基于卡口行车轨迹的疲劳驾驶车辆分析算法研究

2022-07-08 22:54

北京

原创《道路交通管理》道路交通管理杂志社

导读

疲劳驾驶是一项严重交通违法行为，公安交管部门通常从超时驾驶上防范疲劳驾驶行为发生。鉴于全国主干公路已建有大量的道路卡口监控设备，联网形成的交通集成指挥平台已积累了海量的机动车轨迹数据，故本文提出一种基于卡口行车轨迹的疲劳驾驶车辆分析算法，并通过实例验证了该算法的鲁棒性，对及时消除疲劳驾驶风险隐患具有借鉴意义。

图/杨霖

疲劳驾驶是引发重大道路交通事故的重要原因之一，如何有效监测机动车驾驶人的疲劳状态一直备受各界关注，强化疲劳驾驶车辆查处是全社会的共识。当前，疲劳驾驶相关研究主要集中在机动车驾驶人生理特征参数监测、驾驶人行为及面部特征监测、车辆行为特征监测等方面。研究成果大多依赖额外的车载装置进行数据采集，所应用的算法及分析方法对车载相关数据、图像等信息都有较高的质量需求；但在实际场景中，对在途行驶车辆尤其是私家车的信息获取不仅难度大，而且也不利于公安交通管理部门的集成应用。

因此，为主动发现疲劳驾驶车辆，本文依据《中华人民共和国道路交通安全法实施条例》第六十二条第七款规定：“驾驶机动车不得有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分钟的行为”，提出基于道路卡口监控设备记录行车轨迹的疲劳驾驶车辆分析算法，通过出行划分、停留点及停留时长判定、驾驶人人脸检测和经常疲劳驾驶线路提取，可以有效判别车辆疲劳驾驶违法行为，并对即将发生疲劳驾驶的车辆进行事前干预，从而减少因疲劳驾驶而发生的交通事故。

总体思路

道路卡口监控设备是布设在公路、城市道路沿线的车辆智能监测记录设备，能够全天候不间断实时记录监控区域内经过的车辆，采集信息包括过车序号、号牌种类、号牌号码、过车时间、卡口编号等。自2010年以来，全国主干公路上已建有道路卡口监控设备，已联网形成交通集成指挥平台，积累了海量的机动车轨迹数据，具备疲劳驾驶车辆的研判条件。为此，基于卡口行车轨迹的疲劳驾驶车辆分析算法的总体框架见图1所示。

其中，一是从全国机动车行驶轨迹库中抽取目标车辆的历史通行轨迹记录，计算相邻轨迹间的通行参数，并按出行划分规则将通行轨迹记录划分为若干出行子集；二是依次提取车辆单次出行子集，设定速度或旅行时间阈值，判定每次出行中的停留点与停留时长；三是计算车辆单次出行的连续驾驶时长，若连续驾驶时长超过4小时，同时提取过车图片并进行驾驶人人脸识别，根据驾驶人数据最终判别车辆是否存在疲劳驾驶嫌疑；四是抽取所有存在疲劳驾驶嫌疑的出行子集，提取经常疲劳驾驶线路集合以及疲劳驾驶违法行为的高发点位，制定疲劳驾驶干预规则，实施对嫌疑疲劳驾驶车辆的警示提醒。

图1 总体框架

算法实现

（一）出行划分

出行是车辆活动的基本单位，将车辆通行轨迹记录打断并形成若干个包含起点轨迹、途经轨迹、终点轨迹的车辆单次出行集合。具体出行划分方法如下：

步骤1

目标车辆通行轨迹提取。根据号牌种类、号牌号码从全国轨迹库中抽取目标车辆历史通行轨迹集合，并按过车时间顺序排序。若目标车辆抽取轨迹数小于2条或首末轨迹时间间隔小于4小时，结束分析；否则转至步骤2。

步骤2

地理位置匹配。通过卡口编号关联通行轨迹与全国卡口基本信息表，为通行轨迹中的卡口匹配经纬度、道路代码和道路类型。

步骤3

通行参数计算。从第2条通行轨迹记录开始依次统计当前通行轨迹与上一条通行轨迹之间的直线距离、时间间隔Ti与平均速度Vi。

直线距离Di的计算公式为：

（1）

其中，R为地球平均半径，取6371.004千米； (MLoni，MLati)和(MLoni-1,MLati-1)分别为当前通行轨迹与上一条通行轨迹的卡口经纬度；n为抽取通行轨迹数；Di单位为千米。

时间间隔Ti的计算公式为：

（2）

其中，ti为当前通行轨迹的过车时间；ti-1为上一条通行轨迹的过车时间；n为抽取通行轨迹数；Ti单位为分钟。

平均速度Vi的计算公式为：

（3）

由于上述公式采用的距离为直线距离，故Vi计算值会小于实际的平均速度。

步骤4

异常数据处理。通行轨迹数据中存在大量异常数据，若Vi超出最大车速阈值（根据实际情况取值，本文取120km/h），则认为该条记录为脏数据并剔除，同时更新下一条记录的Di、Ti与Vi。

步骤5

出行划分。根据通行参数设置出行划分条件，本文设置条件为Ti≥480或Ti≥360&Di≤60& Vi≤10。若满足上述条件，则认为当条记录与上条记录不属于同一次出行，进行轨迹打断，重复直至所有轨迹划分结束。

（二）停留点及停留时长判定

车辆一次出行中可能在多个地点短暂停留，如何准确估算车辆停留时长是疲劳驾驶识别的关键。具体停留点及停留时长判定方法如下：

步骤1

获取相邻卡口间合理的速度阈值。首先根据全国车辆历史通行轨迹记录，提取所有相邻卡口匹配对，然后依次统计不同类型车辆通过相邻卡口的旅行时间分布，最后结合卡口间直线距离计算平均车速，将平均车速的95%分位数作为该卡口匹配对的速度阈值Vm。

步骤2

计算停留时长。提取车辆一次出行的全部通行轨迹记录，从第二条记录开始，依次计算当前记录与上一条记录之间的最大可能停留时长Xi。若Xi大于10，则认为车辆在当前记录与上一条记录之间发生了停留。

停留时长Xi的计算公式为：

（4）

其中，n为抽取通行轨迹数；Xi单位为分钟。

（三）驾驶人提取

在疲劳驾驶行为研判过程中，需要剔除车辆配备多个驾驶人的情况，具体判断规则如下：

步骤1

计算目标车辆连续驾驶时长。依次判断第i条轨迹(2≤i≤n)对应的Xi是否满足休息20分钟的条件，若Xi≥20，则第i条轨迹的连续行驶时间Li=0；若i=2且Xi<20，则Li=Ti；若i>2且Xi<20，则Li=Li-1+Ti，重复上述步骤直至最后一条轨迹。若max(Li)≤240，结束分析；反之转入步骤2。

步骤2

驾驶人人脸识别。从Li=0开始选取连续驾驶且max(Li)>240的出行段，拉取过车图片进行驾驶人人脸识别。首先基于图像识别方法，定位车辆区域并从中获取人脸区域、人像特征和人脸区域坐标信息，其次通过支持向量机的方式判断人脸区域坐标信息是否位于主驾驶区域，最后对驾驶人人脸特征数据进行保存。

步骤3

判别车辆是否存在疲劳驾驶嫌疑。对驾驶人人脸特征数据进行聚类，计算当次出行涉及驾驶人数，若驾驶人数为1，则车辆在当次出行中未替换驾驶人，存在疲劳驾驶嫌疑，反之则无嫌疑。

（四）经常疲劳驾驶线路提取

针对疲劳驾驶行为在时空上往往存在模式规律，本文应用PrefixSpan算法对疲劳驾驶行车轨迹进行序列模式挖掘，具体流程如下：

步骤1

提取卡口序列。提取目标车辆所有存在疲劳驾驶嫌疑的出行子集，从Li=0开始截取连续驾驶且max(Li)>240的出行段，生成疲劳驾驶线路卡口序列集合k1；截取Li>240的出行段，生成疲劳驾驶违法卡口集合k2。

步骤2

挖掘频繁模式。使用PrefixSpan算法对序列集合k1进行频繁模式挖掘，设置频繁模式最小长度和最小支持度，得到经常疲劳驾驶线路集合。

步骤3

统计违法高发点位。统计经常疲劳驾驶线路中各卡口在k2中出现的频次，设置频次阈值m，若出现频次大于m，则认为该卡口为疲劳驾驶违法高发点位。

步骤4

制定干预规则。重复步骤1至步骤3，得到所有车辆的经常疲劳驾驶线路集合与疲劳驾驶违法高发点位，当检测到车辆驶入经常疲劳驾驶线路且即将到达疲劳驾驶高发点位时，立即对车辆进行疲劳驾驶干预。

实例验证

本文利用交通集成指挥平台的道路卡口行车轨迹数据，对某重型货车在2021年10月至12月期间的2109条行车轨迹进行疲劳驾驶分析研判，行车轨迹视图如图2所示，该车经常跨省长距离行驶，轨迹涉及湖北、江西、重庆、浙江、四川、湖南、安徽等7省。

图2 某重型货车通行轨迹图

根据公式（1）至公式（3）计算相邻两条通行轨迹之间的直线距离Di、时间间隔Ti与平均速度Vi，并按Ti≥480或Ti≥360&Di≤60&Vi≤10的规则进行出行划分。以表1为例，T3≥480，故第3条轨迹开始为新的一次出行。最终轨迹集被划分为47次出行。

表1 通行参数计算示例

根据12月第一周全国重型货车通行轨迹记录，提取相邻道路卡口匹配对，依次统计车辆通过相邻道路卡口的旅行时间分布。以K3-K4卡口对为例，选取平均车速的95%分位数作为该道路卡口匹配对的速度阈值，即95.5km/h。根据公式（4）计算K3-K4间最大可能停留时长X4=2.6，小于10分钟，故认为该车在K3-K4间未停留。

依次统计每次出行的最大连续驾驶时长，可知该车最大连续驾驶时长范围，其中连续驾驶时长超过240分钟的出行有22次，拉取对应出行段过车图片进行驾驶人人脸识别，最终判别该车有19次出行涉嫌疲劳驾驶违法行为。

截取疲劳驾驶线路卡口序列集合k1和疲劳驾驶违法卡口集合k2，使用PrefixSpan算法对序列集合进行频繁模式挖掘，设置频繁模式最小长度为10，最小支持度为0.3，得到经常疲劳驾驶线路集合，统计经常疲劳驾驶线路中各道路卡口在k2中出现的频次，若出现频次大于3，则认为该道路卡口为疲劳驾驶违法行为高发点位，计算结果示例见表2。

表2 经常疲劳驾驶线路提取结果计算示例