海底隧道出入口段驾驶人眼动特征分析与建模

潘福全，泮海涛，王 铮，杨金顺，张丽霞，康国祥

(青岛理工大学机械与汽车工程学院，青岛 266520)

驾驶员在隧道路段行车时，由于隧道出入口段光照的剧烈变化和隧道的密闭性，会引起驾驶员心理及生理上的变化。隧道行车安全问题是交通安全研究领域的重要内容，中外的许多研究学者对公路隧道行车安全研究主要分为以下两个方面：一方面，基于驾驶人眼动特征的隧道照明设计优化方案；另一方面，隧道道路线形优化设计方案。海底隧道是一流特殊的隧道，其需要先从陆地引入海底，然后从海床下通过，然后再穿出到陆地，故海底隧道的结构线形比普通山体隧道复杂得多[1]。目前针对海底隧道出入口段照度变化对交通运行安全性影响研究少[2-3]。

关于照度对驾驶员驾驶行为的影响，中外学者都进行了较多的研究。Kircher等[4]通过驾驶模拟器研究了隧道设计因素对驾驶行为的影响，研究表明隧道墙壁颜色和照明会对驾驶行为产生一定的影响。Bo等[5]为了提高公路隧道照明的交通安全性，以反应时间为参数，研究了LED(lighting em)照明对人眼视觉性能的影响。Qin等[6]通过实车实验，详细分析了白天和夜晚不同照度和不同车速条件下高速公路入口段驾驶人眼动特征变化规律。樊兆董等[7]通过虚拟现实和3D光环境技术对隧道内不同间距的反光环对驾驶员的影响进行研究,发现反光环设置间距200 m时驾驶员的驾驶安全性、稳定性较好,心理舒紧张感较低。罗杰等[8]基于实测数据，分析了隧道照度和行驶速度对驾驶员心率增长率的影响规律，并建立了其回归模型。胡馨月[9]提出了基于人眼动态视觉的隧道中间段亮度和过渡段的亮度照明指标，该照明指标更符合驾驶员的视觉响应特点。

关于坡度对驾驶员驾驶行为影响的研究，杨理波等[10]通过驾驶模拟器和E-prime软件进行坡度感知和速度感知的心理物理实验，对隧道内行车环境的变化对驾驶员的坡度感知能力和速度感知能力的影响进行了分析。冯忠祥等[11]通过城市下穿隧道纵坡段实车试验，发现在城市下穿隧道上、下坡段行驶时，不同坡度范围下的车速和心率增长率有一定的差异性。杜志刚等[12-13]通过实车实验采集相关数据，分析了不同隧道出入口段驾驶人视觉负荷评价，为深入的研究驾驶人通过隧道出入口段视觉舒适度提出了切入点。赵建有等[14]通过实验研究发现高速公路隧道纵坡的坡度对驾驶人的心率变化率有相当大的影响同时计算得出实验隧道的安全坡度和上、下坡的汽车安全行驶速度。

基于目前中外学者对于隧道内驾驶行为的研究大多针对公路隧道，关于海底隧道内驾驶行为，尤其是眼动特征的研究很少。因此，基于Facelab 5.0眼动仪，选取青岛胶州湾隧道进行道路实车实验，对比分析不同照度及纵坡坡度对驾驶人眼动特征的影响，对提高海底隧道运营安全具有重要意义。

1 实验设计

1.1 实验线路

实验道路选择青岛胶州湾海底隧道中黄岛-青岛四个往返隧道出入口，本实验路线为：黄岛区入口-青岛市云南路出口、青岛市莘县路入口-黄岛区出口。其中黄岛区入口、黄岛区出口、青岛市云南路出口、青岛市莘县路入口以下简称隧道1段、隧道2段、隧道3段和隧道4段。其主要技术参数如表1所示。

表1 青岛胶州湾海底隧道实验道路基本情况Table 1 Basic situation of Qingdao Jiaozhou Bay subsea tunnel experimental road

为减少交通因素对实验结果的影响，获得自由流状态下驾驶人通过海底隧道的反应，实验时间选择2019年6月30日至2019年7月30日，10:00—12:00和14:00—16:00点，在户外照度为40 000～45 000 lux的实验工况下，分别进行驾驶人实车试验，避开早晚高峰期，以及雾天、雨天等不良天气以保证数据采集的准确性。

1.2 实验仪器及车辆

本研究使用Facelab 5.0眼动仪固定于实验车辆仪表盘上方，Facelab 5.0眼动仪接口连接专用笔记本电脑上实时采集、记录并存储驾驶人眼睑闭合度、眨眼频率、注视点位置、次数及单次注视时长等眼动特征，如图1所示。使用TES-1339R专业级照度计(测量范围0～999 900 lux)采集隧道出入口段照度数据，如图2所示。实验车辆采用雪佛兰景程自动挡5座轿车。其他相关辅助设备有行车记录仪、摄像机、笔记本电脑等。

1.3 实验人员及采集指标

实验挑选了不同年龄、不同驾龄的35名驾驶人作为研究对象，经过后期筛选最终获得有效驾驶员

图1 Facelab 5.0眼动仪Fig.1 Facelab 5.0 eye tracker

图2 TES-1339R专业级照度计Fig.2 TES-1339R professional illuminance meter

26名，其中男性21名，女性5名；矫正视力为4.6～5.0，平均视力为4.8，标准差为0.12；年龄为24～33岁，平均年龄34岁，标准差6.3岁；驾龄为1～12年，平均驾龄为4.4年，标准差2.2年。

眼睑闭合度指的是左、右眼，上、下眼睑闭合覆盖的虹膜部分，其数值介于0～1，其中1表示上下眼睑完全覆盖虹膜部分，即完全闭合；0表示上下眼睑没有覆盖虹膜部分，即未闭合。驾驶人眼睑闭合度的大小在一定程度上可以反映出驾驶人当时疲惫状况和紧张状况。其计算式为

(1)

式(1)中：ec为眼睑闭合度；c0为上眼睑闭合权重系数；e0为上眼睑闭合度；c1为下眼睑闭合权重系数；e1为下眼睑闭合度。

眨眼频率的快慢在一定程度上可以反映出驾驶人行车过程中生理状态和精神状态是否饱满。

注视点位置和次数在一定程度上反映了驾驶人视觉搜索捕捉目标物体的位置，次数的多少以及注视时间长短在一定程度上反映了驾驶人获取交通信息的难易程度，注视时间越长，次数越多则获取交通信息难度越大；反之注视时间越短，次数越少则获取交通信息难度越小。

1.4 数据采集

海底隧道入口段前、后150 m作为入口段照度采集区间，出口段前、后150 m作为出口段照度采集区间，每1 s采集并记录照度变化数据并存储于照度计内，其具体位置如图3所示。照度数据记录表如表2所示。

根据行车记录仪记录车辆通过海底隧道出入口段车辆行驶场景与时间，对应摄像机拍摄的仪表盘显示的行车速度，计算得出各隧道出入口段距离sp，如图4所示。各隧道段纵坡坡度平均值计算公式为

(2)

式(2)中：sp为隧道p的长度，m；hp为隧道p的净空，m，其数值见参考文献[15]；n为样本容量；ip为隧道p的纵坡坡度平均值。各隧道段纵坡坡度如表3所示。

表2 青岛胶州湾海底隧道照度记录表Table 2 Qingdao Jiaozhou Bay subsea tunnel illumination record table

表3 实验道路纵坡坡度Table 3 Slope degree table of experimental road longitudinal slope

图4 海底隧道出口段剖面Fig.4 Section of exit section of submarine tunnel

通过行车记录仪记录车辆通过海底隧道出入口段车辆行驶轨迹，用摄像机拍摄车辆行驶环境以及记录车辆行驶过程中车速变化数据。

2 隧道口眼动特征及速度分析

通过实车实验利用眼动仪及照度计实时采集并记录驾驶人通过海底隧道行车过程中眼睑闭合度、眨眼频率和注视时长等眼动特征参数及车辆行驶速度数据，以驾驶人通过海底隧道的时间发生先后顺序，通过筛选将400组数据进行划分，利用Origin软件分别对数据进行平均化处理。数据划分依据如表4所示。

表4 实验数据分组划分表Table 4 Experimental data grouping table

2.1 眼睑闭合度变化特征分析

实验路段驾驶人眼睑闭合度曲线如图5所示，驾驶人通过海底隧道出入口段受到环境照度明暗交替变化的视觉刺激和纵坡坡度耦合作用，其眼睑闭合度也发生相应的变化，在实车实验过程中，在海底隧道入口段前150 m处时，驾驶人左、右眼眼睑闭合度逐渐下降至0.5左右，驾驶人注意力集中，精神紧张，当进入海底隧道入口段时，照度降低，驾驶人左、右眼眼睑闭合度处于0.4～0.6，注意力持续集中，当进入海底隧道入口段后150 m处，驾驶人眼睑闭合度数据逐渐上升，精神相对放松。

2.2 眨眼频率变化特征分析

实验路段驾驶人眼睑闭合度曲线如图6所示。驾驶人通过海底隧道出入口段受到环境照度明暗交替变化的视觉刺激和纵坡坡度耦合作用，其眨眼

图5 驾驶人眼睑闭合度折线图Fig.5 Line chart of driver’s eyelid closure

频率也发生相应的变化，眨眼频率值的大小在一定程度上反映了驾驶人精神紧张程度。在实车实验过程中，驾驶人驾驶车辆进入海底隧道入口前 150 m 处时，驾驶人眨眼频率从0.31 Hz增加至0.47Hz，驾驶人注意力集中，精神紧张；当车辆进入海底隧道入口段时，驾驶人眨眼频率继续增加，最高达0.61 Hz；当车辆驶入入口段后150 m处时驾驶人眨眼频率逐渐降低，精神相对放松；当车辆接近海底隧道出口段150 m处时，驾驶人眨眼频率逐渐增加，直至驶离海底隧道出口。

2.3 注视时长变化特征分析

驾驶人通过实验隧道单次注视时长如图7所示。注视次数和注视时长在一定程度上反映了驾驶人捕获交通信息的难易程度，多次注视且单次注视时长越长，则驾驶人获得交通信息难度越大，反

图6 驾驶人眨眼频率折线图Fig.6 Line chart of driver blink frequency

之注视次数越少，注视时长越短，则获得交通信息难度越小。在实车实验过程中，驾驶人驾驶车辆进入海底隧道入口前150 m处时，驾驶人单次注视时长减少，驾驶人需要频繁变化注视点位置，增加交通信息量的获取，驾驶人注意力集中；当车辆进入海底隧道入口段时，驾驶人单次注视时长维持在一个较低的数值；当车辆驶入入口段后150 m处时驾驶人单次注视时长逐渐增加，精神相对放松；当车辆接近海底隧道出口段前150 m处时，驾驶人单次注视时长逐渐减少，驾驶人注意力集中，直至驶离海底隧道出口。

图7 驾驶人注视时长折线图Fig.7 Line chart of driver’s gaze duration

2.4 车速变化特征分析

选取驾驶人行车速度作为驾驶人行车安全参数之一,驾驶人通过实验隧道车速变化如图8所示。在实车实验过程中，驾驶人驾驶车辆进入海底隧道车速有明显差异，如图8(a)所示，驾驶人驾驶车辆进入海底隧道入口段车速先增大后减小；而图8(b)中驾驶人驾驶车辆进入海底隧道入口段车速持续减小。这是由于图8(a)中，驾驶人进行实验时时需要先经过收费站缴费后再进入实验道路(隧道1段—隧道2段)，车辆通过收费站排队等待的时长在一定程度上会增加驾驶人的焦虑感，从而使得车辆通过收费站后车速增加；而图8(b)中，驾驶人首先通过实验路段(隧道3段～隧道4段)后进入收费站，消除了因排队等待进入收费站而产生的焦虑情绪对驾驶人驾驶行为的影响，因此车辆进入海底隧道入口段时车速持续减小；当车辆在海底隧道中间段行驶时，车速在60～70 km/h波动。当车辆即将驶入海底隧道出口段时，受车流分流的影响车辆车速逐渐降低直至驶出海底隧道外。

图8 驾驶人行车速度折线图Fig.8 Driving speed line chart

3 模型建立

3.1 眼动特征与隧道照度数学模型

利用Origin软件将各分组内的数据平均化后进行拟合，环境照度与驾驶人眼睑闭合度散点图和拟合曲线如图9所示。驾驶人眼睑闭合度主要分布于0.45～0.7，驾驶人眼睑闭合度随照度增加呈现减小—增大—减小—增大的趋势，在海底隧道出入口段，照度变化较大，驾驶人眼睑闭合度减小，精神紧张，注意力集中。

通过使用Origin软件对数据拟合，判定系数R2=0.897 6，环境照度与驾驶人眼睑闭合度数学模型为

0.000 1x1+6 755

(3)

式(3)中：y1为眼睑闭合度；x1为照度，lux。

环境照度与驾驶人眨眼频率散点图和拟合曲线如图10所示。驾驶人眨眼频率主要分布于 0.25～0.5 Hz，驾驶人眨眼频率随照度增加呈现增加-减少的趋势，在海底隧道出入口段，照度变化较大，驾驶人眨眼频率增加，精神紧张，注意力集中。

通过使用Origin软件对数据拟合，判定系数R2=0.875 1，环境照度与驾驶人眨眼频率数学模型为

(4)

式(4)中：y2为眨眼频率，Hz。

图9 不同照度下驾驶人眼睑闭合度拟合曲线Fig.9 Curve of driver’s eyelid closure under different environmental illumination

图10 不同环境照度下驾驶人眨眼频率拟合曲线Fig.10 Curve of driver’s blink rate under different environmental illumination

环境照度与驾驶人注视时长散点图和拟合曲线如图11所示。由图11可知，驾驶人注视时长主要分布于2～4 s，驾驶人注视时长随照度增加呈现减小—增加的趋势，在海底隧道出入口段，照度变化较大，驾驶人注视时长增加。

通过使用Origin软件对数据拟合，判定系数R2=0.882 9，环境照度与驾驶人注视时长数学模型为

(5)

式(5)中：y3为单次注视时长，s。

环境照度与驾驶人行车速度散点图和拟合曲线如图12所示。海底隧道内外照度主要分布于100～45 000 lux，驾驶人行车速度主要分布于50～60 km/h，驾驶人行车速度随照度增加呈现减小—增大的趋势，在海底隧道出入口段，照度变化较大，驾驶人行车速度减小，驾驶状态紧张。

图11 不同环境照度下驾驶人注视时长拟合曲线Fig.11 Curve of drivers’ fixation duration under different environmental illumination

图12 不同环境照度下驾驶人行车速度拟合曲线Fig.12 Curve of driving speed under different environmental illumination

通过使用Origin软件对数据拟合，判定系数R2=0.856 3，环境照度与驾驶人行车速度数学模型为

(6)

式(6)中：y4为行车速度，km/h。

3.2 眼动特征与隧道坡度数学模型

利用Origin软件将各分组内的数据平均化后进行拟合，纵坡坡度与驾驶人眼睑闭合度散点图和拟合曲线如图13所示。海底隧道平均纵坡坡度为 -1.6%～3.5%，驾驶人眼睑闭合度主要分布于 0.45～0.7，驾驶人眼睑闭合度随照度增加呈现减小—增大—减小的趋势，在海底隧道出入口段，纵坡坡度变化大，驾驶人眼睑闭合度减小，精神紧张，注意力集中。

图13 不同纵坡坡度下驾驶人眼睑闭合度拟合曲线Fig.13 Curve of the driver’s eyelid closure under different vertical slope

通过使用Origin软件对数据拟合，判定系数R2=0.796 9，纵坡坡度与驾驶人眼睑闭合度数学模型为

0.125 2x2+0.700 4

(7)

式(7)中：y1为眼睑闭合度；x2为纵坡坡度，%。

纵坡坡度与驾驶人眨眼频率散点图和拟合曲线如图14所示。驾驶人眨眼频率主要分布于 0.25～0.5 Hz，驾驶人眨眼频率随纵坡坡度增加呈现减小—增大的趋势，在海底隧道出入口段，纵坡坡度变化大，驾驶人眨眼频率增加，精神紧张，注意力集中。

图14 不同纵坡坡度下驾驶人眨眼频率拟合曲线Fig.14 Curve of driver’s blink rate under different vertical slope

通过使用Origin软件对数据拟合，判定系数R2=0.830 5，纵坡坡度与驾驶人眨眼频率数学模型为

(8)

式(8)中：y2为眨眼频率，Hz。

纵坡坡度与驾驶人注视时长和拟合曲线如图15所示。驾驶人眨眼频率主要分布于2.5～3 s，驾驶人注视时长随纵坡坡度增加呈现增大—减小—增大—减小的趋势，在海底隧道出入口段，纵坡坡度变化大，驾驶人注视时长增加，注意力集中。

图15 不同纵坡坡度下驾驶人注视时长拟合曲线Fig.15 Curve of drivers’ fixation duration under different vertical slope

通过使用Origin软件对数据拟合，判定系数R2=0.780 1，纵坡坡度与驾驶人注视时长数学模型为

0.100 6x2+2.552 8

(9)

式(9)中：y3为单次注视时长，s。

纵坡坡度与驾驶人行车速度散点图和拟合曲线如图16所示。在平均纵坡坡度为-1.6%～3.5%下，驾驶人行车速度主要分布于50～60 km/h，驾驶人行车速度随纵坡坡度增加呈现增大—减小的趋势，在海底隧道出入口段，纵坡坡度变化大，驾驶人行车速度波动性增加。

图16 不同纵坡坡度下驾驶人行车速度拟合曲线Fig.16 Curve of driver’s driving speed under different vertical slope

通过使用Origin软件对数据拟合发现，4次模型R2=0.907 1，误差较小，因此综上所述，纵坡坡度与驾驶人行车速度数学模型为

0.459x2+56.683

(10)

式(10)中：y4为行车速度，km/h。

4 结论

针对海底隧道的交通安全运营问题，研究了驾驶人驾驶车辆在隧道出入口段行驶过程中的眼动特征，得到如下结论。

(1)通过在青岛胶州湾隧道进行实车试验，采集了车辆在隧道出入口段行驶过程中驾驶人眼睑闭合度、眨眼频率、注视时长及车速信息。对驾驶人在隧道出入口段眼动特征及车速信息进行了分析，检验了其在不同照度及纵坡坡度下的差异性。

(2)基于眼动特征数据与照度数据，分别建立了眼睑闭合度、眨眼频率、注视时长及车速关于照度和坡度的数学模型。

(3)驾驶人驾车通过海底隧道出入口段时，受照度和坡度变化影响，眼睑闭合度和眨眼频率明显降低；受照度变化影响，注视时长增加，视认难度增加，注意力集中；不同照度及纵坡下车速保持能力存在差异性，平均车速受照度及纵坡坡度影响较大，车速呈现下降—上升—趋于平缓—下降—上升的规律。