李全彬， 張福洋， 趙 煊

（江蘇師范大學(xué) 物理與電子工程學(xué)院，江蘇 徐州 221116）

駕駛員的非正常駕駛帶來了極大的安全隱患，甚至威脅到相關(guān)人員的人身安全。 防撞預(yù)警系統(tǒng)能夠在一定程度上減小因不良駕駛引起的事故發(fā)生率，從而達(dá)到減小交通事故損失的效果。 國(guó)內(nèi)外學(xué)者已經(jīng)對(duì)車輛預(yù)警模型做出大量的研究和嘗試[1-2]，并開始關(guān)注到駕駛員因素在防撞預(yù)警中的重要作用[3-5]，其中，基于人臉的年齡[6-8]和性別[9-10]識(shí)別技術(shù)已經(jīng)逐漸成熟，尤其是嵌入式應(yīng)用[11-12]的出現(xiàn)，為提升車輛防撞預(yù)警系統(tǒng)性能提供了新的研究思路。

文獻(xiàn)[13]利用改進(jìn)CNN（Convolutional Neural Networks）完成年齡和性別識(shí)別，但沒有嘗試與其他應(yīng)用結(jié)合；文獻(xiàn)[14]利用模糊邏輯分析機(jī)器人的避障問題，但沒有對(duì)操作者駕駛能力進(jìn)行分類；文獻(xiàn)[15]利用模糊集理論設(shè)計(jì)一種數(shù)據(jù)信息關(guān)聯(lián)模式識(shí)別算法，為模糊理論應(yīng)用到車輛預(yù)警系統(tǒng)提供了參考價(jià)值；文獻(xiàn)[16－17]采用魚群算法較為合理的實(shí)現(xiàn)了動(dòng)態(tài)環(huán)境下的路徑規(guī)劃，但均沒有考慮實(shí)際情況下操作者的駕駛能力。

筆者旨在通過面部識(shí)別技術(shù)，識(shí)別操作者年齡和性別。 進(jìn)而，根據(jù)操作者年齡和性別選擇合理的預(yù)警模式。針對(duì)現(xiàn)有研究存在的問題，文中采用DEX（Deep Expectation of apparent age from a single image）算法識(shí)別操作者年齡和性別，通過分析車輛與障礙物之間的距離和操作者反應(yīng)時(shí)間兩個(gè)參數(shù)，建立模糊函數(shù)模型[18]。然后，采用模糊邏輯分析不同年齡段和性別下操作者的反應(yīng)安全距離，較好地解決不同安全駕駛距離下的車輛預(yù)警問題。

1 系統(tǒng)設(shè)計(jì)

圖1 系統(tǒng)設(shè)計(jì)流程圖

如圖1 所示，首先，信息采集模塊利用CCD 獲取操作者面部信息[19]。其次，年齡、性別識(shí)別模塊利用DEX算法處理面部信息，判斷操作者年齡和性別。 再次，預(yù)警模式選擇模塊根據(jù)各年齡段駕駛安全距離數(shù)據(jù)建立函數(shù)模型，判斷操作者安全距離、選擇合適的預(yù)警閾值。 防撞預(yù)警模塊主要構(gòu)建動(dòng)態(tài)環(huán)境預(yù)警規(guī)則庫(kù)，判斷最優(yōu)預(yù)警環(huán)境。 最后，給出智能預(yù)警：假如車輛與障礙物間距離低于安全距離，系統(tǒng)將會(huì)發(fā)出警告；反之，操作者自主操作。

1.1 年齡與性別識(shí)別模塊

年齡、性別識(shí)別隸屬于人臉屬性識(shí)別，其目的是根據(jù)提取的面部信息判斷年齡和性別。 目前，已經(jīng)存在不少較為流行的算法，較為成熟的包括LBP 特征、Gabor 特征、HOG 算子。 其中，LBP 一般在人臉特征點(diǎn)附近區(qū)域?qū)Χ喑叨热四槇D像進(jìn)行LBP 特征提取，具有較高的識(shí)別率，但存在人臉特征維度較高、計(jì)算和儲(chǔ)存工作量大等問題[20]；HOG 算子能夠?qū)崿F(xiàn)融合局部特征和整體特征后進(jìn)行人臉識(shí)別，但是存在特征層融合后造成的單一分類器敏感的問題[21]；Gabor 特征又存在受到人臉角度變化、表情變化和光照變化等方面影響較大的問題[22]。 因此，文中采用具有較高精確度、受其他因素影響較小的DEX 算法完成年齡和性別識(shí)別。

DEX，即從單一圖像深入觀察年齡和性別。 其特點(diǎn)在于使用CNN 技術(shù)在圖像網(wǎng)絡(luò)上預(yù)先訓(xùn)練VGG-16構(gòu)架[23]。 進(jìn)而，將年齡和性別回歸問題[24]假設(shè)為深度分類問題，對(duì)其softmax 期望值細(xì)化，達(dá)到改進(jìn)傳統(tǒng)CNN技術(shù)、縮小預(yù)測(cè)值范圍的效果。人臉信息提取和處理的穩(wěn)定性也是DEX 的一大特點(diǎn)之一。為了保證面部信息提取的準(zhǔn)確性，文中將原圖旋轉(zhuǎn)到-60°～+60°之間，平均每5°記錄一次信息；對(duì)于一些面部信息不明確的圖像，調(diào)整其中人臉部位。

文中以此為基礎(chǔ)實(shí)現(xiàn)年齡和性別的評(píng)估，具體流程為：輸入圖像→人臉檢測(cè)→劃分人臉信息塊→特征提取→預(yù)測(cè)。

文中年齡和性別識(shí)別在樹莓派上借助Face++[25]平臺(tái)實(shí)現(xiàn)[26]。由于文中駕駛者年齡主要用于年齡分段，雖然分類誤差較文獻(xiàn)[27]稍大，但對(duì)年齡段劃分影響較小。 文獻(xiàn)[28]介紹了幾類駕駛者年齡和駕齡，文中以此為基礎(chǔ)劃分四個(gè)年齡段，見表1。

表1 年齡段分布

同理，文中將性別劃分為[0，1]兩個(gè)輸出層，可以求出一個(gè)性別softmax 值E（A）。

式中，a={0，1}代表兩個(gè)輸出層，aj∈a 代表 softmax 輸出概率，xj是每個(gè)類對(duì)應(yīng)的性別。 進(jìn)而，結(jié)合 CNN 進(jìn)一步評(píng)估操作者年齡和性別。

1.2 預(yù)警模式選擇模塊

建立一個(gè)完整的預(yù)警模式劃分體系，不僅需要充足的數(shù)據(jù)，還需要能夠歸納出合理的預(yù)警方式。 文中主要利用車輛和障礙物之間的動(dòng)態(tài)距離判斷操作者是否是安全的，即在安全距離內(nèi)。

為確保數(shù)據(jù)的質(zhì)量和代表性，以某市近5 年來交通事故數(shù)據(jù)為樣本數(shù)據(jù)，包括車速、操作者年齡和性別、路面數(shù)據(jù)等，共計(jì)800 M。但是考慮到這些數(shù)據(jù)過于冗長(zhǎng)，嚴(yán)重影響到計(jì)算結(jié)果的精確度和計(jì)算效率。文中主要利用主成分分析法（PCA）計(jì)算樣本累計(jì)貢獻(xiàn)率[29]，篩選出累計(jì)貢獻(xiàn)率大于85%的數(shù)據(jù)，最后將數(shù)據(jù)總量削減到100 M。

為了量化操作者年齡和性別對(duì)安全距離的影響，設(shè)置4 個(gè)一級(jí)指標(biāo)：操作者年齡、操作者性別、車速數(shù)據(jù)和其他因素（天氣、交通信號(hào)、路況等）。 利用專家評(píng)價(jià)法（Expert Scoring Methoud）[30]，計(jì)算出與4 個(gè)一級(jí)指標(biāo)對(duì)應(yīng)的權(quán)重WT=[0.3，0.3，0.3，0.1]。 假設(shè)dj為數(shù)據(jù)歸一化處理以后因素j 的樣本數(shù)據(jù)，得到樣本安全距離X。

進(jìn)而，計(jì)算出各年齡段對(duì)應(yīng)的安全距離，其具體結(jié)果見表2。

表2 各年齡段安全距離

考慮到駕駛員一般反應(yīng)時(shí)間為0.4～0.6 s 之間，表2 的安全距離中已經(jīng)將反應(yīng)時(shí)間計(jì)算在內(nèi)。 表2 中具體提供了各年齡段的普遍安全距離，接下來具體分析該年齡段不同性別人群的安全距離。 利用k-means 算法[31]，結(jié)合樣本性別信息進(jìn)行聚類分析，最終可以劃分為六種操作者類型：男青年謹(jǐn)慎型、女青年謹(jǐn)慎型、男中年普通型、男老年謹(jǐn)慎型、男其他型和女其他型。其對(duì)應(yīng)安全距離見表3，每一種駕駛類型的安全距離基本上都在該年齡段安全距離范圍之間，但是女性中年和老年齡段安全距離十分接近，統(tǒng)一歸納為“女其他型”。

表3 六種操作者類型

文中借鑒數(shù)據(jù)歸一化處理方式，求取所得安全距離Vpjci與已有文獻(xiàn)[32]數(shù)據(jù)Vqkci之間的樣本距離dpjqk。 對(duì)于信息系統(tǒng)L=（M，A），條件隸屬集定義為C={c1，c2，…，cn}，規(guī)定所求安全距離中指標(biāo)p 的第j 個(gè)樣本與已有文獻(xiàn)中指標(biāo)q 的第k 個(gè)樣本之間的距離為[33]

再將dpjqk與準(zhǔn)確數(shù)據(jù)比較，可以求出誤差pi在10%左右；針對(duì)存在的誤差，樣本安全距離優(yōu)先選擇較大的安全距離，確保距離足夠安全。

文中以此為基礎(chǔ)劃分預(yù)警模式。 如圖2 所示，針對(duì)六種操作者類型，將預(yù)警模式劃分為六種級(jí)別： I、II、III、IV、V、VI。

圖2 安全距離級(jí)別劃分

I 代表操作者駕駛能力強(qiáng)，能夠在較短的距離內(nèi)做出正確的反應(yīng)；II 代表操作者反應(yīng)速度較快，安全距離較短；III 代表操作者駕駛能力盡管有一定下降，但是反應(yīng)安全距離仍然在可以接受的范圍內(nèi)；IV 代表操作者所需安全距離相對(duì)較長(zhǎng)，需要謹(jǐn)慎駕駛；V 代表操作者所需安全距離進(jìn)一步加長(zhǎng)；VI 代表操作者所需安全距離長(zhǎng)，需要認(rèn)真觀察路況。

1.3 防撞預(yù)警模塊

預(yù)警防撞原理如圖3 所示。 首先，識(shí)別操作者類型，判斷操作者最小安全距離。然后，計(jì)算車輛和障礙物之間的距離。最后，判斷車輛和障礙物間距離大小x，當(dāng)該值低于一定閾值時(shí)（小于最小安全距離），智能車輛發(fā)出警告。

圖3 預(yù)警流程

鑒于路面一直處于復(fù)雜的動(dòng)態(tài)環(huán)境，車輛和障礙物之間的動(dòng)態(tài)距離分為三種情況計(jì)算：

（1）障礙物靜止

（2）障礙物相對(duì)于智能小車減速行駛

（3）障礙物相對(duì)于智能小車勻速或加速行駛

上式中，v 表示智能小車的初速度，v′表示障礙物相對(duì)于智能小車的速度，amax表示智能小車開始制動(dòng)與地面產(chǎn)生的減速度，d 代表智能小車和障礙物性對(duì)靜止時(shí)的安全距離[34]。

盡管將操作者分為六種級(jí)別，但是有很多操作者的安全距離在不同級(jí)別之間，安全距離是不確定的，即模糊的。因此，文中利用模糊函數(shù)計(jì)算操作者安全距離，將六種預(yù)警模式的安全距離分別定義為SL（很近）、L（近）、M（中等距離）、H（遠(yuǎn)）、S（很遠(yuǎn)）、SS（非常遠(yuǎn)）。

該系統(tǒng)由三個(gè)模糊輸入和一個(gè)模糊輸出組成。 操作者類型有四個(gè)隸屬函數(shù)。 見表4。

表4 模糊輸入和模糊輸出變量

隸屬函數(shù)中模糊變量的真值區(qū)間為[0，1]，模糊變量值越靠近1，隸屬函數(shù)值越接近相鄰閾值。 隸屬函數(shù)的寬度和中心能夠根據(jù)不同的車速做出相應(yīng)改變，同時(shí)也受到道路狀況的影響。 例如，當(dāng)?shù)缆非胺匠霈F(xiàn)交通事故時(shí)，“H”集中的數(shù)量就會(huì)增加。在該模糊函數(shù)中，模糊集合之間不存在跳躍性。模糊集合之間交替過程中會(huì)出現(xiàn)集合重合，若不存在重合，則證明該系統(tǒng)屬于二階控制。 反之，則過于模糊。

為確保不出現(xiàn)因操作者反應(yīng)時(shí)間不足產(chǎn)生的隱患，對(duì)于不同操作者類型輸入不同的安全距離X，系統(tǒng)將在設(shè)計(jì)時(shí)間內(nèi)做出判斷。

2 實(shí)驗(yàn)過程

2.1 實(shí)驗(yàn)設(shè)計(jì)

為確保該設(shè)計(jì)可行性，以智能小車為例，實(shí)地測(cè)試。 該實(shí)驗(yàn)主要通過智能小車在行駛軌道上預(yù)警的準(zhǔn)確性和避障精準(zhǔn)性判斷系統(tǒng)的可行性。 采用柵格法[35]將行駛路徑劃分若干柵格，圖4 為簡(jiǎn)化后的路徑，其中深色代表障礙物，智能小車從初始點(diǎn)A 行駛到終點(diǎn)B。

該實(shí)驗(yàn)所需的傳感器主要包括激光測(cè)距傳感器和CCD。 激光測(cè)距傳感器利用光學(xué)三角法判斷障礙物距離和運(yùn)動(dòng)狀況。 CCD 用于輸入操作者面部信息，判斷操作者年齡和性別，并借鑒文獻(xiàn)[36]算法優(yōu)化障礙物定位準(zhǔn)確度。

如圖5 所示，通過智能小車進(jìn)行實(shí)地避障和尋跡實(shí)驗(yàn)。 相對(duì)于車輛而言智能小車更加靈活、容易避開障礙物，因此，將實(shí)驗(yàn)中所求安全距離縮小至10 倍，并計(jì)算該情況下的避障成功率。 假如在該精度情況下可以發(fā)出準(zhǔn)確警報(bào)和安全避障，在實(shí)際車輛中避障精度將更高。

圖4 軌道障礙物分布

圖5 實(shí)地測(cè)試示意圖

2.2 實(shí)驗(yàn)過程及結(jié)果

實(shí)驗(yàn)主要分為三個(gè)步驟：

（1）年齡和性別識(shí)別功能測(cè)試。 分別將MORPH 數(shù)據(jù)集[37]的100 張圖像和項(xiàng)目組自行采集的200 張含人臉圖像輸入年齡和性別識(shí)別模塊，識(shí)別結(jié)果見表5。

表5 年齡和性別識(shí)別率

因?yàn)橄到y(tǒng)中年齡預(yù)測(cè)比性別預(yù)測(cè)更加復(fù)雜，所以主要通過年齡預(yù)測(cè)值的穩(wěn)定性驗(yàn)證系統(tǒng)識(shí)別年齡和性別信息的可靠程度。 其中，樣本年齡預(yù)測(cè)值近似求取整數(shù)，將年齡預(yù)測(cè)值與樣本真實(shí)值對(duì)比，可以得到表6數(shù)據(jù)。表中顯示年齡段判斷誤差較小，基本上可以判斷出駕駛者所處年齡段。年齡識(shí)別誤差基本上可以控制在10%以內(nèi)，并且誤差值沒有橫跨多個(gè)年齡段。 盡管識(shí)別時(shí)間與操作者呈現(xiàn)正相關(guān)趨勢(shì)，即隨年齡的增長(zhǎng)而增加。但是識(shí)別時(shí)間基本上維持在系統(tǒng)反應(yīng)時(shí)間的0.30%以內(nèi)，相對(duì)于系統(tǒng)反應(yīng)時(shí)間而言人臉識(shí)別反應(yīng)時(shí)間較小，對(duì)系統(tǒng)的影響較低，系統(tǒng)反應(yīng)時(shí)間不用延長(zhǎng)。

表6 年齡段測(cè)試數(shù)據(jù)

文獻(xiàn)[18]中測(cè)試了10 組數(shù)據(jù)，其誤差值見表7。盡管文中系統(tǒng)求出年齡存在一定誤差，精度與文獻(xiàn)[18]也有一定距離，但是能夠滿足判斷樣本年齡段的需要。 該模塊年齡段判斷精度較高，能夠減小最小安全距離判斷錯(cuò)誤的概率。

表7 文獻(xiàn)測(cè)試誤差

（2）預(yù)警模式判斷功能。在實(shí)驗(yàn)（1）的基礎(chǔ)上，判斷樣本隸屬預(yù)警模式集，進(jìn)而計(jì)算出樣本所需安全距離。記錄智能小車發(fā)出預(yù)警時(shí)與障礙物之間的距離，得到數(shù)據(jù)見表8。根據(jù)樣本年齡和性別判斷出樣本隸屬操作者類型，觀察預(yù)測(cè)值是否符合該操作者類型的安全距離要求。

表8 測(cè)試數(shù)據(jù)

實(shí)驗(yàn)表明，預(yù)測(cè)值和實(shí)際所需安全距離誤差不超過5%，預(yù)警模式劃分較為準(zhǔn)確。 同時(shí)發(fā)現(xiàn)系統(tǒng)反應(yīng)時(shí)間占避障前預(yù)留時(shí)間的比例較小，不超過0.30%，系統(tǒng)的反應(yīng)時(shí)間并不影響系統(tǒng)的精度。

（3）預(yù)警功能測(cè)試。 在小車行駛軌道中設(shè)置20 個(gè)采樣點(diǎn)，啟動(dòng)初始點(diǎn)處智能小車，統(tǒng)計(jì)采樣點(diǎn)處的預(yù)警誤差情況。以男青年謹(jǐn)慎型為例，測(cè)試結(jié)果如圖6 所示。通過計(jì)算測(cè)試數(shù)據(jù)與理論數(shù)據(jù)之間的誤差，發(fā)現(xiàn)預(yù)警誤差不超過2.5%、系統(tǒng)反應(yīng)速度不超過0.30%，預(yù)警功能較為準(zhǔn)確。 實(shí)驗(yàn)結(jié)果表明，在該系統(tǒng)的處理下，智能小車可以實(shí)現(xiàn)識(shí)別操作者年齡和性別，判斷操作者類型，并能夠及時(shí)發(fā)出警告。

圖6 男青年謹(jǐn)慎型測(cè)試數(shù)據(jù)

3 結(jié)語(yǔ)

預(yù)警模式的設(shè)計(jì)以安全駕駛距離的設(shè)定為關(guān)鍵，這不僅要求系統(tǒng)準(zhǔn)確識(shí)別車速與路面狀況，還要求在此基礎(chǔ)上考慮駕駛者的年齡和性別因素，理清其對(duì)于動(dòng)態(tài)環(huán)境的反應(yīng)能力。 文中根據(jù)反應(yīng)能力差異，將駕駛者劃分為六種類型，然后預(yù)估不同類型操作者的安全預(yù)警距離。 實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)能夠較好地劃分駕駛者年齡段和性別，并且能針對(duì)復(fù)雜動(dòng)態(tài)環(huán)境發(fā)出相對(duì)準(zhǔn)確的預(yù)警。 通過進(jìn)一步改進(jìn)模糊算法，以及與魚群算法的結(jié)合，可以為研究復(fù)雜動(dòng)態(tài)環(huán)境下的路徑規(guī)劃問題帶來一定的啟示。