高速分心驾驶的视觉特性研究

摘要：对高速公路上分心驾驶的视觉特性进行了研究。鉴于分心驾驶是交通事故的重要诱因，通过实车实验，在80 km/h、100 km/h、120 km/h三种车速下，设计视觉分心和认知分心任务，利用遥测式眼动仪采集驾驶员眼动数据。研究结果显示，分心驾驶显著改变了驾驶员的视觉注意力分布，缩小了视觉搜索范围，并影响了眨眼频率。尤其在高速行驶时，认知分心导致驾驶员的注意力集中度大幅下降，这无疑增加了交通事故的风险。研究结论不仅为开发高效的分心驾驶识别技术提供了坚实的理论依据，也为交通安全实践提供了重要的指导。通过揭示分心驾驶对驾驶员视觉特性的影响，期望能为减少交通事故、提升道路安全水平做出贡献。

关键词：交通安全；高速驾驶；分心；视觉特性

中图分类号：U492.8 收稿日期：2024-09-20

DOI：10.19999/j.cnki.1004-0226.2024.12.018

1 前言

随着交通运输业的快速发展，高速公路作为现代交通网络的重要组成部分，其安全状况日益受到社会各界的广泛关注。然而，分心驾驶已成为引发交通事故的重要风险因素之一，严重威胁道路使用者的生命安全。分心驾驶，指的是驾驶员在驾驶过程中，由于执行与驾驶任务无关的活动，导致注意力从驾驶任务中转移，从而降低了对车辆的控制能力和对周围环境的感知能力[1-3]。近年来，随着智能交通系统的发展，对分心驾驶行为的识别与预警已成为提高道路安全性的重要手段之一。

驾驶员获得交通信息超过85%来自视觉[4]，视觉系统是驾驶员获得外界信息最重要的渠道。视觉信息主要通过眼动信号反映[5]，眼动是通过追踪眼球运动来记录注视点和眼动轨迹的技术，眼动追踪最关注的事件是确定被试人员看的地方（“注视点”或“凝视点”），准确来说是通过眼动仪设备进行图像处理技术，定位瞳孔位置，获取坐标，并通过一定的算法，计算眼睛注视或者凝视的点。

眼动信号主要分为四大类：注视、眼跳、瞳孔变化和眨眼。注视是眼睛在特定位置的持续停留[6]，主要指标有注视点位置、注视持续时间和注视次数等[7]，揭示了视觉信息的获取过程。眼跳是眼球的快速移动，视线从一点转移到另一点[8]，通过眼跳幅度、眼跳速度、眼跳方向和眼跳准备时间来描述。瞳孔变化反映了个体的生理和心理状态，主要指标包括瞳孔直径、瞳孔扩张/收缩速度和瞳孔变化模式[9]。眨眼则是眼睑的快速闭合和打开，以眨眼频率、眨眼持续时间和眨眼潜伏期为主要指标。

Alberto等[10]分析了驾驶员在自动和手动驾驶模式下的视线转移和持续时间的变化。刘卓凡等[11]研究了不同交通环境下视觉分心程度对驾驶行为的影响，探讨了视觉分心与驾驶安全性的关系。褚英帆等[12]聚焦于不同年龄段驾驶员在驾驶过程中因浏览车载信息系统而导致的分心问题，分析了驾驶员在不同中控屏布局和任务负荷下的视觉行为特性。

综上，视觉分心深刻影响驾驶行为，而车速差异会导致驾驶员视觉信息的差异。鉴于此，本文采取实车实验，以眼动信号为基础，挖掘不同车速下驾驶员分心驾驶时的视觉特性，为高速分心驾驶行为识别技术的发展提供新的思路和方法，为提高交通安全水平做出贡献。

2 实车试验

2.1 试验方案设计

试验安排在一条25 km长的高速路段进行，该路段有清晰的道路标线和交通标志。为探讨不同车速下驾驶员分心驾驶视觉特性的区别，分别选择三天上午9∶30～11∶30，天气晴朗，温度在20～30 ℃之间进行试验测试。受试者首先进行基础视线校准，然后在不同车速下（80 km/h、100 km/h、120 km/h）进行驾驶。在驾驶过程中，本试验设计了视觉分心任务（看路侧广告牌）和认知分心任务（计算测试）两类任务研究驾驶员的视觉特性，同时驾驶员无任何其他干扰正常驾驶一段路程作为参照。

a.看路侧广告牌。被试者按照副驾试验人员要求看窗外路测的广告牌，看到后回答已看到即可恢复正常驾驶，一共三次。

b.计算测试。被试者回答副驾试验人员提出的计算测试题，口头表达计算公式结果，一共三题，测试题目如：44加27等于多少？81减38等于多少？

2.2 试验设备

使用遥测式眼动仪（SmarteyePro）进行受试人员眼动信号的采集，设备主要包含4个非接触式眼动追踪摄像机、3个红外灯照明装置和1个场景摄像头，采样率为60 Hz。眼动追踪摄像机分别固定在汽车中控台位置上，兼顾采集受试者从左后视镜到右后视镜的视角范围内的眼动数据，包括视线区域、注视时长及眨眼频率等关键数据，研究受试者的视线注意力分布特征，同时通过GPS采集车辆速度信息。试验设备搭建如图1所示。

基于视野平面对驾驶室主要注视区域进行划分，识别包括前方道路主视区、仪表盘信息显示区、后视镜观察区、车载信息系统交互区等关键区域，并通过高精度激光扫描确定各区域的边界，最后在眼动仪软件中进行建模。以中间的摄像头为坐标原点，通过二维信息搭建假象空间，构建驾驶室注视区域模型如图2所示。

各部分对应区域名称见表1。

2.3 试验数据采集

为了准确表征驾驶员正常驾驶时的视觉特性，试验过程中采集如下数据：

a.注视点。驾驶过程中，通过驾驶员的注视点可以确定驾驶员主视区。

b.平均扫视幅度。平均扫视幅度是指相邻两个注视点之间的范围，通常用两个注视点之间的夹角来表示。

c.眨眼频率。眨眼频率是指驾驶人单位时间内眨眼的次数。

d.偏离主视区时长。偏离主视区时长是指驾驶员视线离开主要关注区域的时间长度，记录驾驶过程中驾驶员视点偏离主视区的时长。

3 数据分析

3.1 驾驶员主视区

在本次实车试验中，记录了驾驶员正常驾驶时在不同车速（80 km/h、100 km/h、120 km/h）下的视线区域分布数据。为了更直观地展示这些数据，选择每个车速下5 min（即300 s）的稳定驾驶时间作为分析对象，并生成了图3所示的柱状图。该柱状图展示了在不同车速下，驾驶员注视点落在各个区域的比例。图中，每个车速下的数据都通过不同颜色的柱子表示，横轴代表不同的视线区域，纵轴代表注视点落在该区域的比例。通过比较不同车速下各区域的比例，可以分析驾驶员在不同车速下的视觉注意力分布特点。

如图3所示，驾驶员的视线主要集中于风挡玻璃左下部，这一趋势在不同车速下均保持一致，凸显了该区域作为驾驶员观测前方道路及交通状况的主要区域。随着车速的提升，驾驶员在该区域的视线占比显著增长，而其他区域的视线分配则相应减少。这一现象揭示，在高速行驶条件下，驾驶员更倾向于将注意力聚焦于近前方的路况，以便更有效地应对潜在的紧急情况。

3.2 平均扫视幅度

平均扫视幅度，即相邻注视点间夹角的范围，是衡量驾驶员视觉搜索广度的重要眼动指标。图4以箱式图形式展示了不同车速下驾驶员的平均扫视幅度。在正常驾驶状态下，尽管车速有所提升，平均扫视幅度仅呈现轻微波动，整体维持稳定，这表明驾驶员的视觉搜索范围在不同车速下保持相对一致，未受显著影响。

然而，在分心驾驶情境下，平均扫视幅度的变化呈现出显著差异。具体而言，执行视觉分心任务时，驾驶员的平均扫视幅度显著增加；相反，在执行认知分心任务时，则呈现减小趋势。这些观察结果揭示，不同类型的分心任务对驾驶员的视觉搜索范围产生了截然不同的影响，导致视觉搜索行为更为复杂多变。因此，尽管平均扫视幅度作为眼动指标能在一定程度上反映驾驶员的视觉搜索活动，但在评估驾驶员分心状态时，其有效性可能受到一定局限。

3.3 眨眼频率

眨眼频率指的是驾驶人单位时间内眨眼的次数，它能够间接反映驾驶员的精神状态和视觉负荷。图5展示了不同车速条件下驾驶员的眨眼频率箱式图，在正常驾驶和认知分心驾驶条件下，随着车速的提升，驾驶员的眨眼频率也呈现出上升趋势。然而，在视觉分心驾驶情境下，这种正相关关系并不显著，眨眼频率普遍低于其他两种驾驶任务类型，且随车速增加呈现出轻微的下降趋势。

进一步分析发现，驾驶任务类型对眨眼频率具有显著影响。正常驾驶时，眨眼频率相对较高，相比之下，视觉分心驾驶显著降低了眨眼频率，这可能是由于视觉注意力的分散导致了对眼部活动的抑制。而认知分心驾驶在较低车速时眨眼频率与正常驾驶相近，但随着车速提升，眨眼频率显著增加，这可能反映了驾驶员在高速驾驶同时处理复杂认知任务时，眼部活动的补偿性增加。

3.4 偏离主视区时长

驾驶员视线偏离主视区的时长，作为衡量其注意力集中度的关键指标，在驾驶行为分析中占据重要地位。本研究记录了不同车速条件下，驾驶员在正常驾驶、执行视觉分心任务及认知分心任务时的视线偏离主视区时长，并通过图6的箱式图进行了展示。分析结果显示，随着车速的提升，三种驾驶状态下的视线偏离时长均有所增长。然而，各状态的增长趋势与幅度存在显著差异。

具体而言，在正常驾驶状态下，尽管车速增加，驾驶员偏离主视区的时长增长幅度较小，仅略有上升，这表明在正常驾驶过程中，驾驶员能够较好地保持注意力集中。在分心驾驶状态下，特别是认知分心状态，偏离主视区时长的增长幅度显著增大。在120 km/h的车速下，认知分心状态下的偏离主视区时长均值高达15.69 s，是正常驾驶状态下的近三倍，表明分心驾驶对驾驶员的注意力集中度造成了严重影响。

表2对不同车速下偏离主视区时长统计结果进一步揭示了不同车速下、不同分心状态下驾驶员的视觉情况。在不同车速下，认知分心状态的偏离主视区时长均值始终最高，且标准差与均方根误差也相对较大。在80 km/h车速下，认知分心状态的均值达到14.63 s，标准差为3.69 s；而在120 km/h车速下，均值更是高达15.69 s，标准差增至3.44 s。这表明在分心驾驶状态下，驾驶员的视线偏离行为不仅频繁，而且具有高度的不稳定性和个体差异。此外，随着车速的增加，视觉分心状态下的偏离主视区时长也有所增长，但增长幅度相对较小，标准差与均方根误差也相对较低，说明视觉分心对驾驶员注意力集中度的影响相对较小，但仍需引起关注。

4 驾驶分心特征分析

本文采用单因素方差分析（ANOVA）来检验不同驾驶状态下各项眼动指标的显著性差异，该方法能够有效地比较三个或更多组别之间的均值差异。其中，P<0.01表示差异极显著，即两组数据之间存在明显的统计差异；P>0.05则表示差异不显著，即两组数据之间的统计差异在可接受范围内，具体统计结果见表3。

研究结果表明，在正常驾驶状态下，平均扫视幅度随车速提升虽有波动但总体稳定，而眨眼频率和偏离主视区时长均随车速提升略有提升。在分心驾驶状态下，驾驶员的视觉特性和注意力分配模式却发生显著变化。视觉分心导致驾驶员的平均扫视幅度增大，眨眼频率降低，这可能是由于驾驶员需要在更广阔的视觉区域内搜索信息以完成任务，同时视觉注意力的分散抑制了眼部活动。相比之下，认知分心则导致驾驶员的平均扫视幅度减小，眨眼频率在高速时显著增加，且偏离主视区时长显著增加，这反映出认知分心占据了驾驶员的认知资源，缩小了视觉搜索范围，并严重影响了驾驶员的注意力集中度。

5 结语

本文通过实车实验，深入探讨了高速驾驶过程中分心行为对驾驶员视觉特性的影响。研究发现，分心驾驶不仅显著影响驾驶员的视觉搜索模式，还导致其眨眼频率和注意力集中度发生变化。特别是在认知分心状态下，高速驾驶时驾驶员的注意力集中度显著降低，增加了交通事故的风险。本研究成果为高速分心驾驶行为识别技术的研发提供了新的视角和方法，对于提升道路交通安全具有重要意义。然而，本研究仍存在局限性，如试验样本量有限、分心任务类型不够全面等，未来研究可以进一步扩大样本量，探索更多类型的分心任务，以及研究分心驾驶对驾驶员生理和心理状态的全面影响。

参考文献：

[1]孙剑，张一豪，王俊骅.基于自然驾驶数据的分心驾驶行为识别方法[J].中国公路学报，2020，33（9）：225-235.

[2]罗霜，易鑫鑫，邵毅明，等.城市道路下分心行为对驾驶员驾驶绩效的影响[J].中国安全科学学报，2024，34（1）：70-76.

[3]秦斌斌，彭良康，卢向明，等.司机分心驾驶检测研究进展[J].计算机应用，2021，41（8）：2330-2337.

[4]韩西阳.基于驾驶绩效的驾驶员认知分心检测方法研究[D].长沙：湖南大学，2019.

[5]王海晓，丁旭，郭敏，等.基于视觉信息加工的草原公路行车安全性分析[J].重庆交通大学学报（自然科学版），2024，43（2）：65-74.

[6]于国丰.眼球运动的类型及其表现形式[J].心理科学进展，1983（7）：31-38.

[7]Liang Y L，Lee J D.A hybrid Bayesian Network approach to detect drivercognitive distraction[J].Transport Res C-Emer，2014，38：146-155.

[8]靳慧斌，陈健，刘文辉，等.眼动指标在实时测量心理负荷中的应用进展[J].科学技术与工程，2015，35（5）：79-85.

[9]刘长宝，臧延伟，孙兴.基于视觉特性的城市隧道中间段洞顶景观对行车安全的影响分析[J].现代隧道技术，2024，61（3）：228-235.

[10]Alberto M ，Pnina G ，Bruce M ， et al.A model for naturalistic glance behavior around Tesla Autopilot disengagements[J].Accident Analysis and Prevention，2021，161：106348-106348.

[11]刘卓凡，何瑜超，丁涛，等.不同交通环境下视觉分心程度对驾驶行为的影响[J].公路交通科技，2023，40（5）：178-183.

[12]褚英帆，秦华，冉令华，等.不同年龄段人群驾驶分心时的视觉特性分析[J].科学技术与工程，2023，23（34）：14851-14856.

作者简介：

亓鑫，男，1998年生，助理工程师，研究方向为智能网联汽车测试。