山区公路驾驶视觉信息量计算方法研究

孟云伟，陈 磊，刘博航，陈炳阳，潘晓东

(1.重庆交通大学交通运输学院，重庆400074；2.石家庄铁道大学交通运输学院河北省交通安全与控制省级重点实验室，石家庄050043；3.广西北部湾投资集团有限公司，南宁530029；4.同济大学交通运输工程学院，上海201804)

0 引 言

眼睛是驾驶人接受路域行驶环境信息的主要感官，至少有80%的信息通过眼睛获得，且人的视觉通道特性能够反映出其心理、生理状态[1].在山区公路上行驶，因山区公路具有丰富多变的自然、人文路域景观，驾驶人将动态接受不同种类、不等数量的路域环境信息.同时，山区公路具有线形复杂、人工构造物多、空间变换频繁等特点，驾驶人时刻承受着一定的心理负荷，这直接关联实际的驾驶操作绩效，最终对行车安全产生影响.因此，在交通安全的人因方面，驾驶视觉信息量、视觉心理负荷成为相关专家、学者所关注的指标.

潘晓东等[2]通过173 个样本实验研究发现，使用驾驶人的眨眼时间均值表征驾驶疲劳监测的效果较为合适.孟云伟[3]通过实车实验，对山区公路中驾驶人的视觉特性进行分析发现，驾驶人的瞳孔面积、眨眼次数、关注时间、关注位置与道路的平曲线半径大小、左转或右转等道路几何线形参数有对应关系.段萌萌等[4]以瞳孔面积最大瞬态速度值及换算视觉震荡持续时间作为评判视觉负荷大小的依据.Nadya C.Yuris 等[5]进行驾驶模拟实验，研究认为，被试对外界驾驶信息的视觉关注次数、眼跳次数越少，说明线索利用率越高，发生交通事故的风险就越小.陈雨人等[6]将地下道路的驾驶视觉负荷与行驶环境的颜色饱和度S、量度V等指标建立量化关系，验证了计算结果的准确性.刘伟等[7]基于视知觉原理，对交通可变信息进行评价研究.彭金栓等[8]通过实验研究发现，驾驶心理负荷与驾驶经验之间有明显的相关性.胡江碧等[9]利用室内模拟夜间高速公路雾区交通环境，得到不同光源条件下雾区能见度与视认距离的相关关系.郑志晓等[10]的研究认为，无论何种难度等级的视觉分神，都将引起对车辆操控能力的下降.王芳[11]采用光流率、信息熵的有关概念，提出公路线形视觉信息量的计算方法.

上述研究均对驾驶视觉的心理特性进行了针对性的分析，但针对山区公路丰富的路域环境，还可以从视觉负荷与视觉信息量的本质关联性等方面进行深入的挖掘.本文认为，驾驶视觉心理负荷是视觉信息量作用于各个具体驾驶人的内在反应，路域行车环境产生的视觉信息量是心理负荷的起源.在驾驶人的视野中，山区公路路域行车环境具有丰富多彩的颜色，可以从颜色模型HSV(色调、饱和度、亮度)的角度进行视觉信息量计算的探索.

1 视觉信息量计算方法

1.1 路域行驶环境中色彩的计算

驾驶人行车过程中，视觉信息量由车辆所处道路景观环境的复杂程度决定.路域环境由多因素组成，其色彩对驾驶人的视觉心理造成直接影响.因此，路域行驶环境中色彩的量化是视觉信息量计算中的关键.本文利用HSV 色彩模型对视野图像进行图像分割，以区分不同的注视区域.

某一时刻，利用HSV色彩模型中的分量值，将驾驶人视野图像的颜色信息C和亮度信息L表示为

式中：i、j分别为图像中各像素点的横、纵坐标；M、N分别为图像整体的宽度值、高度值；H(i,j)和S(i,j)分别为像素点(i,j)在H通道、S通道的颜色值；V(i,j)为像素点(i,j)在V通道的亮度值.

纹理亮度值计算公式为

式中：W1为颜色信息的权重；W2为亮度信息权重，W1+W2=1.

通道显著性权重由该通道上的信息量来确定[12]，权重针对的是颜色、亮度通道，旨在表明哪个通道对驾驶人视觉影响更明显，即若颜色通道信息量更多，则表明该通道对驾驶人的视觉影响更明显，反之亦然.

首先，根据视野中图像的HSV 分量值及图像尺寸计算颜色信息C、亮度信息值L，将两者大小进行比较，确定颜色信息的权重W1和亮度信息权重W2.若C ＞L，则说明图像的颜色信息对驾驶人视觉心理影响较大，应赋予其较大的权重；若C ＜L，则应赋予亮度信息较大的权重.本文参考文献[12]，取较大权重0.85，较小权重0.15.

1.2 驾驶视觉负荷

在文献[6]中，纹理亮度表明了视觉图像信息的丰富程度，色彩信息的离散程度，人眼对物体的分辨程度，可用于计算视觉负荷；驾驶视觉心理负荷与颜色饱和度S、亮度V 的值有对应关系.借鉴其使用纹理亮度计算视觉负荷的方法，考虑到山区公路的路域行驶环境，认为色调H 值也将对心理负荷产生直接作用，因此，综合色调H、饱和度S、亮度V这3个值计算心理负荷.

为获取图像的HSV 分量值，需要对视野图像进行分割，以便进行信息提取.视野区域分割方法有二分法[6]、四分法[13]、七分法[14]、八分法[15]等.山区公路路侧景观为驾驶人提供有效信息量，结合心理物理学评价指标适宜评价路侧景观的研究成果[13]，将视野图像划分为4 部分，即天空、路面、左路侧、右路侧4个区域，如图1所示.

图1 视野图像区域划分Fig.1 Visual field image area division

从图1 可知，将视野图像分隔为2 类(视野前方、视野两侧)4 个区域，即天空区域A、路面区域D、左侧区域B和右侧区域C.分别计算分割后各个区域的面积、纹理亮度值，再计算前方、两侧的视觉心理负荷，最后进行加和，视觉心理负荷计算公式为

式中：FC，Fp分别为前方和两侧的视觉心理负荷；分别为各区域的纹理亮度值；分别为各区域的面积.认为各个区域的纹理亮度值存在明显差异，不考虑夜间等各区域纹理亮度难以区分的情况.

文献[6]对视觉心理负荷取单位时间内的变化量，得到视觉心理负荷强度.本文认为视觉心理负荷即为单位时间.这样，视觉心理负荷与车辆的行驶速度呈幂函数关系，即随着车速的增加，驾驶人的视觉负荷急剧增加，表达式为

式中：F为视觉负荷强度；v为行驶速度(km/h)；α,β为待定系数.

1.3 驾驶视觉信息量计算

在热力学第二定律的基础上，建立公路线形信息量模型，认为驾驶人所接收的视觉信息量为各交通组成与驾驶人共同作用产生“外力”而做的“功”.Gibson[17]提出，当人在观察动态景象时，产生的是一系列连续的变化，即连续的输出信息，这种连续变化的信息不断在视网膜上成像，如同光在“流动”，即为“光流”.文献[11]以“光流形式做功”为基础，将信息源以角速度wi在视网膜上的成像作为“视觉信息量”，提出视觉信息量的计算模型为

式中：WS为单位时间视觉信息量(N·m)；vi为信息源相对于驾驶人的移动速度(m/s)；li为信息源的大小；wi为信息源相对于驾驶人的角速度(rad/s)，为微段相对于驾驶人视线的偏角(rad)；t为时刻(s)；ri为信息源相对于驾驶人眼睛的旋转距离(m).

利用视觉力做功的原理[11]，在模型计算中，视觉信息量由两部分组成，如图2 所示.一部分为视野中前方路域环境提供的信息量，为注视点主要关注区域；另一部分为视野中两侧范围内路域环境提供的信息量，也处于视觉感知范围之内.视觉信息量的表达式为

式中：I为视觉信息总量，由中间视野部分的I1和两侧部分的I2组成.根据光流做功原理，I1和I2计算公式分别为

式中：L为单车道宽度(m)；S为驾驶人视距(m)；θv为驾驶人视野(rad)；y(t)为x(t)在y坐标轴的投影(rad)；r为微段以wi为角速度时的转矩(m).

该计算适用于驾驶人视点固定、直线段、自由流及自然光照度正常的日间情况.将式(5)、式(8)和式(9)联立，即可得到驾驶视觉信息量值.

图2 视觉信息量计算图示Fig.2 Schematic diagram of visual information calculation

2 实车实验设计

通过实车实验采集山区公路的路域环境信息，作为计算驾驶视觉信息量的基础数据.

2.1 实验路段

实验路段为重庆市境内一段山区高速公路，中间无互通，单向里程长度45 km，限速100 km/h.该路段有多处小半径、大纵坡路段，沿线交通工程设施齐全，绿化资源丰富，路域景观类型多样，具有典型的山区高速公路特征，路域景观特性满足实验目的的需要.行车实验时，交通流处于自由流状态.

2.2 实验设计

实车实验的内容主要包括记录路域景观的动态图像，驾驶人的视觉反应，车辆的行驶状态等指标.利用眼镜式眼动仪、高清摄像机等设备，测量记录驾驶人的视觉心理特征及路域景观信息.

选择10 名不熟悉实验路段的驾驶人，均为男性，矫正视力均在5.0 以上，其中，[20,30)岁5 名，[30,40)岁5名，实验前保持正常的身体状态.

2.3 实验数据采集

路域景观可分为郁闭式、半郁闭式、开敞式3种空间类型[16].实验中，事先在实验路段上选取不同路域景观类型的路段，并进行标记.计算10 名驾驶人数据的平均值，作为驾驶视觉信息量的输入值.

3 实例计算与结果分析

3.1 视野图像分隔

利用实车实验采集的数据，采用基于邻域相似性分割的区域生长法，对3 种景观类型的视野图像进行初步分割，并分别提取视野图像中4 部分区域的色彩分量.在图像处理过程中，由于天空、路面、路侧景观的差异性较大，为更加清晰地将4 个区域分割开，在区域生长法的基础上，基于最大阈值的迭代法对图像4 个区域进行局部分割.某时刻视野图像的整个分割过程和结果如图3 所示.

将视觉负荷与行驶速度建立回归分析，结果表明，幂函数关系的相关系数值最大，关系式为y=7.000×10-8x4.401，验证了式(5)的可信度，由此可得系数α=7.000×10-8,β=4.401.

图3 视野图像的分隔Fig.3 Separation of field images

3.2 实验结果分析

从3 种路域景观类型中各抽取5 组数据进行处理，如图4 所示.取每组的平均值，可得开敞型、半郁闭型、郁闭型空间的驾驶视觉信息量分别为2 679，3 004，2 218 N·m.该信息量数值与驾驶人的口述感受一致.

图4 3 种景观类型视觉信息量箱图Fig.4 Boxplot of visual information in three landscape types

对比分析驾驶视觉信息量可知：(1)在山区高速公路中，较为常见的是半郁闭型空间类型，如半填半挖的路基横断面型式，驾驶人的心态属于“适应”型，能较为轻易地获取外界环境信息，在该类型路域环境中，自然环境及人为布设的交通信息来源较容易被驾驶人视觉感知到，驾驶人注视变化的范围较小，在信息源上的注视时间较长，导致视觉信息量值最大；(2)开敞类型的空间，在山区高速公路中较少，驾驶人行经时较为放松，有“享受”路域环境的期望及心态，但心理期望与路域环境的实际供给不匹配，驾驶人注视范围大，采集信息的注视时间较短，视觉感知信息来源较少，导致视觉信息量数值较低；(3)在郁闭类型的空间中，一般多为两侧高陡的挖方边坡，给驾驶人压抑的行驶体验，且该类型路段一般无交通干扰，行驶车速值较大，驾驶人注视范围狭窄，驾驶人无意收集过多信息，“逃离”心态明显，接收的视觉信息量最少.

4 结 论

本文针对驾驶视野图像，从HSV 颜色模型中提取有关参数值，结合驾驶视觉心理负荷，提出驾驶视觉信息量计算方法.通过在重庆市高速公路的实车实验采集的数据，计算出3种不同空间类型的视觉信息量，其数值与驾驶人实际的行车感受具有较高的一致性.该计算方法为视觉心理负荷的分析提供了一种基础性参照，为路域环境中景观的合理布设提供了一种技术参考.