城市軌道交通列車司機駕駛狀態(tài)監(jiān)測研究

王亮軍 陳燕飛 靳育權(quán)

（南京交通職業(yè)技術(shù)學(xué)院，江蘇 南京 211188）

截至2019年10月，中國內(nèi)地共39 個城市開通地鐵，運營總里程達5 800 km 以上，2018年客運量213 億人次，在開通城市數(shù)量、軌道交通運營里程、運營客運量等方面均居世界第一。城市軌道交通的快速發(fā)展，極大地方便了人民日常生活，促進了經(jīng)濟發(fā)展，同時也對列車的運營安全提出了更高的要求。目前，提高列車安全性的主要措施包括使用高度自動化的列車運行控制系統(tǒng)控制列車運行、研發(fā)智能化的監(jiān)測裝備監(jiān)督列車運行狀態(tài)，但對列車司機的駕駛風(fēng)險幾乎沒有監(jiān)督防護措施。城市軌道交通列車一般采用單司機駕駛，如果在駕駛列車過程中發(fā)生司機注意力下降、打瞌睡等狀況時，容易造成安全事故。因此，對列車司機駕駛狀態(tài)進行實時監(jiān)測和管理，已成為保障列車運行安全的必要手段。

1 司機駕駛狀態(tài)監(jiān)測技術(shù)

1.1 基于運行狀態(tài)的監(jiān)測技術(shù)

該技術(shù)是根據(jù)車體運行狀態(tài)，間接監(jiān)測司機駕駛狀態(tài)的方法，通過安裝在車上的各種傳感器監(jiān)測車體運行時的相關(guān)狀態(tài)指標(biāo)，例如從加速度、檔位、運行車道、方向盤轉(zhuǎn)向角等狀態(tài)的更新來推斷司機的狀態(tài)。由于列車運行在特定的軌道上，所以該方式不適合對城市軌道交通列車司機的駕駛狀態(tài)進行監(jiān)測[1]。

1.2 基于列車司機行為變化的監(jiān)測技術(shù)

該技術(shù)通過分析機車司機關(guān)鍵行為的變化，例如眼睛狀態(tài)，面部位置移動等，來推斷司機的狀態(tài)。該方法的實現(xiàn)主要依賴圖像識別技術(shù)[2]。隨著機器視覺技術(shù)和計算機技術(shù)的日趨成熟，使追蹤、捕獲和分析眼瞼運動、臉部表情和頭部姿勢成為可能。

1.3 面向列車司機生理信號的監(jiān)測技術(shù)

該技術(shù)主要依據(jù)生理指標(biāo)來分析司機的狀態(tài)，包括獲取司機的腦電信號、心電信號等[3]。該方法可靠性更高，但一般通過接觸式傳感器采集生理信號，適應(yīng)性受限。

目前，對司機駕駛狀態(tài)監(jiān)測的研究及應(yīng)用，主要集中在汽車和高鐵行業(yè)，對城市軌道交通行業(yè)的研究較少。已有的監(jiān)測方法由于手段單一，準(zhǔn)確率不高，不適用于城市軌道交通列車司機駕駛狀態(tài)的監(jiān)測。

2 城市軌道交通列車司機駕駛狀態(tài)監(jiān)測指標(biāo)選擇

影響城市軌道交通列車運營安全的因素有3 個，即人、機和環(huán)境?！皺C”因素主要指設(shè)備，當(dāng)前運營線路的列車都采用高安全性的自動駕駛系統(tǒng)。“環(huán)境”因素指列車運行的軌道狀態(tài)、限界等，部分環(huán)境因素，例如列車運行前方線路是否有異物侵入限界等，須由司機確保安全性，因此需要監(jiān)測司機的注意力程度?！叭恕钡囊蛩刂饕ㄋ緳C的違規(guī)操作和操縱失誤，其主要誘因是司機身體不適、疲勞駕駛和工作壓力。

城市軌道交通系統(tǒng)站間距離小，需要頻繁停車，司機帶來的安全風(fēng)險主要存在于列車運行過程中，因此要對列車運行過程中司機的規(guī)范操作手勢、注意力集中程度和身體狀態(tài)進行實時監(jiān)測，當(dāng)有異常情況時方便行車調(diào)度員及時進行處理[4]。

2.1 城市軌道交通列車司機駕駛狀態(tài)監(jiān)測技術(shù)

2.1.1 基于視覺分析的司機注意力集中度監(jiān)測

該方法屬于非接觸式監(jiān)測方法，安裝方便，適應(yīng)性強。通過追蹤分析眼睛狀態(tài)判斷司機的注意力集中程度。城市軌道交通系統(tǒng)的列車運行線路有高架、地面和隧道，在不同線路條件下列車司機的面部光線會有明顯差異。因此，選用近紅外攝像頭來采集司機的面部圖像，以確保在不同光照條件下都能得到高質(zhì)量的臉部圖像。圖1 是基于視覺分析的列車司機狀態(tài)監(jiān)測軟件算法流程圖。

主要算法由3 個部分組成，即臉部定位與追蹤模塊、臉部特征定位模塊以及注意力集中度識別模塊。首先，使用Adaboost 算法確定司機的臉部，在臉部范圍內(nèi)進一步確定眼睛的位置。使用二值化方法確定眼睛的位置，在該過程中使用極大極小值進行濾波，再進行閉運算并濾掉面積過小的區(qū)域，在圖像上方2／3 區(qū)域內(nèi)搜索連續(xù)模塊作為眼睛的可能位置，再將其送到SVM 分類器模塊中進行確認，即可確定眼睛的位置。然后使用基于粒子濾波器的算法追蹤眼睛的移動，并基于Camshift 算法再次確認眼睛的跟蹤位置。使用灰度直方圖和局部標(biāo)準(zhǔn)差直方圖作為司機眼睛跟蹤的2 個特征，建立觀測概率模型，追蹤司機的眼睛，接著使用Camshift 算法二次確認司機眼睛的位置，提高魯棒性。最后，識別司機眼睛的睜閉狀態(tài)，并結(jié)合連續(xù)幀中的司機眼睛狀態(tài)來判斷司機的注意力集中程度[5]。定義R為相關(guān)值，使用R值可判別司機眼睛的睜閉情況。

式中：（x，y）為圖像坐標(biāo)中任意一點，T（x，y）是睜眼模板；是模板灰度的平均值；I（x，y）是采集到的眼睛圖像，是眼睛圖像灰度平均值。

圖1 基于視覺分析的列車司機狀態(tài)監(jiān)測算法流程圖

2.1.2 基于三軸加速度傳感器的司機規(guī)范手勢監(jiān)測

司機在作業(yè)過程中，例如通過道岔、確認信號狀態(tài)時，為保證安全需要進行規(guī)范化的手勢操作，為檢測司機的規(guī)范操作行為，使用基于加速度傳感器的操作手勢識別方式，加速度傳感器嵌入可穿戴的智能手環(huán)中，通過手環(huán)的采集數(shù)據(jù)分析司機的規(guī)范化操作手勢。該方案可選用MMA7260 模塊采集司機手腕的加速度信號，然后對采集信號進行預(yù)處理，根據(jù)手勢軌跡數(shù)據(jù)完成自動檢測、選擇低通數(shù)字濾波器濾除噪聲、通過二次采樣解決不同動作速度采集數(shù)據(jù)量不一樣的問題，經(jīng)過3 個步驟后提取手勢動作的特征參數(shù)，最后使用離散隱馬爾可夫模型進行手勢動作識別[6]。

2.1.3 基于智能手環(huán)的司機體征監(jiān)測

智能手環(huán)作為一種新興的可穿戴智能設(shè)備，已廣泛用于運動、睡眠、身體指標(biāo)等數(shù)據(jù)的采集與記錄中，醫(yī)用健康手環(huán)可以測量脈搏、心率、皮膚溫度、血壓等重要體征參數(shù)。所以可以使用醫(yī)用健康手環(huán)采集司機的心率和血壓信息，進而實時監(jiān)測司機身體的關(guān)鍵指標(biāo)。具體包括3 個步驟。1） 使用手環(huán)監(jiān)測每位司機的心率和血壓信息。2） 根據(jù)每位司機的歷史體征數(shù)據(jù)確定司機的關(guān)鍵指標(biāo)的上下門限值。3） 判斷司機狀態(tài)的關(guān)鍵指標(biāo)是否超出閾值范圍以及持續(xù)時間，判斷司機的身體狀態(tài)。

3 數(shù)據(jù)融合

城市軌道交通列車司機的駕駛狀態(tài)通過多種方式進行監(jiān)測，每種監(jiān)測方式從不同的角度識別司機的駕駛狀態(tài)，對于多種不同的監(jiān)測信息要通過加權(quán)的方式進行綜合分析處理，最后得到司機的綜合狀態(tài)。司機的綜合狀態(tài)判定值G可以通過以下矩陣融合公式得出：

式中：X1為基于視覺分析的司機注意力集中度等級，X2為基于三軸加速度傳感器的司機規(guī)范操作監(jiān)測等級，X3為基于智能手環(huán)的司機體征監(jiān)測等級，y1為X1對應(yīng)指標(biāo)的權(quán)重值，y2為X2對應(yīng)指標(biāo)的權(quán)重值，y3為X3對應(yīng)指標(biāo)的權(quán)重值，其根據(jù)每項監(jiān)測指標(biāo)對列車安全性影響的大小取值，T為矩陣運算符號，表示轉(zhuǎn)置矩陣。

參照鐵路安全防護設(shè)計規(guī)范中的相關(guān)標(biāo)準(zhǔn)，當(dāng)時間T不等于站停時間T站停時，根據(jù)司機在列車運行過程中的閉眼時間T，將司機的注意力集中程度劃分為3 個等級，可以表示為：

結(jié)合列車運行線路，從列車的定位系統(tǒng)中獲取實時位置信息，查找需要確認的手勢，監(jiān)測司機在每個位置點的手勢動作，判斷司機的操作是否規(guī)范，對司機未規(guī)范操作的次數(shù)進行累計計算。根據(jù)司機未規(guī)范操作的次數(shù)S，將其分為3個等級，可表示為：

當(dāng)智能手環(huán)監(jiān)測到的心率或血壓超過閾值時，記錄超過閾值的持續(xù)時間。根據(jù)超過閾值的持續(xù)時間T將司機狀態(tài)劃分為3 個等級，表示為：

4 城市軌道交通司機駕駛狀態(tài)監(jiān)測算法檢驗分析

選用硬件配置為i5 處理器、內(nèi)存4G 以上的計算機，使用C 語言在Visual Studio 2010 環(huán)境下完成軟件編寫。為檢驗基于數(shù)據(jù)融合的司機駕駛狀態(tài)監(jiān)測方法的準(zhǔn)確性和性能，選擇具有高架、地面和隧道場景的線路，使用列車模擬駕駛環(huán)境，駕駛列車4 h，設(shè)置駕駛狀態(tài)異常場景類型，見表1，各種故障場景按照地面線路、高架線路和隧道線路均衡分布，并隨機插入模擬駕駛的過程中，確保在各種線路環(huán)境中均有以下各類異常情況出現(xiàn)。

從仿真監(jiān)測結(jié)果表2 中可以看出，仿真過程總注入24個異常點，在模擬列車駕駛的過程中，系統(tǒng)共計監(jiān)測到22個司機駕駛狀態(tài)異常的報警信息，監(jiān)測準(zhǔn)確率達91.6%以上，漏報率較低，系統(tǒng)能在不同的環(huán)境下對列車司機的駕駛狀態(tài)監(jiān)督。

表1 模擬駕駛過程中駕駛狀態(tài)異常類型及等級

表2 仿真監(jiān)測結(jié)果

5 結(jié)語

該文設(shè)計的列車司機駕駛狀態(tài)監(jiān)測技術(shù)能夠?qū)崿F(xiàn)司機注意力集中程度、規(guī)范操作行為和關(guān)鍵體征指標(biāo)的實時監(jiān)測，并可通過車地通信系統(tǒng)實時傳遞到集中控制中心進行管理、分析、存儲和報警，滿足集中控制的需要，可以降低人為因素給列車帶來的安全風(fēng)險。該方法引入視覺識別技術(shù)和智能手環(huán)，其靈活性和適用性更強，能夠在不改變現(xiàn)有列車司機工作方式的基礎(chǔ)上完成監(jiān)測。