基于瞳孔直径的撞固定物冲突自反馈识别方法

引用本文

李世武, 徐艺, 孙文财, 王琳虹, 郭梦竹, 柴萌. 基于瞳孔直径的撞固定物冲突自反馈识别方法.吉林大学学报:工学版, 2016, 46(2): 418-425
LI Shi-wu, XU Yi, SUN Wen-cai, WANG Lin-hong, GUO Meng-zhu, CHAI Meng. Pupil diameter based construction conflict self-feedback discrimination method. Journal of Jilin University Engineering and Technology Edition, 2016, 46(2): 418-425 复制到剪切板

Permissions

基于瞳孔直径的撞固定物冲突自反馈识别方法

李世武, 徐艺, 孙文财, 王琳虹, 郭梦竹, 柴萌

吉林大学交通学院,长春 130022

通讯作者:孙文财(1981-),男,副教授,博士.研究方向:交通环境与安全技术.E-mail:swcai@163.com

作者简介:李世武(1971-),男,教授,博士生导师.研究方向:交通环境与安全技术.E-mail:lshiwu@163.com

基金:国家自然科学基金青年基金项目(51308250,51308251); 吉林大学科学前沿与交叉学科项目(2013ZY06); 中国博士后科学基金面上项目(2013M530984,2013M541306); 吉林省科技发展计划重点项目(20140204021SF); 吉林省交通运输科技项目(2014-1-3); 中国博士后基金特别资助项目(2014T70292); 高等学校博士学科点专项科研基金项目(20120061120043); 吉林大学研究生创新研究计划项目(2014054); 吉林大学竞业杯研究生创新创业项目(2014CXCY032)

摘要

以寻找可反映驾驶人心理负荷的交通冲突识别指标及基于该指标的交通冲突识别方法为目的,通过比较分析明确了冲突刺激与瞳孔直径的相关关系.基于交通冲突领域对瞳孔直径的研究现状,针对常规模板识别需要过多人工干预,识别效率低下的缺陷,提出了基于瞳孔直径的撞固定物冲突自反馈识别方法.撞固定物冲突验证结果显示,自反馈识别方法误判率为5.56%,无反馈识别方法误判率为24.44%,证明自反馈识别方法具有较高的识别精度且无需人工干预,可满足现阶段交通冲突识别和道路安全评价的要求,为后续交通冲突严重程度-瞳孔直径关系研究以及基于驾驶人眼动特征的交通冲突量化体系构建奠定基础.

关键词: 交通运输工程; 交通冲突技术; 自反馈识别方法; 驾驶人; 瞳孔直径; 撞固定物冲突

中图分类号:U491 文献标志码:A 文章编号:1671-5497(2016)02-0418-08

Pupil diameter based construction conflict self-feedback discrimination method

LI Shi-wu, XU Yi, SUN Wen-cai, WANG Lin-hong, GUO Meng-zhu, CHAI Meng

College of Transportation, Jilin University, Changchun 130022, China

Abstract

In order to find traffic conflict discrimination indicator, which can reflect the driver's mental load, and to establish the traffic conflict discrimination method based on the indicator, the correlation between the conflict stimuli and the pupil diameter is determined by comparative analysis. A pupil diameter based construction conflict self-feedback discrimination method is proposed based on the research of the influence of traffic conflict on the pupil diameter. This method overcomes the shortcomings of normal template discrimination method, including too much manual intervention and lower discriminating efficiency. Construction conflict discrimination results show that the error rate of the self-feedback method is 5.56%, and the error rate of the non-feedback method is 24.4%, thus, the high discrimination precision and no manual intervention of the self-feedback discrimination method are testified. The proposed method can meet the present requirements of traffic conflict discrimination and road safety evaluation. This work lays foundation for further study of relationship between traffic conflict severity and pupil diameter, and to build traffic conflict quantification system based on driver's eye movement characteristics.

Keyword: traffic and transportation engineering; traffic conflict technique; self-feedback discrimination method; driver; pupil diameter; construction conflict

Show Figures

0 引言

交通冲突技术是当前道路交通安全评价方法的主流^[1], 许多专家学者对其进行了广泛关注和深入研究, 并在常规交通冲突判别指标方面取得了丰硕的研究成果:郭伟伟等^[2]建立了基于速度, 距离和角度的冲突综合判别模型; 孟祥海等^[3]提出了基于TTC的追尾冲突数计算方法和基于DRAC的追尾风险度计算方法; 徐汉清^[4]以TTC模型为雏形开展侧向冲突指标计算模型的研究.但是, 多年前已被广泛认可的道路交通设计理论指出^[5], 要以道路使用者的交通需求和生理-心理反应特征作为道路设计的理论基础, 而当前的道路交通安全评价技术特别是交通冲突技术并未从驾驶人心理角度对道路交通状况进行安全性评价, 究其原因是未找到反映驾驶人心理负荷的交通冲突量化指标以及基于该指标的交通冲突辨识方法.因此, 寻找交通冲突刺激下驾驶人心理负荷的评价指标成为发展道路交通安全评价的基本问题, 基于评价指标的交通冲突的快速识别方法成为量化道路交通安全性的关键.

外界刺激与瞳孔直径的关系研究为寻找可反映驾驶人心理负荷的交通冲突量化指标提供了新的方向:裴玉龙等^[6]研究了酒精刺激对驾驶人瞳孔直径的影响; Neumann等^[7]研究了精神负荷对瞳孔直径变化的影响; Einhä user等^[8]研究了知觉变化对瞳孔直径的影响并分析了引起瞳孔直径变化的生理因素; Steinhauer等^[9]从神经层面分析了任务难度对瞳孔直径的影响规律; Winn等^[10]研究了年龄, 性别等因素对光照刺激下瞳孔直径变化的影响; Pedrotti等^[11]研究了声音等刺激因素造成的心理压力及其导致的瞳孔直径变化.

上述研究成果明确了认知和特定刺激对瞳孔直径的影响, 在心理学, 人机工程学和交通科学等领域具有很高的学术价值和意义, 但未面向交通冲突刺激对驾驶人瞳孔直径的影响进行研究.在数据识别领域中, 研究人员已提出过很多高效模型匹配算法^{[12, 13]}, 而大多建立在大量模板资源和人工提取模板的基础之上, 但交通冲突领域对瞳孔直径变化规律的研究尚不深入, 模板资源缺乏.因此, 本文拟通过相关分析明确以撞固定物冲突^{[14, 15]}为代表的交通冲突刺激对驾驶人瞳孔直径的影响, 并从可用于交通冲突识别的瞳孔直径模板较少而需较多干预的现状出发, 尝试提出具有较高识别精度和较少人工干预的撞固定物冲突的自反馈识别方法.

1 瞳孔直径与撞固定物冲突的相关性分析

1.1 数据采集与处理

为控制照度对瞳孔直径的影响, 使用驾驶模拟器对机动车, 道路环境和固定障碍物进行撞固定物冲突的室内情景仿真.设置直线加速距离为100 m, 制动位置到固定障碍物的距离为15 m.试验场景示意图见图1, 仿真场景见图2.

	Figure Option View Download New Window
	图1 试验场景示意图Fig.1 Schematic diagram of test scenarios

	Figure Option View Download New Window
	图2 仿真场景图Fig.2 Simulation scenarios

选择驾龄超过10年的15位男性驾驶人作为试验对象, 调节室内照度, 首先要求驾驶人在370 lx和490 lx的平均照度下静止注视试验场景, 然后要求驾驶人在370 lx和490 lx的平均照度下驾驶捷达轿车在100 m直线道路内从起始位置分别加速到20, 30, 40 km/h, 越过制动位置后自由制动, 重复试验3次.使用Smart Eye Pro 5.7眼动仪以60 Hz的采样频率采集驾驶人瞳孔直径数据, 使用TES-1339R照度计及其电脑端软件同步记录驾驶人位置处的照度数据.将试验数据分为370 lx照度下的L组和490 lx照度下的H组, 记370 lx照度下的静止注视以及20, 30, 40 km/h试验数据分别为L-0, L-1, L-2, L-3, 记490 lx照度下的静止注视以及20, 30, 40 km/h试验数据分别为H-0, H-1, H-2, H-3.

为使后续研究中可以更有效地分析瞳孔直径的变化特征, 并降低交通冲突识别的计算成本, 有必要对瞳孔直径数据进行降噪处理.降噪算法较多, 而离散平稳小波变换良好的时频局部性使其可在保留原始信号波形的前提下剔除噪声, 因此使用离散小波变换对剔除眨眼时刻瞳孔直径的试验数据进行降噪处理^[11].数据剔除后的瞳孔直径曲线见图3, 使用Haar小波基进行5级小波变换并重构后的部分瞳孔直径曲线如图4所示.

	Figure Option View Download New Window
	图3 数据剔除后的瞳孔直径曲线Fig.3 Excluded pupil diameter curve

	Figure Option View Download New Window
	图4 5级小波(Haar)分解的瞳孔直径曲线Fig.4 Pupil diameter curve after 5 wavelet (Haar)decomposition levels

1.2 瞳孔直径与照度的相关性分析

L组和H组的平均照度和平均瞳孔直径的均值曲线如图5所示.

	Figure Option View Download New Window
	图5 照度与瞳孔直径均值曲线Fig.5 Mean value curve of illumination and pupil diameter

由均值曲线可见, 平均照度较高的H组所对应平均瞳孔直径值较小, 平均照度较低的L组所对应平均瞳孔直径值较大.经计算, 平均照度与平均瞳孔直径的相关系数为-0.87, 属于高度负相关.

每组照度数据和对应瞳孔直径的相关系数见表1.由表1可见, 各组中照度与瞳孔直径的相关系数绝对值均未超过0.30, 属于微相关.平均照度与平均瞳孔直径的相关性明显, 而未取均值的照度与瞳孔直径仅为微相关.结合最大照度差分析其原因为:进行L组试验与H组试验时室内基本照度差异较大, 差值达到120 lx, 基本照度的较大差异超过了瞳孔直径受照度影响的阈值, 因而平均照度与平均瞳孔直径表现出了明显的负相关关系; 而进行每次试验时, 在基本照度的基础上出现波动, 但波动幅度较小, 未超过6 lx, 不足以刺激瞳孔发生明显的直径变化.

表1 照度与瞳孔直径的相关系数表 Table1 Correlations between illuminations and pupil diameters

1.3 瞳孔直径与交通冲突的相关性分析

设起始位置到制动位置时间内驾驶人接受的刺激为0, 制动位置后至车辆停止时间内冲突对驾驶人的刺激为1, 构造冲突刺激函数, 计算冲突刺激与瞳孔直径的相关系数.L-1, L-2, L-3, H-1, H-2, H-3的冲突刺激与瞳孔直径相关系数分别为0.61, 0.57, 0.79, 0.80, 0.75, 0.74.相关系数均在0.5以上, 属于显著相关范围, 说明冲突刺激对驾驶人瞳孔直径产生了明显的影响, 通过瞳孔直径识别交通冲突具有可行性.

2 撞固定物冲突自反馈识别方法

2.1 模板识别基本算法

模板识别指对模板数据与待识别数据进行相关运算得到相关值, 根据相关值大小判断二者的匹配度以确定待识别数据中是否存在与模板数据相同或相似的区域, 进而完成目标区域的定位与提取^{[16, 17, 18]}.该方法被广泛应用于图像处理等领域^{[19, 20, 21]}, 其核心算法如下^[22]:

设待识别数据用函数 $\begin{matrix} f (x) \end{matrix}$ 表示, 标准模板用函数 $\begin{matrix} F (x) \end{matrix}$ 表示, 通过相关器比较后输出为 $\begin{matrix} T (x) \end{matrix}$ .随机变量用相关量 $\begin{matrix} x \end{matrix}$ 表示, 相关器输出为:

$\begin{matrix} T (x_{1} - x_{2}) = \int f (x) F [x + (x_{1} - x_{2})] dx \end{matrix}$ (1)

当 $\begin{matrix} x_{1} = x_{2} \end{matrix}$ 时,

$\begin{matrix} T (0) = \int f (x) F (x) dx \end{matrix}$ (2)

当 $\begin{matrix} f (x) = F (x) \end{matrix}$ 时,

$\begin{matrix} T (x) = \int f (x) f (x) dx \end{matrix}$ (3)

式(1)为待识别数据的相关函数, 且 $\begin{matrix} T (0) \geq T (x) 。 T (x) \end{matrix}$ 在 $\begin{matrix} T (0) \end{matrix}$ 处出现主峰并在其他区域出现副峰, 利用适当阈值鉴别主峰而识别并定位目标区域, 亦可对输入函数 $\begin{matrix} f (x) \end{matrix}$ 进行傅里叶变换, 使用线性滤波方法进行匹配.

2.2 基于瞳孔直径的冲突自反馈识别方法

高效的模板识别方法需要建立在已知目标数据特征(即在现有数据模板)的基础之上, 多模板识别更提高了对模板提取的工作量和难度.驾驶人瞳孔直径与撞固定物冲突的相关关系虽已被证明, 但冲突发生时瞳孔直径数据的变化特征及驾驶人状态, 光线波动等因素造成的冲突下瞳孔直径数据波动规律尚未被系统深入研究, 如何使用有限瞳孔直径数据模板实现大量, 准确的冲突识别成为需要着重解决的技术问题.

数据识别的一个重要特点是识别结果相对于待识别数据的其他部分包含较多的目标数据特征.据此, 本文借鉴用于图像识别的自反馈模板提取方法原理, 提出了应用于一维数据模板识别的自反馈识别方法.该方法提取先期识别结果并将其作为后期识别模板集的一部分, 通过识别过程迭代充盈模板库, 进而实现模板库的自适应, 提高先期识别结果的利用率和后期识别的精确度, 减少人工干预, 最终达到资源利用与识别效果最优的目的.

本文提出的基于瞳孔直径的冲突自反馈识别方法以瞳孔直径与撞固定物冲突相关为前提, 具体步骤如下:

(1)数据初处理与参数设定

将含有交通冲突的瞳孔直径数据进行眨眼数据剔除和5级小波分解, 生成待匹配瞳孔直径数据P₀, 记L₀ 为P₀ 中每个采样点的初始序号并将其作为采样点的位置标记; 定义t为迭代次数(初始值为0), 最终冲突识别结果为 $\begin{matrix} I_{t}, \end{matrix}$ 相应相关度值为 $\begin{matrix} R_{t}, \end{matrix}$ 运行步骤(2).

(2)基于模板匹配的冲突识别

使用式(1)计算已有模板库MS中模板瞳孔直径数据(用 $\begin{matrix} P_{m} \end{matrix}$ 表示, $\begin{matrix} m = 1, 2, \dots, n_{s}, n_{s} \end{matrix}$ 为模板数据总数, 记模板数据中采样点个数为 $\begin{matrix} L_{m} \end{matrix}$ )与待匹配瞳孔直径数据 $\begin{matrix} P_{t} \end{matrix}$ 的空间域相关度, 求出相关值均值r_j(r_j= $\begin{matrix} \frac{1}{i} \end{matrix} \begin{matrix} \overset{n_{s}}{\sum_{i = 1}} \end{matrix}$ T_i(x_j-x_i)), 若存在大于下限阈值 $\begin{matrix} s_{d} \end{matrix}$ 的 $\begin{matrix} r_{j}, \end{matrix}$ 则将大于 $\begin{matrix} s_{d} \end{matrix}$ 的 $\begin{matrix} r_{j} \end{matrix}$ 所在 $\begin{matrix} n_{A} \end{matrix}$ 个位置标记 $\begin{matrix} I_{s} \end{matrix}$ 作为冲突识别结果的集合并生成相应的相关度值 $\begin{matrix} R_{s}, \end{matrix}$ 运行步骤(3); 若不存在大于下限阈值 $\begin{matrix} s_{d} \end{matrix}$ 的 $\begin{matrix} r_{j}, \end{matrix}$ 运行步骤(4).

(3)自反馈模板的提取

若 $\begin{matrix} n_{A} \end{matrix}$ 不小于模板提取数量 $\begin{matrix} n_{M}, \end{matrix}$ 则以相关度值最大的前 $\begin{matrix} n_{M} \end{matrix}$ 个位置标记为起点, 数据长度为 $\begin{matrix} L_{m} \end{matrix}$ 的瞳孔直径数据为模板文件 $\begin{matrix} M (M = {M_{1}, M_{2}, \dots, M_{n_{M}}} \end{matrix}$ )并保存于模板库MS, 运行步骤(4); 若 $\begin{matrix} n_{A} \end{matrix}$ 小于模板提取数量 $\begin{matrix} n_{M}, \end{matrix}$ 运行步骤(4).

(4)过程的迭代

若存在大于下限阈值 $\begin{matrix} s_{d} \end{matrix}$ 的 $\begin{matrix} r_{j}, \end{matrix}$ 去除 $\begin{matrix} P_{t} \end{matrix}$ 中初始序号为 $\begin{matrix} I_{t} \end{matrix}$ 至 $\begin{matrix} I_{t} + L_{m} \end{matrix}$ 的瞳孔直径数据以生成新的待匹配瞳孔直径数据 $\begin{matrix} P_{t + 1}, I_{t} = I_{t} + I_{s}, R_{t} = R_{t} + R_{s}, t = t + 1, \end{matrix}$ 运行步骤(2); 若不存在大于下限阈值 $\begin{matrix} s_{d} \end{matrix}$ 的 $\begin{matrix} r_{j}, \end{matrix}$ 运行步骤(5).

(5)结果输出

输出瞳孔直径位置I_t和对应的相关度均值R_t.

3 识别方法验证与结果分析

3.1 识别方法验证

(1)数据初处理与参数设定

以490 lx照度下的H-1组试验数据作为验证数据.将多个重复试验数据合并于一组数据作为瞳孔直径识别的基础数据.

将含有撞固定物冲突的瞳孔直径数据进行眨眼数据剔除和5级小波分解, 生成 $\begin{matrix} P_{0} 和 L_{0} 。定义 t \end{matrix}$ 为迭代次数(初始值为0), 最终冲突识别结果为 $\begin{matrix} I_{t}, \end{matrix}$ 相应相关度值为 $\begin{matrix} R_{t}, \end{matrix}$ 运行步骤(2).待匹配瞳孔直径曲线如图6所示.

	Figure Option View Download New Window
	图6 待匹配瞳孔直径曲线Fig.6 Curve of to be matched pupil diameter

(2)基于模板匹配的冲突识别

将式(1)离散化, 计算已有模板库MS中模板瞳孔直径数据(模板瞳孔直径数据曲线见图7)与待匹配瞳孔直径数据 $\begin{matrix} P_{t} \end{matrix}$ 的空间域相关度, 求出相关值均值 $\begin{matrix} r_{j} (r_{j} = \frac{1}{i} \overset{n_{s}}{\sum_{i = 1}} T_{i} (x_{j} - x_{i}) \end{matrix}$ ), 设下限阈值 $\begin{matrix} s_{d} = 14, \end{matrix}$ 若存在大于14的 $\begin{matrix} r_{j}, \end{matrix}$ 则将大于14的 $\begin{matrix} r_{j} \end{matrix}$ 所在 $\begin{matrix} n_{A} \end{matrix}$ 个位置标记 $\begin{matrix} I_{s} \end{matrix}$ 作为冲突识别结果的集合并生成相应的相关度值 $\begin{matrix} R_{s}, \end{matrix}$ 运行步骤(3); 若不存在大于14的 $\begin{matrix} r_{j}, \end{matrix}$ 运行步骤(4).第一次迭代后相关度均值曲线, 识别出的冲突数据区域及模板提取起始位置见图8.图中, 红色表示识别出的撞固定物冲突数据区域.

	Figure Option View Download New Window
	图7 模板瞳孔直径数据曲线Fig.7 Curve of template pupil diameter

	Figure Option View Download New Window
	图8 一次迭代后相关度均值曲线, 识别出的冲突数据区域及模板提取起始位置Fig.8 Mean correlation curve, discriminated conflict data area and the templates' starting positions after the fist iteration

(3)自反馈模板的提取

设模板提取数量 $\begin{matrix} n_{M} = 3, \end{matrix}$ 若 $\begin{matrix} n_{A} \end{matrix}$ 不小于 $\begin{matrix} n_{M}, \end{matrix}$ 则以相关度值最大的前3个位置标记为起点, 数据长度为 $\begin{matrix} L_{m} \end{matrix}$ 的瞳孔直径数据为模板文件 $\begin{matrix} M (M = {M_{1}, M_{2}, \dots, M_{n_{M}}} \end{matrix}$ )并保存于模板库MS, 运行步骤(4); 若 $\begin{matrix} n_{A} \end{matrix}$ 小于3, 运行步骤(4).一次迭代后自反馈识别模板库中的模板曲线见图9.

(4)过程的迭代

若存在大于14的r_j, $I_{t} = I_{t} + I_{s}, R_{t} = R_{t} + R_{s}, t = t + 1$ , 去除P_t-1中初始序号为 $\begin{matrix} I_{t - 1} \end{matrix}$ 至 $\begin{matrix} I_{t - 1} + L_{m} \end{matrix}$ 的瞳孔直径数据以生成新的待匹配瞳孔直径数据 $\begin{matrix} P_{t}, \end{matrix}$ 运行步骤(2); 若不存在大于14的 $\begin{matrix} r_{j}, \end{matrix}$ 运行步骤(5).

(5)结果输出

输出瞳孔直径位置 $\begin{matrix} I_{t} \end{matrix}$ 和对应的相关度均值 $\begin{matrix} R_{t} 。 \end{matrix}$ 自反馈方法识别结果如图10所示, 单一模板匹配方法识别15个目标的结果如图11所示.

	Figure Option View Download New Window
	图9 一次迭代后自反馈识别模板库中的模板曲线Fig.9 Curves of templates in self-feedback discrimination library after the fist iteration

	Figure Option View Download New Window
	图10 自反馈方法识别结果Fig.10 Result of self-feedback discrimination method

	Figure Option View Download New Window
	图11 无反馈方法识别结果Fig.11 Result of non-feedback discrimination method

3.2 结果分析

由图10可见, 自反馈识别方法可较为准确地定位撞固定物冲突情况下对应的瞳孔直径数据, 而图11中无反馈识别方法在标记1, 标记2处误识别了两处数据, 在标记3, 标记4处遗漏了两处冲突下的瞳孔直径数据.

将L-1, L-2, L-3, H2, H-3组试验数据作为瞳孔直径识别的基础数据, 分别使用本文撞固定物冲突自反馈识别方法和常规单一模板识别方法对15个目标进行识别, 结果如表2, 表3所示.

表2 自反馈识别误判率表 Table 2 Error rate table of self-feedback image recognition

表3 无反馈识别误判率表 Table 3 Error rate table of non-feedback image recognition

由多组数据的识别结果可见:本文提出的基于瞳孔直径的撞固定物冲突自反馈识别方法的误判率均值为5.56%, 而无反馈识别方法的误判率均值为24.44%, 本文提出的方法误判率较低, 精度较高.经分析认为, 在目标个数较多的数据中, 自反馈识别方法的模板数量随着迭代次数的增加而增多, 模板库中增加的模板源自待识别的数据, 包含待识别数据中未识别目标的特征, 从而降低了误判率并提高了识别精度.

4 结束语

本文通过分析瞳孔直径与照度的相关系数, 证明了照度的大幅度变化影响瞳孔直径, 而基本照度基础上的微小波动与瞳孔直径的相关系数绝对值均未超过0.30, 证明了二者无显著相关关系.通过分析瞳孔直径与交通冲突刺激的相关系数, 发现二者的相关系数均在0.5以上, 证明了冲突刺激对驾驶人瞳孔直径产生了明显的影响, 通过瞳孔直径识别交通冲突具有可行性, 可作为交通冲突技术领域和交通安全评价领域较为新颖而有效的评价指标.

借鉴用于图像识别的自反馈模板提取方法原理, 提出了应用一维数据模板识别的自反馈识别方法.实例验证结果显示, 本文提出的基于瞳孔直径的撞固定物冲突自反馈识别方法的误判率均值为5.56%, 而无反馈识别方法的误判率均值为24.44%, 证明了本文提出的基于瞳孔直径的撞固定物冲突自反馈识别方法具有较低的误判率和较高的精度, 可满足现阶段交通冲突识别和道路安全评价的要求, 并为后续交通冲突严重程度-瞳孔直径关系研究以及基于驾驶人眼动特征的交通冲突量化体系构建奠定了基础.

The authors have declared that no competing interests exist.

参考文献

View Option

[1]	张苏. 中国交通冲突技术[M]. 成都: 西南交通出版社, 1998. [本文引用:1]
[2]	郭伟伟, 曲昭伟, 王殿海. 交通冲突判别模型[J]. 吉林大学学报: 工学版, 2011, 41(1): 35-40. Guo Wei-wei, Qu Zhao-wei, Wang Dian-hai. Traffic conflict discrimination model[J]. Journal of Jilin University(Engineering and Technology Edition), 2011, 41(1): 35-40. [本文引用:1]
[3]	孟祥海, 徐汉清, 王浩, 等. 基于 TTC 及 DRAC 的高速公路施工区追尾冲突研究[J]. 交通信息与安全, 2012, 30(6): 6-10. Meng Xiang-hai, Xu Han-qing, Wang Hao, et al. Rear-end conflict of freeway work zone based on TTC and DRAC[J]. Journal of Transportation Information and Safety, 2012, 30(6): 6-10. [本文引用:1]
[4]	徐汉清. 基于碰撞时间的侧向冲突指标计算模型研究[J]. 城市道桥与防洪, 2014 (6): 268-271. Xu Han-qing. Study of side crash conflict index calculating model based on time to collision(TTC)[J]. City Bridges & Flood, 2014 (6): 268-271. [本文引用:1]
[5]	巴布可夫. 道路条件与交通组织[M]. 祁振庆, 译. 北京: 中国建筑工业出版社, 1983. [本文引用:1]
[6]	Fu C Y, Pei Y L. Analysis on driver's physiological and eye movement characteristics under alcohol effect[J]. Advanced Engineering Forum, 2012(5): 138-143. [本文引用:1]
[7]	Neumann D L, Lipp O V. Spontaneous and reflexive eye activity measures of mental workload[J]. Australian Journal of Psychology, 2002, 54(3): 174-179. [本文引用:1]
[8]	Einhäuser W, Stout J, Koch C, et al. Pupil dilation reflects perceptual selection and predicts subsequent stability in perceptual rivalry[J]. Proceedings of the National Academy of Sciences, 2008, 105(5): 1704-1709. [本文引用:1]
[9]	Steinhauer S R, Siegle G J, Condray R, et al. Sympathetic and parasympathetic innervation of pupillary dilation during sustained processing[J]. International Journal of Psychophysiology, 2004, 52(1): 77-86. [本文引用:1]
[10]	Winn B, Whitaker D, Elliott D B, et al. Factors affecting light-adapted pupil size in normal human subjects[J]. Investigative Ophthalmology & Visual Science, 1994, 35(3): 1132-1137. [本文引用:1]
[11]	Pedrotti M, Mirzaei M A, Tedesco A, et al. Automatic stress classification with pupil diameter analysis[J]. International Journal of Human-Computer Interaction, 2014, 30(3): 220-236. [本文引用:2]
[12]	Guan Hai-yan, Zhang Jian-qing, Hu Qi, et al. Line extraction of industrial parts based on least square template matching[C]//Proceedings of 1st International Congress on Image and Signal Processing, United States, 2008: 696-700. [本文引用:1]
[13]	Wu Di-jia, Liu D, Puskas Z, et al. A learning based deformable template matching method for automatic rib centerline extraction and labeling in CT images[C]//Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, United States, 2012: 980-987. [本文引用:1]
[14]	罗石贵, 周伟. 路段交通冲突技术研究[J]. 公路交通科技, 2001, 18(1): 65-68. Luo Shi-gui, Zhou Wei. Research on road traffic conflict technique[J]. Journal of Highway and Transportation Research and Development, 2001, 18(1): 65-68. [本文引用:1]
[15]	罗石贵, 周伟. 路段交通冲突的调查技术[J]. 长安大学学报: 自然科学版, 2003, 23(1): 71-75. Luo Shi-gui, Zhou Wei. Survey way of road-traffic-conflict technique[J]. Journal of Chang'an University (Natural Science Edition), 2003, 23(1): 71-75. [本文引用:1]
[16]	Machhale K S, Zode Pradnya P, Zode Pravin P. Implementation of number recognition using adaptive template matching and feature extraction method[C]//Proceedings-International Conference on Communication Systems and Network Technologies, Rajkot, 2012: 194-197. [本文引用:1]
[17]	聂海涛, 龙科慧, 马军, 等. 采用改进尺度不变特征变换在多变背景下实现快速目标识别[J]. 光学精密工程, 2015, 23(8): 2349-2356. Nie Hai-tao, Long Ke-hui, Ma Jun, et al. Fast object recognition under multiple varying background using improved SIFT method[J]. Optics and Precision Engineering, 2015, 23(8): 2349-2356. [本文引用:1]
[18]	Zhu Wei, Yao Li-xiu. Facial feature extraction based on template matching searching[J]. Journal of Shanghai Jiaotong University, 2009, 43(12): 1858-1862. [本文引用:1]
[19]	董晓庆, 陈洪财. 基于子模式双向二维线性判别分析的人脸识别[J]. 液晶与显示, 2015, 30(6): 1016-1023. Dong Xiao-qing, Chen Hong-cai. Face recognition based on sub-pattern two-directional two-dimensional linear discriminant analysis[J]. Chinese Journal of Liquid Crystals and Displays, 2015, 30(6): 1016-1023. [本文引用:1]
[20]	Hao Ming, Deng Ka-zhong, Zhang Hua. An improved active contour model to extract buildings based on remotely sensed data[J]. Journal of China University of Mining and Technology, 2012, 41(5): 833-838. [本文引用:1]
[21]	马艳. 基于颜色与模板匹配的人脸检测方法[D]. 大连: 大连理工大学控制科学与工程学院, 2006. Ma Yan. A face detection method based on color and template matching[D]. Dalian: School of Control Science and Engineering, Dalian University of Technology, 2006. [本文引用:1]
[22]	李世武, 徐艺, 孙文财, 等. 基于自反馈模板提取的车辆遥感图像识别[J]. 华南理工大学学报: 自然科学版, 2014, 42(5): 97-102. Li Shi-wu, Xu Yi, Sun Wen-cai, et al. A vehicle remote sensing image recognition method based on self-feedback template extraction[J]. Journal of South China University of Technology (Natural Science Edition), 2014, 42(5): 97-102. [本文引用:1]
[23]	武治国, 李桂菊. 动态目标识别中的实时复杂巡航场景运动检测[J]. 2014, 29(5) 844-849. Wu Zhi-guo, Li Gui-ju. Real-time complex cruise scene detection technology in target recognition[J]. Chinese Journal of Liquid Crystals and Displays, 2014, 29(5) 844-849. [本文引用:1]

1998

0.0

... 0 引言交通冲突技术是当前道路交通安全评价方法的主流^[1],许多专家学者对其进行了广泛关注和深入研究,并在常规交通冲突判别指标方面取得了丰硕的研究成果:郭伟伟等^[2]建立了基于速度,距离和角度的冲突综合判别模型 ...

2011

0.0

. 2011, 41(1):35-40

Traffic conflict discrimination model

交通冲突判别模型

Guo Wei-wei , Qu Zhao-wei , Wang Dian-hai.

郭伟伟, 曲昭伟, 王殿海

To improve the precision of traffic conflict discrimination, a comprehensive traffic conflict discrimination model was established using the traffic conflict theory, the relative movement theory and Fisher discrimination principle and taking the speed, distance and angle as key variables. The traffic conflict discrimination was devided into two phases: the occuring phase of traffic conflict and the discriminating phase of traffic conflict severity. The traffic conflicts were analyzed qualitatively and quantitatively, the causes of the traffic conflict and the movement patterns of the conflicting objects were studied to build a critical conflict region. A model to discriminate the severity of traffic conflict was built using the Fisher discrimination principle. Thus a complete traffic conflict discrimination model was achieved. This model can be applied to predict and judge the conflict between any two of motor vehicles, nonmotor vehicles, and pedestrians, providing a theoretical basis for automatic recognition technique of traffic conflicts.

为了提高交通冲突判别的精度，综合运用交通冲突理论、相对运动理论和费歇判别原理，建立了以速度、距离和角度等变量为核心的综合交通冲突判别模型。将交通冲突判别划分为交通冲突发生判别和交通冲突严重程度判别两个阶段。对交通冲突进行了定性及定量的描述，分析了冲突的成因及冲突对象的运行规律，建立了临界冲突区域模型。运用费歇判别原理建立了交通冲突严重程度判别模型，形成了完整的交通冲突判别模型。该模型可用于预测及判别任意交通实体间的冲突，为交通冲突自动识别技术提供了理论基础。

2012

0.0

. 2012, 30(6):6-10 DOI:doi:10.3963/j.issn1674-4861.2012.06.002

Rear-end conflict of freeway work zone based on TTC and DRAC

TTC 及 DRAC 的高速公路施工区追尾冲突研究

Meng Xiang-hai , Xu Han-qing , Wang Hao

孟祥海, 徐汉清, 王浩, . 基于

摘　要：针对高速公路施工区的交通安全问题以及施工区普遍存在的持续时间较短、积累的事故数据难于满足统计分析要求的现实情况,探讨了基于交通冲突替代交通事故的交通安全分析方法。通过采集和分析处理高速公路半幅封闭施工区和单向超车道封闭施工区合流段和施工区段的车型、车速、车头时距等基于车辆个体的交通参数数据,提出了基于避免碰撞时间（TTC）的追尾冲突数计算方法和基于避免碰撞减速度（DRAC）的追尾风险度计算方法。应用上述方法评价了典型施工区合流段和施工区段的追尾冲突状况。研究结果表明,2种事故数据替代方法均可从不同侧面量化描述追尾冲突的发生状态。

... 孟祥海等^[3]提出了基于TTC的追尾冲突数计算方法和基于DRAC的追尾风险度计算方法 ...

2014

0.0

. 2014, (6):268-271 DOI:doi:10.3969/j.issn.1009-7716.2014.06.085

Study of side crash conflict index calculating model based on time to collision(TTC)

基于碰撞时间的侧向冲突指标计算模型研究

Xu Han-qing.

徐汉清

针对侧向碰撞发生比例较高且部分路段积累的事故数据难于满足统计分析要求的现状,探讨了基于交通冲突技术来替代事故数据的交通安全分析方法。从速度较快且侧向冲突形态单一高速公路基本路段入手,开展侧向冲突的相关研究。通过分析交通冲突与交通事故之间的关系及交通冲突的分类方式提出了侧向交通冲突的定义,在比较了常用的追尾冲突指标计算模型后,以碰撞时间(TTC)模型为雏形开展侧向冲突指标计算模型的研究。最后,通过分析侧向冲突的特点,建立了二维空间的侧向冲突计算模型并给出了严重冲突的界定标准。

... 徐汉清^[4]以TTC模型为雏形开展侧向冲突指标计算模型的研究 ...

1983

0.0

... 但是,多年前已被广泛认可的道路交通设计理论指出^[5],要以道路使用者的交通需求和生理-心理反应特征作为道路设计的理论基础,而当前的道路交通安全评价技术特别是交通冲突技术并未从驾驶人心理角度对道路交通状况进行安全性评价,究其原因是未找到反映驾驶人心理负荷的交通冲突量化指标以及基于该指标的交通冲突辨识方法 ...

2012

0.0

... 外界刺激与瞳孔直径的关系研究为寻找可反映驾驶人心理负荷的交通冲突量化指标提供了新的方向:裴玉龙等^[6]研究了酒精刺激对驾驶人瞳孔直径的影响 ...

2002

0.0

... Neumann等^[7]研究了精神负荷对瞳孔直径变化的影响 ...

2008

0.0

... user等^[8]研究了知觉变化对瞳孔直径的影响并分析了引起瞳孔直径变化的生理因素 ...

2004

0.0

... Steinhauer等^[9]从神经层面分析了任务难度对瞳孔直径的影响规律 ...

1994

0.0

... Winn等^[10]研究了年龄,性别等因素对光照刺激下瞳孔直径变化的影响 ...

2014

0.0

... Pedrotti等^[11]研究了声音等刺激因素造成的心理压力及其导致的瞳孔直径变化 ...

... 降噪算法较多,而离散平稳小波变换良好的时频局部性使其可在保留原始信号波形的前提下剔除噪声,因此使用离散小波变换对剔除眨眼时刻瞳孔直径的试验数据进行降噪处理^[11] ...

2008

0.0

... 在数据识别领域中,研究人员已提出过很多高效模型匹配算法^[12,13],而大多建立在大量模板资源和人工提取模板的基础之上,但交通冲突领域对瞳孔直径变化规律的研究尚不深入,模板资源缺乏 ...

2012

0.0

2001

0.0

. 2001, 18(1):65-68 DOI:doi:10.3969/j.issn.1002-0268.2001.01.018

Research on road traffic conflict technique

路段交通冲突技术研究

Luo Shi-gui , Zhou Wei.

罗石贵, 周伟

摘　要：对路段交通冲突进行定义和分类，着重研究严重冲突的判别标准和分级标准是对现有的交通冲突技术理论的一种完善和改进，为路段交通安全分析评价提供一种新的研究途径。

... 因此,本文拟通过相关分析明确以撞固定物冲突^[14,15]为代表的交通冲突刺激对驾驶人瞳孔直径的影响,并从可用于交通冲突识别的瞳孔直径模板较少而需较多干预的现状出发,尝试提出具有较高识别精度和较少人工干预的撞固定物冲突的自反馈识别方法 ...

2003

0.0

. 2003, 23(1):71-75 DOI:doi:10.3321/j.issn:1671-8879.2003.01.020

Survey way of road-traffic-conflict technique

路段交通冲突的调查技术

Luo Shi-gui , Zhou Wei.

罗石贵, 周伟

交通冲突调查是应用交通冲突技术(TCT)进行交通安全诊断、评价分析的最基础、最重要的工作之一.详细说明了路段交通冲突调查有关技术要求,包括冲突的观测方式、调查时间安排、观测地点的选择、调查人员与观测范围的确定,以及冲突调查内容及样本容量的确定.应用这些方法在郑州黄河公路大桥的安全改善工作中进行了试点研究,取得了良好的效果,进一步完善了路段交通冲突技术.

2012

0.0

... 1 模板识别基本算法模板识别指对模板数据与待识别数据进行相关运算得到相关值,根据相关值大小判断二者的匹配度以确定待识别数据中是否存在与模板数据相同或相似的区域,进而完成目标区域的定位与提取^[16,17,18] ...

2015

0.0

. 2015, 23(8):2349-2356 DOI:doi:10.3788/OPE.20152308.2349

Fast object recognition under multiple varying background using improved SIFT method

采用改进尺度不变特征变换在多变背景下实现快速目标识别

Nie Hai-tao , Long Ke-hui , Ma Jun

聂海涛, 龙科慧, 马军

提出一种改进的尺度不变特征变换(SIFT)算法,用于实现多变背景下的快速目标识别。首先,构建目标图像尺度空间,提取SIFT特征点并将其按大小分类,目标识别时只需比较同一类型的特征点。然后,由SIFT特征点子区域方向直方图计算得到4个新角度用于代表特征点的方向信息,并且在目标识别时根据角度信息限制特征点匹配范围,从而提高SIFT算法的运算速度。最后,计算目标图像和待识别图像之间的尺度因子,在尺度因子约束条件下进行目标特征点匹配,从而有效地保证正确匹配数量,提高目标识别的鲁棒性。实验结果表明:当目标在待识别图像中发生局部遮挡、旋转、尺度变化或者弱光照等情况下,改进的SIFT算法能够完成多变背景下快速目标识别任务,平均识别速度提升了40%。

2009

0.0

2015

0.0

. 2015, 30(6):1016-1023 DOI:doi:10.3788/YJYXS20153006.1016

Face recognition based on sub-pattern two-directional two-dimensional linear discriminant analysis

基于子模式双向二维线性判别分析的人脸识别

Dong Xiao-qing , Chen Hong-cai.

董晓庆, 陈洪财

摘　要：针对表情和光照变化等对人脸识别影响的问题,提出一种基于子模式双向二维线性判别分析（Sub-pattern two-directional two-dimensional linear discriminant analysis,Sp-（2D）2 LDA）的人脸识别方法。该方法首先对原图像进行分块处理,并保持子块间的空间关系,然后对各个子训练样本集从行方向和列方向同时利用2DLDA进行特征抽取,最后把各个子特征矩阵拼接成一对应原始图像的特征矩阵,并采用最近邻分类器进行分类识别。在ORL及Yale人脸库上的试验结果表明,Sp-（2D）^2 LDA有效降低了鉴别特征的维数,减少了表情和光照变化的影响,获得了较好的识别性能。

... 该方法被广泛应用于图像处理等领域^[19,20,21],其核心算法如下^[22]: ...

2012

0.0

... 该方法被广泛应用于图像处理等领域^[19,20,21],其核心算法如下^[22]: ...

2006

0.0

. 2006, :- DOI:doi:10.7666/d.y1029864

A face detection method based on color and template matching

基于颜色与模板匹配的人脸检测方法[D]

Ma Yan.

马艳

人脸检测是确定人脸的位置、大小、数目的图像处理过程。人脸检测是人脸识别、人机交互、智能视觉监控等工作的前提。随着计算机应用的普及、性能的提高以及图像处理和模式识别领域的研究逐步成熟，对人脸检测的研究也将受到越来越多的重视。本文针对复杂背景下的人脸检测问题展开研究。在分析现有人脸检测方法优缺点的基础上，提出了一种粗检测与验证相结合的人脸检测算法。粗检测主要应用的是改进的肤色模型和唇色阈值的方法；验证采用了模板匹配算法。论文的主要工作包括：肤色是人脸重要特征，在通过肤色采样统计和聚类分析后，确立了一种在YCbCr空间下的基于分段高斯模型的肤色分割方法。在YCbCr色彩空间中建立肤色分布的高斯模型，得到肤色概率似然图像，根据最优阈值进行二值化，然后，通过肤色分割得到若干可能肤色块；唇色在人脸上有明显的颜色特征，通过唇色样本统计和聚类分析得到唇色的三重阈值，在可能肤色区域中搜索嘴唇，并根据嘴唇的大小和位置确定人脸的大小及旋转角度；在掌握模板匹配的原理和实现算法后，使用一种平均脸模板匹配算法进行人脸检测，平均脸模板采用手工制作的方法，含有正面、侧面等多种角度及大小的模板。实验中使用该方法进行人脸检测最后阶段的验证，并针对非端正人脸，给出了解决方案。最后，分析颜色分割和模板匹配算法在检测工作中各自的优势和缺点，将两种方法结合起来，构建了一个新的人脸检测算法。对通过肤色分割得到的候选人脸区域，使用模板匹配算法进行确认，得到人脸检测的最终结果。实验结果表明，该算法是有效的，具有较高的检测性能。

... 该方法被广泛应用于图像处理等领域^[19,20,21],其核心算法如下^[22]: ...

2014

0.0

. 2014, 42(5):97-102 DOI:doi:10.3969/j.issn.1000-565X.2014.05.015

A vehicle remote sensing image recognition method based on self-feedback template extraction

基于自反馈模板提取的车辆遥感图像识别

Li Shi-wu , Xu Yi , Sun Wen-cai

李世武, 徐艺, 孙文财

模板提取技术的空白使绝大部分高效的模板匹配算法建立在人工提取模板的基础上,人工提取模板的缺陷必将在识别过程中逐级传播,从而降低图像识别的准确度与稳定性,最终影响到基于遥感图像的交通状态辨识效果.文中针对模板匹配图像识别方法中的模板提取问题,提出了一种基于自反馈模板提取的车辆遥感图像识别方法,并利用数学推导论证了自反馈模板提取方法的正确性,以Matlab软件为平台完成了多个路段车辆高分辨率对地遥感图像的识别和交通流的辨识.对多个路段高分辨率图像识别结果的分析验证了文中方法的可行性和有效性.

... 该方法被广泛应用于图像处理等领域^[19,20,21],其核心算法如下^[22]: ...

2014

0.0

. 2014, 29(5):844-849 DOI:doi:10.3788/YJYXS20142905.0844

Real-time complex cruise scene detection technology in target recognition

动态目标识别中的实时复杂巡航场景运动检测

Wu Zhi-guo , Li Gui-ju.

武治国, 李桂菊

This paper designs and realizes a real-time motion detection technology for complex cruise scene. The technology is suitable for dynamic target recognition in engineering application. First of all, two images of the background and the current frame are processed by convolution operation and extract the edge images. Then we put parts of background edge image and compute their local entropy. According to the value of the local entropies, we can select reasonable registration model group and compute correlation strength and the value of movement offset. The value is the offset of the model group and the current edge image. We complete scene motion estimation by them. The experimental results show that the method can be used in the infrared and visible images. The infrared image processing time is 13 ms. Its resolution is 320×256 and frame rate is 50 Hz. The optical image processing time is 24 ms. Its resolution is 768×576 and frame rate is 25 Hz. They reach real-time processing requirement of the engineering application. Meanwhile, motion detection of scene effectively excludes the interference of target recognition which is produced by the complex background image. We can accurately detect the movement and changing target.

设计并实现了一种适合于工程中动态目标识别应用的实时的复杂巡航场景运动检测技术。首先，对背景和当前帧两幅图像进行卷积处理，提取边缘图像。然后分块计算背景边缘图像的局部熵，根据局部熵大小合理选取配准模型组。采用模型组与当前帧边缘图像的相关性强度及运动偏移量结果，完成场景的运动估计。实验结果表明，本文方法用于红外和可见光图像均十分有效，在分辨率为320×256，帧频50 Hz的红外图像以及分辨率为768×576，帧频25 Hz的可见光图像中运行时间分别为13、24 ms，达到了工程中应用的实时性处理要求。同时，在后续的图像处理中场景运动检测有效剔除了复杂背景图像对目标识别的干扰，可准确检测出运动变化目标。