数据传感器与城市计算框架为基础的危险驾驶行为识别预警系统，实现了危险驾驶行为预警功能的可行性和驾驶行为识别的准确性。
祁钰茜[5]利用车辆高精度定位技术，进行车道级定位条件下的危险驾驶行为识别研究，对常见的危险驾驶行为，例如逆行和非法换道等设计了一套识别算法，基于车辆定位技术开发了危险驾驶行为识别系统，能有效识别和分析危险驾驶行为，并建立了危险行车指标评估体系，期望规范行车安全，减少交通事故发生。
李娟[6]研究了危险驾驶行为识别和车辆跟踪算法。考虑将数据融合的理念应用于危险驾驶行为识别中，采集不同的参数，建立粗糙集数据融合模型，并设计危险驾驶预警系统，实现提前预警。
陈慈等[7]基于虚拟驾驶实验仿真平台，获取实验样本数据进行预处理，利用逐步回 归分析法对原始数据降维处理，提取特征参数，并利用改进BP_Adaboost多分类算法对危险驾驶行为进行识别。
刘伟尝试将深度学习理论运用到危险驾驶动作识别研究中，首先得到不同状态下的样本数据集，接着将驾驶员分为训练集和测试集，给出一种通过定位驾驶员局部信息来实现卷积神经网络识别危险驾驶行为的算法，另外针对采集数据图像中出现冗余信息的问题，又提出了一种减少冗余信息的优化方法。
薛清文等采集了不同车型的不同车辆轨迹数据，利用修正碰撞裕度对常见的两类驾驶行为进行风险性评估，将其划分为安全型和风险型，并确定了碰撞风险评价指标，提出轻量梯度提升机（LGBM）算法对危险驾驶行为进行识别，并与随机森林、支持向量机等算法在精度上进行比较。
杨维民等针对危险驾驶行为图像背景存在模糊问题，研究了一种结合图像分割和残差网络的危险驾驶行为识别方法，通过使用图像分割方法对图像中的驾驶员区域进行前景提取，消除背景模糊问题，进一步提高识别准确度。
2.2 研究现状评述
目前关于危险驾驶行为识别方法研究，根据选取特定的参数，主要是从生理特征、神经网络模型、识别及预警系统设计、深度学习算法、图像识别等方面展开。基于脑电信号、心电信号的生理特征识别方法对驾驶员正常操作有干扰性，不利于大规模推广;神经网络模型可有效识别危险驾驶行为，当建立多维度复杂的神经网络时，会造成样本数据训练时间过长，识别准确度会受到影响;预警系统对特定的危险驾驶行为如前方车辆急停可能识别精准度不高，还需进一步改进;深度学习算法识别效率较高，考虑的车辆参数较为广泛，在实际危险驾驶行为识别中运用较广。
3 结论
本文梳理和总结了近几年国内外研究学者对危险驾驶行为的识别方法的理论成果，对其中方法的有效进行了适当评述。
因此本文主要论述了以下两方面：
（1）查阅了危险驾驶行为相关文献，从客观角度了解了危险驾驶行为的表现特征，对识别并有效预警提供了主观判断依据。
（2）对于危险驾驶行为的识别方法，目前主要是生理特征、模型、算法等方面。随着智能网联技术的不断提升，利用交通大数据和机器学习等手段，研究更高识别精度的智能算法，考虑更全面的车辆特征参数是未来危险驾驶行为识别的发展趋势。
参考文献：
[1]金雪.基于驾驶行为的疲劳驾驶检测方法研究[D].北京工业大学，2015.
[2]彭金栓，詹盛，徐磊，等.基于神经网络和贝叶斯滤波器的危险驾驶行为识别[J].武汉理工大学学报，2013，35（11）：85-89.
[3]WANG H，ZHANG C，SHI T，et al.Real-time EEG-based detection of fatigue driving danger for accident prediction[J].International journal of neural systems，2015，25（2）：369-498.
[4]盧化昌.基于智能手机的危险驾驶行为预警系统设计与实现[D].武汉理工大学，2016.
[5]祁钰茜.基于车道级定位的危险驾驶行为识别研究[D].武汉理工大学，2016.
[6]李娟.基于数据融合的危险驾驶行为识别与车辆跟踪算法研究[D].武汉工程大学，2017.
[7]陈慈，张敬磊，王云，等.基于逐步回归分析和BP_Adaboost算法的危险驾驶行为辨识[J].数学的实践与认识，2019，49（14）：200-207.
关键词：公路运输;危险驾驶;识别方法;综述
0 引言
近年来，在交通强国战略号召下，使得交通需求快速增加，另一方面社会经济的高速发展使得机动车总量大幅度提高，道路交通安全问题也日益严峻，其中有很大一部分是因为驾驶人危险驾驶而引发的。
关于危险驾驶行为的识别方法受到国内外较多学者的重视，危险驾驶识别方法正在逐步发展完善，良好的识别系统正在普及，目前国内外有较多研究。目前，危险驾驶识别方法整体可以分为生理特征识别方法、模型、机器学习算法等，通过对驾驶员各种特征参数的不同，来有效识别并实现提前预警，提高道路交通行车安全。
1 危险驾驶行为理论基础
1.1 危险驾驶行为描述
生活中，常见的危险驾驶行为可以概括为驾驶员由于注意力不集中、犯困、急加速、急减速、逆行、非法超车和饮酒等导致其对车辆的操控能力和控制精度降低的状况。总体来讲，疲劳驾驶和酒后驾驶造成的交通事故较为严重，对道路安全隐患较大。
1.2 危险驾驶的表现特征
当驾驶员处于危险驾驶状态上，会产生相应的状态变化，在客观上表现为注视方向不改变、眼睛处于半闭合状态、打哈欠、驾驶失控等现象。常常可以从以下两个方面加以辨别是否是危险驾驶：
（1）车辆行驶状态：当车辆发生异常时，常常伴随着车辆车速控制不均匀、方向盘转角幅度不一致、油门和刹车开闭合状态不稳定、车辆偏离原来的行车路线等现象。
（2）驾驶员生理状态：驾驶员刚开始处于危险驾驶状态时，只是从事驾驶操作的部分肌肉灵活性降低;如果继续下去，则会产生身体酸痛，从而导致操作动作迟缓;同时，也会引起面部表情、脉搏、心率及脑电波的改变，比如脑电波表现为低频率与大幅度、打哈欠、频繁眨眼、脸部肌肉僵硬等，从而引起驾驶动作不协调导致突发交通事故。
综上所述，在驾车过程中，如出现车辆行驶不规范、驾驶员的生理参数发生明显变化等现象，表明此时是危险驾驶状态，应停止继续行驶。
2 危险驾驶行为识别方法研究
2.1 国内外研究现状
彭金栓等[2]基于前后车辆跟车距离过小和非正常换道的危险驾驶行为，建立了神经网络-贝叶斯滤波器识别模型，选取了危险驾驶行为识别样本，并对识别效果进行综合评价。
WANG等[3]提出了一种基于实时脑电图的疲劳驾驶潜在危险识别方法。为了实时判断驾驶员的疲劳程度，采用滑动窗口小波熵和脉冲耦合神经网络（PCNN）对视觉区域（主要信息输入路径）的脑电信号进行处理，分析驾驶员疲劳的神经机制，利用脑功能网络跟踪疲劳对大脑处理能力的影响。
卢化昌[4]构建了一种基于手机数据传感器与城市计算框架为基础的危险驾驶行为识别预警系统，实现了危险驾驶行为预警功能的可行性和驾驶行为识别的准确性。
祁钰茜[5]利用车辆高精度定位技术，进行车道级定位条件下的危险驾驶行为识别研究，对常见的危险驾驶行为，例如逆行和非法换道等设计了一套识别算法，基于车辆定位技术开发了危险驾驶行为识别系统，能有效识别和分析危险驾驶行为，并建立了危险行车指标评估体系，期望规范行车安全，减少交通事故发生。
李娟[6]研究了危险驾驶行为识别和车辆跟踪算法。考虑将数据融合的理念应用于危险驾驶行为识别中，采集不同的参数，建立粗糙集数据融合模型，并设计危险驾驶预警系统，实现提前预警。
陈慈等[7]基于虚拟驾驶实验仿真平台，获取实验样本数据进行预处理，利用逐步回 归分析法对原始数据降维处理，提取特征参数，并利用改进BP_Adaboost多分类算法对危险驾驶行为进行识别。
刘伟尝试将深度学习理论运用到危险驾驶动作识别研究中，首先得到不同状态下的样本数据集，接着将驾驶员分为训练集和测试集，给出一种通过定位驾驶员局部信息来实现卷积神经网络识别危险驾驶行为的算法，另外针对采集数据图像中出现冗余信息的问题，又提出了一种减少冗余信息的优化方法。
薛清文等采集了不同车型的不同车辆轨迹数据，利用修正碰撞裕度对常见的两类驾驶行为进行风险性评估，将其划分为安全型和风险型，并确定了碰撞风险评价指标，提出轻量梯度提升机（LGBM）算法对危险驾驶行为进行识别，并与随机森林、支持向量机等算法在精度上进行比较。
杨维民等针对危险驾驶行为图像背景存在模糊问题，研究了一种结合图像分割和残差网络的危险驾驶行为识别方法，通过使用图像分割方法对图像中的驾驶员区域进行前景提取，消除背景模糊问题，进一步提高识别准确度。
2.2 研究现状评述
目前关于危险驾驶行为识别方法研究，根据选取特定的参数，主要是从生理特征、神经网络模型、识别及预警系统设计、深度学习算法、图像识别等方面展开。基于脑电信号、心电信号的生理特征识别方法对驾驶员正常操作有干扰性，不利于大规模推广;神经网络模型可有效识别危险驾驶行为，当建立多维度复杂的神经网络时，会造成样本数据训练时间过长，识别准确度会受到影响;预警系统对特定的危险驾驶行为如前方车辆急停可能识别精准度不高，还需进一步改进;深度学习算法识别效率较高，考虑的车辆参数较为广泛，在实际危险驾驶行为识别中运用较广。
3 结论
本文梳理和总结了近几年国内外研究学者对危险驾驶行为的识别方法的理论成果，对其中方法的有效进行了适当评述。
因此本文主要论述了以下两方面：
（1）查阅了危险驾驶行为相关文献，从客观角度了解了危险驾驶行为的表现特征，对识别并有效预警提供了主观判断依据。
（2）对于危险驾驶行为的识别方法，目前主要是生理特征、模型、算法等方面。随着智能网联技术的不断提升，利用交通大数据和机器学习等手段，研究更高识别精度的智能算法，考虑更全面的车辆特征参数是未来危险驾驶行为识别的发展趋势。
参考文献：
[1]金雪.基于驾驶行为的疲劳驾驶检测方法研究[D].北京工业大学，2015.
[2]彭金栓，詹盛，徐磊，等.基于神经网络和贝叶斯滤波器的危险驾驶行为识别[J].武汉理工大学学报，2013，35（11）：85-89.
[3]WANG H，ZHANG C，SHI T，et al.Real-time EEG-based detection of fatigue driving danger for accident prediction[J].International journal of neural systems，2015，25（2）：369-498.
[4]盧化昌.基于智能手机的危险驾驶行为预警系统设计与实现[D].武汉理工大学，2016.
[5]祁钰茜.基于车道级定位的危险驾驶行为识别研究[D].武汉理工大学，2016.
[6]李娟.基于数据融合的危险驾驶行为识别与车辆跟踪算法研究[D].武汉工程大学，2017.
[7]陈慈，张敬磊，王云，等.基于逐步回归分析和BP_Adaboost算法的危险驾驶行为辨识[J].数学的实践与认识，2019，49（14）：200-207.