基于5G和车联网技术下的疲劳驾驶预警系统

刘彩虹　李淦初　李诗

摘要：通过逐年报告分析，疲劳驾驶一直是交通事故中的一大重要隐患。本文结合5G和車联网的技术背景，对实时监测疲劳驾驶预警系统进行了一系列设计和构思，从项目概述、实施方案到项目特色和对未来展望进行了深入的探索。

关键词：5G;车联网;疲劳驾驶;通信;预警

中图分类号：TD302文献标识码： A

文章编号：1009-3044（2021）04-0181-03

1引言

随着人民经济水平的不断提升，家家户户拥有私人汽车已司空见惯。私家车数量不断增长的同时，交通事故发生的频率也大大提高，其中因疲劳驾驶引发的交通事故一直都是一个重大隐患。随着科学技术的发展，相关的疲劳预警技术却仍存在较大缺陷，还具有很大的发展空间。依据国内外已有的疲劳驾驶预警系统的研究和分析，疲劳驾驶预警系统主要还存在着一些不足。德系汽车、日产等公司采用的是间接测量，通过机器学习等方法分析驾驶员的行为，但其精确度不高，容易出现误判等不良情况;丰田、捷豹等公司采用直接测量的方式，通过人面部特征或是脑电信息来作为判断依据，虽然精确度大大提高，但是成本也相对应升高，很难实现普遍推广。由此可见疲劳驾驶预警技术还有极大的发展和完善空间。

随着5G元素的提出和普及，再到车辆间智能化、电子化以及网联化的提高和改善，云平台和新兴科技的发展，疲劳驾驶预警技术存在的不足可以进一步得到发展和改善。提高精度降低成本，更加人性化和智能化的疲劳驾驶预警系统在不久的未来将会成为现实。

本文所构思的系统将以5G和车联网为时代背景，研究一款高效的精确度较高的疲劳驾驶预警系统。

2设计方案

总体设计理念框图如图1所示：

2.1 疲劳预警系统设计

2.1.1 信息采集

1）摄像头模块

疲劳驾驶多半是驾驶员熬夜行驶引起，在白天和夜晚都有可能会出现疲劳驾驶现象。但在夜晚发生疲劳驾驶时，普通的摄像头可能无法清晰的捕获到驾驶员面部信息。因此系统将会选用红外高清摄像头，即便疲劳驾驶发生在比较漆黑的夜晚，摄像头也能清楚的捕获驾驶员的面部信息。如图1所示，采用DH-S10-1080P红外高清摄像头进行人像拍摄。

2）CCD图像传感器

CCD图像传感器是一种新型光电转换器，具有体积小、重量轻、分辨率高、灵敏度高等优点。选用CCD图像传感器和红外高清摄像头构成信息采集部分，大大提高了信息采集的时效性和准确性。

3）摄像头安装位置选择

传统的疲劳预警设备有头戴式和悬挂式等几种，这些传统的设备都有一个比较大的弊端，即在检测驾驶员疲劳情况的同时，也很大程度上影响了驾驶员的行驶，甚至有可能造成无法预料的交通事故。考虑到这些因素，将系统的摄像头安装在距驾驶员0.5m左右的汽车仪表盘上方，一是具有较强的隐蔽性，不会影响到驾驶员行驶和判断路况;二是不会给驾驶员在驾驶过程中造成不适，安装位置比较合理，能全面拍摄到驾驶员面部。

2.1.2 信息处理

在现实场景中，有诸多的外界因素会使收集的图像信息出现模糊、重影、色差或是曝光严重而不成像等问题。因此，对采集的信息再进行一次信息处理，使收集的面部信息更加清晰将会大大提高系统判断的准确性。 本系统选用的图像处理的技术有Gamma校正和高斯滤波。

Gamma校正是对输入的图像的灰度值进行指数变换的过程，进而校正亮度偏差，通常应用于扩展暗调的细节。基于Gamma校正开发出的Gamma灰度校正技术，通过改变自身参数值来改变图像整体的亮度，图像过暗的部分经Gamma校正会得到比较好的改善。

高斯滤波用高斯函数来对输入信号进行计算然后得出结果作为该信号的值，本系统采用二维的高斯函数滤波通过在水平和竖直方向对图像进行处理，更加的方便快捷，并且能获得信噪比比较高的图像，大大提高了人脸系统识别的可靠性。

2.1.3 信息判断

信息判断的总体流程如图2所示：

1）人脸部和眼部检测

人脸检测和人眼检测是一项检测出图像中人脸和人眼所在位置的技术，其算法是输入一张图像，输出的是一个人脸或人眼眶坐标序列。通常情况下，人脸或人眼坐标框是一个矩形。因此系统将通过摄像头采集的图像信息，根据相关算法进行人脸或人眼检测。本系统基于opencv这样一个开源的计算机视觉库来实现人脸和人眼检测，opencv有着Python、C++和Java等多种接口，并支持Android、Linux、Windows和IOS等平台，人脸和人眼检测的算法采用Python语言进行编写，能够准确地捕捉到图像中的人脸，并且能够精确识别人眼位置。开发过程中，还可以设置“输入图像尺寸”“最小脸尺寸限制”以及“人脸或人眼数量上限”来加速算法。

2）疲劳判断

系统定位到人眼后，根据基于疲劳程度系数和眨眼频率算法来进行驾驶员疲劳程度的判断，正常情况下，一分钟内人眨眼次数的范围为（15，25）。当检测到驾驶员一分钟内的眨眼次数不在这个正常范围内时，则判断为异常状态。当眨眼次数为异常状态时再根据具体眨眼次数进行具体分析，一分钟眨眼次数在（0，15）范围内判定为疲劳状态，在25次以上时判定为其他特殊情况，确定为疲劳状态时再根据人眼状态进行细分。

在本系统中，设置P参数表示司机的疲劳的程度数值，S1代表实时采样的驾驶员眼睛睁开的面积，S0为系统之前保存的清醒状态下的黑色面积。则疲劳程度的判断公式如式（1）所示：

当系统根据眨眼疲劳判断驾驶员为疲劳状态后，若疲劳程度值在0和0.25之间时判定眼睛为闭合状态，即驾驶员处于重度疲劳;当疲劳程度值处于0.25和0.5之间时，判定为半睁开状态，即驾驶员处于轻度疲劳;当疲劳程度值处于0.5和1之间时，判定为睁开状态，即驾驶员为正常行驶。

2.1.4 信息传输

当行驶道路上有疲劳驾驶的情况发生时，该疲劳驾驶车辆的相关信息，例如速度和具体位置信息会通过5G车联网这样一个通信网络传输至周围车辆，使周围车辆提前预知到身边的危险信息，让危险变得可视化，预留出充足的时间给周围车辆提前做好相关应急准备，进而避免交通事故的发生。

2.2 5G车联网通信的实现思路

本系统通过植入5G模块进行无线传输，采用蜂窝车联网基于PC5接口的V2V通信，车辆用户数据的接收与发送服从半双工数据的传输方式。发送用户使用广播机制通过副链路将车联网需要传输的信息传输给位于一定距离范围内的多个用户，这样便能实现将疲劳驾驶车辆的相关信息通过车联网传输给周围车辆，起到预警作用。

2.3 本系统的创新点

2.3.1 多角度实时监测驾驶状态

传统的疲劳驾驶预警系统是通过依据传感器检测车辆状态参数，如车速、发动机转速、横摆角速度、侧向加速度、转向盘角速度和角加速度等及各信号的后处理参数进行分析计算得到驾驶员状态监测结果，或驾驶员佩戴相关仪器采集心电信号和脑电信号来判断是否疲劳。前者精度不高，容易造成误判，后者精度虽高但会影响司机驾驶和甚至判断路况，并让司机造成极度的不舒适感。本系统采用的眼部状态、眨眼频率和车内环境多方面结合判断疲劳驾驶，不仅弥补了前者的精确度低的缺陷，还避免了后者给司机带来的不适感和麻烦。并对司机的驾驶状态进行实时监测，不断采集司机的面部信息和车内环境信息，一旦符合疲劳驾驶条件便会启动报警，在一定程度上阻断疲劳驾驶的发生，大大提高了安全行驶的可行度。

2.3.2 5G车联网通信覆盖范围广

由于通信基于5G的车联网系统，5G覆盖范围很广，5G车联网V2V通信的最大距离大约为1000 m，可以解决车辆自组网通信中短暂、不连续的连接问题，尤其是在通信过程中遇到大型物体遮挡的环境下。这样的系统更加灵活可变，即便出现通信不稳定等通信问题，依旧不会影响系统的运作。基于5G高速低时延的特点，使系统增加了车与车之间无障碍低时延的信息通信特色，在时间上为应对交通事故争取了更多时间，从根源上阻断因疲劳驾驶造成的连环追尾等重大事故的发生。

2.3.3 可以语音报警和语音识别

为避免当附近有疲劳驾驶车辆时对周围车辆进行信息传输和报警而影响正常的驾驶车主行驶，其报警系统可以选择像导航提示语音一样柔和的语音进行提示，避免正常车主在行驶过程中造成突然的惊吓而造成交通事故发生。并考虑到驾驶员驾驶车辆时不方便操控系统的一些功能，本系统采用了语音控制功能，可以通过一定的语音识别对系统进行操控。

2.3.4疲劳驾驶的多程度判断

本疲劳驾驶预警系统采用多程度判断模式，对不同程度的疲劳驾驶进行不同的报警方式，以减少因为误判而造成对车主的影响。如果检测到车内二氧化碳超过设定值时，系统会通过语音提示车主可以进行开窗通风，以防止疲劳;如果车主被判定为轻度疲劳时，系统会通过语音进行报警并伴随短促间断的蜂鸣器报警音，并向周围车辆发出报警信息;如果被判定为重度疲劳，系统会通过高强度的语音报警和持续的蜂鸣器报警音，并向周围车辆发出报警信息，并通过车联网联系交管部门。通过细致化的判断疲劳驾驶系统，会减少带给车主的不适感和出现误判是造成的麻烦，可以使系统更加完备和成熟。

3 结束语

5G是当今时代科研的发展趋势，5G终将会被普及，而5G和车联网的结合将会给交通带来巨大的便利。5G通信的低时延、可靠和大吞吐优势以及5G车联网支持速度更快的车辆通信和可以提供高速的下行和上行链路数据速率让车与车、车与移动终端之间实现高质量通信的特点，使传统的疲劳驾驶系统跳出了低速高时延，传播范围窄的弊区，让该系统具有了更高的研究意义和价值，基于5G的车联网疲劳驾驶预警系统将成为未来重要的发展方向。加之车联网的存在，周围的车辆可以实现车与车之间信息传递和共享，將身边的危险变得可视化。车主可以提前预知到周围的危险，提前做好相应的应急措施，对危险进行预判，很大程度上减少了交通事故的发生而造成不必要的伤亡，对社会稳定和人民生活具有极高的价值意义。

参考文献：

[1] 魏秀林，黄健乔慧峰，等.5G赋能车联网供应链的研究[J].物流科技，2020，43（2）：125-126.

[2] 李杏.5G车联网资源分配技术研究与评估[D].北京：北京邮电大学，2019.

[3] 王小臣，蒋树国，王成.车联网中移动边缘计算的网络架构[J].客车技术与研究，2020，42（2）：9-11，22.

[4] 敖立. 推进5G可推广的创新模式和发展路径[N].人民邮电，2020-04-28（004）.

[5] 刁倩.汽车疲劳驾驶车载联网预警系统的研究[D].淮南：安徽理工大学，2015.

[6] 朱雪田.5G车联网技术与标准进展[J].电子技术应用，2019，45（8）：1-4，9.

[7] 李东泽.基于5G的车联网技术的优势分析[J].通讯世界，2019（10）：146-147.

[8] 陈瑜，李锦涛，徐军莉，等.基于眼动特征的驾驶员疲劳预警系统设计[J].软件导刊，2020，19（5）：116-119.

[9] 李超，石向荣，黄剑华.基于脑电信号处理的疲劳驾驶预警系统的设计与实现[J].科学技术创新，2018（2）：75-76.

[10] 于立娇，吴振昕，王文彬，等.驾驶员疲劳状态监测系统综述[J].汽车文摘，2019（3）：24-30.

[11] 冯婧，顾梅花.基于OpenCV的人脸识别算法研究与实现[J].电脑知识与技术，2020，16（14）：3-5.

[12] 莫玲，麦仁标，马博，等.人眼状态检测与识别系统研究[J].轻工科技，2020，36（2）：77-80.

【通联编辑：梁书】