本发明涉及交通安全技术领域，具体涉及一种多维度驾驶员风险感知能力的评估方法。本发明采用模拟驾驶技术对驾驶员危险感知能力进行评估，对数据进行分析和处理，对驾驶员的风险感知能力进行量化考核，更加客观有效；可根据驾驶员的量化得分，有针对性地改善驾驶员的驾驶安全质量，提升驾驶员驾驶能力，进而减少道路交通安全事故发生率。
1.一种多维度驾驶员风险感知能力的评估方法，其特征在于，包括以下步骤：步骤1，建立驾驶员风险感知能力评估模型；
令驾驶员观看n个在可能发生危险的时刻插入标志帧的正常行驶道路场景的视频，并在观看的过程中感知到危险的时刻插入感知帧；
其中，x代表每个视频中标志帧的数量，y代表驾驶员在每个视频中插入的感知帧的数量；
子步骤1.21，令N个驾驶员使用车辆模拟驾驶装置，进行一次加入了M个风险点的正常驾驶；使用生理记录仪采集N个驾驶员在驾驶过程中的心率、血压、瞳孔直径，以及N个驾驶员在每个风险点的眼球扫视幅度和注视持续时间；
首先，记录每个驾驶员在每个风险点的心率数据矩阵HRij：其中，hrNM为第N个驾驶员在第M个风险点的心率；i为驾驶员编号，1≤i≤N,i∈Z；j为风险点的编号，1≤j≤M,j∈Z；
其次，计算每位驾驶员在所有风险点处的心率平均值再次，计算所有驾驶员在风险点处心率的平均值μhr和所有驾驶员在风险点处心率的方2
首先，记录每个驾驶员在每个风险点的血压数据矩阵Kij：其中，KNM为第N个驾驶员在第M个风险点的血压；i为驾驶员编号，1≤i≤N,i∈Z；j为风险点的编号，1≤j≤M,j∈Z；
其次，计算每位驾驶员在所有风险点处的血压平均值Ki：再次，计算所有驾驶员在风险点处的血压平均值μk和所有驾驶员在风险点处的血压方2
子步骤1.24，建立眼动得分模型，子步骤如下：子步骤a，建立眼球扫视幅度得分模型；
首先，记录每个驾驶员在每个风险点的眼球扫视幅度数据矩阵Dij：其中，DNM为第N个驾驶员在第M个风险点的眼球扫视幅度；i为驾驶员编号，1≤i≤N,i∈Z；j为风险点的编号，1≤j≤M,j∈Z；
其次，计算每位驾驶员在所有风险点处的眼球扫视幅度平均值再次，计算所有驾驶员在风险点处的眼球扫视幅度平均值μD和所有驾驶员在风险点处2
其中， 为驾驶员在所有风险点处的眼球扫视幅度平均值；
首先，记录每个驾驶员在每个风险点的注视持续时间数据矩阵Tij：其中，TNM为第N个驾驶员在第M个风险点的注视持续时间；i为驾驶员编号，1≤i≤N,i∈Z；j为风险点的编号，1≤j≤M,j∈Z；
其次，计算每位驾驶员在所有风险点处的注视持续时间平均值再次，计算所有驾驶员在风险点处的注视持续时间平均值μT和所有驾驶员在风险点处2
其中， 为驾驶员在所有风险点处的注视持续时间平均值；
首先，分别计算每位驾驶员在整个驾驶过程中瞳孔直径的平均值 并记录每个驾驶员在每个风险点的瞳孔直径数据矩阵zij：其中，zNM为第N个驾驶员在第M个风险点的瞳孔直径；i为驾驶员编号，1≤i≤N,i∈Z；j为风险点的编号，1≤j≤M,j∈Z；
其次，根据瞳孔直径的平均值 和瞳孔直径数据矩阵zij，得到瞳孔直径变异性数据矩阵Iij：其中，第N个驾驶员在第M个风险点的瞳孔直径变异性再次，计算每位驾驶员在所有风险点处的瞳孔直径变异性平均值从次，计算所有驾驶员在风险点处的瞳孔直径变异性平均值μI和所有驾驶员在风险点2
其中，为驾驶员在所有风险点处的瞳孔直径变异性平均值；
子步骤1.25，建立生理参数得分模型：Ep＝0.3Ehr+0.3Ek+0.4Ey；
子步骤1.31，令N个驾驶员使用车辆模拟驾驶装置，进行L次加入了M个风险点的正常驾驶，其中L＞10；车辆模拟驾驶装置采集每个驾驶员在每次模拟驾驶中，在每个风险点的车辆的加速度大小、速度大小、方向盘转角大小、横向加速度大小；
首先，分别记录L次模拟驾驶每个驾驶员在每个风险点的加速度大小数据矩阵其中， 其中 表示第q次模拟驾驶中，第N个驾驶员在第M个风险点的车辆的加速度大小；i为驾驶员的编号，1≤i≤N,i∈Z；j为风险点的编号，1≤j≤M,j∈Z；q为模拟驾驶的编号，1≤q≤L,q∈Z；
其次，计算第q次模拟驾驶中，每位驾驶员在所有风险点处的车辆的加速度大小平均值再次，计算第q次模拟驾驶中，所有驾驶员在风险点处的车辆的加速度大小平均值 和所有驾驶员在风险点处的车辆的加速度大小方差从次，计算L次模拟驾驶下，所有驾驶员在风险点处的车辆的加速度大小平均值μa和所2
有驾驶员在风险点处的车辆的加速度大小方差(σa) ；
其中， 为驾驶员在1次的模拟驾驶中的所有风险点处的加速度大小平均值；
首先，分别记录L次模拟驾驶每个驾驶员在每个风险点的速度大小数据矩阵其中， 其中 表示第q次模拟驾驶中，第N个驾驶员在第M个风险点的车辆的速度大小；i为驾驶员的编号，
1≤i≤N,i∈Z；j为风险点的编号，1≤j≤M,j∈Z；q为模拟驾驶的编号，1≤q≤L,q∈Z；
其次，计算第q次模拟驾驶中，每位驾驶员在所有风险点处的车辆的速度大小平均值再次，计算第q次模拟驾驶中，所有驾驶员在风险点处的车辆的速度大小平均值 和所有驾驶员在风险点处的车辆的速度大小方差从次，计算L次模拟驾驶下，所有驾驶员在风险点处的车辆的速度大小平均值μv和所有2
其中，为驾驶员在1次的模拟驾驶中的所有风险点处的速度大小平均值；
首先，分别记录L次模拟驾驶每个驾驶员在每个风险点的方向盘偏离直行方向的角度数据矩阵 其中， 其中 表示第q次模拟驾驶中，第N个驾驶员在第M个风险点的车辆的方向盘转角大小；i为驾驶员的编号，1≤i≤N,i∈Z；j为风险点的编号，1≤j≤M,j∈Z；q为模拟驾驶的编号，1≤q≤L,q∈Z；
其次，计算第q次模拟驾驶中，每位驾驶员在所有风险点处的车辆的方向盘转角大小平均值再次，计算第q次模拟驾驶中，所有驾驶员在风险点处的车辆的方向盘转角大小平均值和所有驾驶员在风险点处的车辆的方向盘转角大小方差从次，计算L次模拟驾驶下，所有驾驶员在风险点处的车辆的方向盘转角大小平均值μθ2
和所有驾驶员在风险点处的车辆的方向盘转角大小方差(σθ) ；
其中， 为驾驶员在1次的模拟驾驶中的所有风险点处的方向盘转角大小的平均值；
首先，分别记录L次模拟驾驶每个驾驶员在每个风险点的横向加速度大小数据矩阵其中， 其中 表示第q次模拟驾驶中，第N个驾驶员在第M个风险点的车辆的横向加速度大小；i为驾驶员的编号，1≤i≤N,i∈Z；j为风险点的编号，1≤j≤M,j∈Z；q为模拟驾驶的编号，1≤q≤L,q∈Z；
其次，计算第q次模拟驾驶中，每位驾驶员在所有风险点处的车辆的横向加速度大小平均值再次，计算第q次模拟驾驶中，所有驾驶员在风险点处的车辆的横向加速度大小平均值和所有驾驶员在风险点处的车辆的横向加速度大小方差从次，计算L次模拟驾驶下，所有驾驶员在风险点处的车辆的横向加速度大小平均值μb2
和所有驾驶员在风险点处的车辆的加速度大小方差(σb) ；
其中，为驾驶员在1次的模拟驾驶中的所有风险点处的横向加速度大小平均值；
其中，rx1表示第x个评价指标评价为“优秀”的次数，rx2表示第x个评价指标评价为“良好”的次数，rx3表示第x个评价指标评价为“一般”的次数，rx4表示第x个评价指标评价为“较差”的次数；其中x＝1,2,3,4，x＝1表示第1个评价指标为加速度大小，x＝2表示第2个评价指标为速度大小，x＝3表示第3个评价指标为方向盘转角大小，x＝4表示第4个评价指标为横向加速度大小；Rx表示第x个评价指标的权重，R1＝0.2，R2＝0.3，R3＝0.25，R4＝0.25；
驾驶员风险感知能力评估模型，如下式所示：Mtotal＝(0.2Q1+0.4Ep+0.4B)×100；
步骤2，获取待评估驾驶员在驾驶员风险感知能力评估模型上的总得分；
步骤3，根据待评估驾驶员的得分评估该驾驶员的风险感知能力。
2.根据权利要求1所述的多维度驾驶员风险感知能力的评估方法，其特征在于，步骤2的子步骤如下：子步骤2.1，令待评估驾驶员观看n个在可能发生危险的时刻插入标志帧的正常行驶道路场景的视频，并在观看的过程中感知到危险的时刻插入感知帧；计算得到待评估驾驶员的视频检测得分Q1；
子步骤2.2，令待评估驾驶员使用车辆模拟驾驶装置，进行一次加入了M个风险点的正常驾驶；使用生理记录仪采集待评估驾驶员在驾驶过程中的瞳孔直径，以及待评估驾驶员在每个风险点的心率、血压、眼球扫视幅度和注视持续时间；
子步骤2.3，计算得到待评估驾驶员在所有风险点处的心率平均值、血压平均值、眼球扫视幅度平均值、注视持续时间平均值和瞳孔直径变异性平均值，计算得到生理参数得分Ep；
子步骤2.4，令待评估驾驶员使用车辆模拟驾驶装置，进行L次加入了M个风险点的正常驾驶；车辆模拟驾驶装置采集每个驾驶员在每次模拟驾驶中，在每个风险点的车辆的加速度大小、速度大小、方向盘转角以及横向加速度大小；
子步骤2.5，计算得到待评估驾驶员的车辆操作得分B；
子步骤2.6，计算得到待评估驾驶员的风险感知能力总得分Mtotal。
3.根据权利要求1所述的多维度驾驶员风险感知能力的评估方法，其特征在于，步骤3，具体的，当待评估驾驶员的得分大于等于0且小于60，表明该驾驶员风险感知能力较差；当待评估驾驶员的得分大于等于60且小于80，表明该驾驶员风险感知能力一般；当待评估驾驶员的得分大于等于80且小于等于100，表明驾驶员风险感知能力较强。
一种多维度驾驶员风险感知能力的评估方法
技术领域
[0001] 本发明涉及交通安全技术领域，具体涉及一种多维度驾驶员风险感知能力的评估方法。
背景技术
[0002] 随着道路交通事故发生率不断提高，给经济社会发展带来了巨大损失，为提高驾驶员风险感知能力和安全驾驶意识，基于驾驶员风险感知信息、生理参数变化信息和车辆操作信息驾驶员风险感知意识评估方法成为社会关注的热点。驾驶员风险感知意识的评估方法本质上是以驾驶员为中心，收集驾驶员对即将出现的危险的感知意识、驾驶员模拟驾驶操作过程中的生理参数的变化和驾驶员模拟驾驶操作信息，并通过量化的方式，参照预先设定的量化标准和各部分分数权重，得出驾驶员风险感知能力得分，作为驾驶员是否能够实车驾驶的依据。
[0003] 相关检测技术包生理特征检测技术、视频制作技术和汽车模拟驾驶器。各种技术各有优势，但又存在一定的局限性。生理特征检测技术是一项相对比较成熟的技术，对血压、心率、脑电波等参数的检测准确率较高，但会对驾驶员的驾驶操作产生一定的影响。视频制作技术是一项相对易于操作的技术，可以随意地插入道路安全隐患，但风险场景判断的精度较低。汽车模拟驾驶装置，是一种较为先进的模拟驾驶测试设备，但与真实驾驶环境相比，模拟驾驶装置会减弱驾驶风险对驾驶员生理特征的影响。因此，为提高驾驶员风险意识评估的实用性，准确地表达驾驶员的风险感知能力，应该合理确定三个测试部分的权重，提高风险感知能力分数的可信度。
[0004] 国内针对交通安全的研究起步较晚，缺乏安全驾驶模拟场景和相应研究数据，风险评估体系也相对不完善，引进国外交通安全测试系统关键技术高昂的成本也限制着国内交通安全测试系统的发展。
发明内容
[0005] 针对现有技术中存在的问题，本发明的目的在于提供一种多维度驾驶员风险感知能力的评估方法。
[0006] 为了达到上述目的，本发明采用以下技术方案予以实现。
[0007] 一种多维度驾驶员风险感知能力的评估方法，包括以下步骤：
[0008] 步骤1，建立驾驶员风险感知能力评估模型；
[0009] 步骤2，获取待评估驾驶员在驾驶员风险感知能力评估模型上的总得分；
[0010] 步骤3，根据待评估驾驶员的得分评估该驾驶员的风险感知能力。
[0011] 与现有技术相比，本发明的有益效果为：采用模拟驾驶技术对驾驶员危险感知能力进行评估，对数据进行分析和处理，对驾驶员的风险感知能力进行量化考核，更加客观有效；可根据驾驶员的量化得分，有针对性地改善驾驶员的驾驶安全质量，提升驾驶员驾驶能力，进而减少道路交通安全事故发生率。
附图说明
[0012] 下面结合附图和具体实施例对本发明做进一步详细说明。
[0013] 图1为本发明多维度驾驶员风险感知能力的评估方法的流程图。
具体实施方式
[0014] 下面将结合实施例对本发明的实施方案进行详细描述，但是本领域的技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限制本发明的范围。
[0015] 一种多维度驾驶员风险感知能力的评估方法，包括以下步骤：
[0016] 步骤1，建立驾驶员风险感知能力评估模型；
[0017] 子步骤1.1，建立视频检测得分模型；
[0018] 具体的，令驾驶员观看n个在可能发生危险的时刻插入标志帧的正常行驶道路场景的视频，并在观看的过程中感知到危险的时刻插入感知帧；
[0019] 建立视频检测得分模型：
[0020]
[0021] 其中，x代表每个视频中标志帧的数量，y代表驾驶员在每个视频中插入的感知帧的数量。
[0022] 子步骤1.2，建立生理参数得分模型；
[0023] 子步骤1.21，令N个驾驶员使用车辆模拟驾驶装置，进行一次加入了M个风险点的正常驾驶；使用生理记录仪采集N个驾驶员在驾驶过程中的心率、血压、瞳孔直径，以及N个驾驶员在每个风险点的眼球扫视幅度和注视持续时间；
[0024] 子步骤1.22，建立心率得分模型；
[0025] 首先，记录每个驾驶员在每个风险点的心率数据矩阵HRij：
[0026]
[0027] 其中，hrNM为第N个驾驶员在第M个风险点的心率；i为驾驶员编号，1≤i≤N,i∈Z；j为风险点的编号，1≤j≤M,j∈Z；
[0028] 其次，计算每位驾驶员在所有风险点处的心率平均值
[0029]
[0030] 再次，计算所有驾驶员在风险点处心率的平均值μhr和所有驾驶员在风险点处心率2
的方差σhr：
[0031]
[0032]
[0033] 最终，建立心率得分模型：
[0034]
[0035] 其中， 为驾驶员在所有风险点处的心率平均值；
[0036] 子步骤1.23，建立血压得分模型；
[0037] 首先，记录每个驾驶员在每个风险点的血压数据矩阵Kij：
[0038]
[0039] 其中，KNM为第N个驾驶员在第M个风险点的血压；i为驾驶员编号，1≤i≤N,i∈Z；j为风险点的编号，1≤j≤M,j∈Z；
[0040] 其次，计算每位驾驶员在所有风险点处的血压平均值
[0041]
[0042] 再次，计算所有驾驶员在风险点处的血压平均值μk和所有驾驶员在风险点处的血2
压方差σk：
[0043]
[0044]
[0045] 最终，建立血压得分模型：
[0046]
[0047] 其中， 为驾驶员在所有风险点处的血压平均值；
[0048] 子步骤1.24，建立眼动得分模型，子步骤如下：
[0049] 子步骤a，建立眼球扫视幅度得分模型；
[0050] 首先，记录每个驾驶员在每个风险点的眼球扫视幅度数据矩阵Dij：
[0051]
[0052] 其中，DNM为第N个驾驶员在第M个风险点的眼球扫视幅度；i为驾驶员编号，1≤i≤N,i∈Z；j为风险点的编号，1≤j≤M,j∈Z；
[0053] 其次，计算每位驾驶员在所有风险点处的眼球扫视幅度平均值
[0054]
[0055] 再次，计算所有驾驶员在风险点处的眼球扫视幅度平均值μD和所有驾驶员在风险2
点处的眼球扫视幅度方差σD:
[0056]
[0057]
[0058] 最终，建立眼球扫视幅度得分模型：
[0059]
[0060] 其中，为驾驶员在所有风险点处的眼球扫视幅度平均值；
[0061] 子步骤b，注视持续时间得分模型；
[0062] 首先，记录每个驾驶员在每个风险点的注视持续时间数据矩阵Tij：
[0063]
[0064] 其中，TNM为第N个驾驶员在第M个风险点的注视持续时间；i为驾驶员编号，1≤i≤N,i∈Z；j为风险点的编号，1≤j≤M,j∈Z；
[0065] 其次，计算每位驾驶员在所有风险点处的注视持续时间平均值
[0066]
[0067] 再次，计算所有驾驶员在风险点处的注视持续时间平均值μT和所有驾驶员在风险2
点处的注视持续时间方差σT：
[0068]
[0069]
[0070] 最终，建立注视持续时间得分模型：
[0071]
[0072] 其中， 为驾驶员在所有风险点处的注视持续时间平均值；
[0073] 子步骤c，瞳孔直径变异性得分模型；
[0074] 首先，分别计算每位驾驶员在整个驾驶过程中瞳孔直径的平均值 并记录每个驾驶员在每个风险点的瞳孔直径数据矩阵zij：
[0075]
[0076] 其中，zNM为第N个驾驶员在第M个风险点的瞳孔直径；i为驾驶员编号，1≤i≤N,i∈Z；j为风险点的编号，1≤j≤M,j∈Z；
[0077] 其次，根据瞳孔直径的平均值 和瞳孔直径数据矩阵zij，得到瞳孔直径变异性数据矩阵Iij：
[0078]
[0079] 其中，第N个驾驶员在第M个风险点的瞳孔直径变异性
[0080] 再次，计算每位驾驶员在所有风险点处的瞳孔直径变异性平均值
[0081]
[0082] 从次，计算所有驾驶员在风险点处的瞳孔直径变异性平均值μI和所有驾驶员在风2
险点处的瞳孔直径变异性方差σI：
[0083]
[0084]
[0085] 最终，建立瞳孔直径变异性得分模型：
[0086]
[0087] 其中，为驾驶员在所有风险点处的瞳孔直径变异性平均值；
[0088] 子步骤d，建立眼动得分模型：
[0089] Ey＝0.3ED+0.3ET+0.4EI；
[0090] 利用层次分析法对眼球扫视幅度、注视持续时间、瞳孔直径变异性进行评估并得到其影响权重，分别为眼球扫视幅度30％、注视持续时间30％、瞳孔直径变异性40％。
[0091] 子步骤1.25，建立生理参数得分模型：
[0092] Ep＝0.3Ehr+0.3Ek+0.4Ey；
[0093] 利用层次分析法对心率、血压、眼动进行评估并得到其影响权重，分别为心率30％、血压30％、眼动40％。
[0094] 子步骤1.3，建立车辆操作得分模型；
[0095] 子步骤1.31，令N个驾驶员使用车辆模拟驾驶装置，进行L(L＞10)次加入了M个风险点的正常驾驶；车辆模拟驾驶装置采集每个驾驶员在每次模拟驾驶中，在每个风险点的车辆的加速度大小、速度大小、方向盘转角大小、横向加速度大小；
[0096] 子步骤1.32，建立加速度大小评价模型；
[0097] 首先，分别记录L次模拟驾驶每个驾驶员在每个风险点的加速度大小数据矩阵其中， 其中 表示第q次模拟驾驶中，第N个驾驶员在第M个风险点的车辆的加速度大小；i为驾驶员的编号，1≤i≤N,i∈Z；j为风险点的编号，1≤j≤M,j∈Z；q为模拟驾驶的编号，1≤q≤L,q∈Z；
[0098] 其次，计算第q次模拟驾驶中，每位驾驶员在所有风险点处的车辆的加速度大小平均值
[0099]
[0100] 再次，计算第q次模拟驾驶中，所有驾驶员在风险点处的车辆的加速度大小平均值和所有驾驶员在风险点处的车辆的加速度大小方差
[0101]
[0102]
[0103] 从次，计算L次模拟驾驶下，所有驾驶员在风险点处的车辆的加速度大小平均值μa2
和所有驾驶员在风险点处的车辆的加速度大小方差(σa) ；
[0104] 最终，建立加速度大小评价模型：
[0105]
[0106] 其中，为驾驶员在1次的模拟驾驶中的所有风险点处的加速度大小平均值；
[0107] 子步骤1.33，建立速度大小评价模型；
[0108] 首先，分别记录L次模拟驾驶每个驾驶员在每个风险点的速度大小数据矩阵其中， 其中 表示第q次模拟驾驶中，第N个驾驶员在第M个风险点的车辆的速度大小；i为驾驶员的编号，1≤i≤N,i∈Z；j为风险点的编号，
1≤j≤M,j∈Z；q为模拟驾驶的编号，1≤q≤L,q∈Z；
[0109] 其次，计算第q次模拟驾驶中，每位驾驶员在所有风险点处的车辆的速度大小平均值
[0110]
[0111] 再次，计算第q次模拟驾驶中，所有驾驶员在风险点处的车辆的速度大小平均值和所有驾驶员在风险点处的车辆的速度大小方差
[0112]
[0113]
[0114] 从次，计算L次模拟驾驶下，所有驾驶员在风险点处的车辆的速度大小平均值μv和2
所有驾驶员在风险点处的车辆的速度大小方差(σv) ；
[0115] 最终，建立速度大小评价模型：
[0116]
[0117] 其中，为驾驶员在1次的模拟驾驶中的所有风险点处的速度大小平均值；
[0118] 子步骤1.34，建立方向盘转角大小评价模型；
[0119] 首先，分别记录L次模拟驾驶每个驾驶员在每个风险点的方向盘偏离直行方向的角度数据矩阵 其中， 其中 表示第q次模拟驾驶中，第N个驾驶员在第M个风险点的车辆的方向盘转角大小；i为驾驶员的编号，1≤i≤N,i∈Z；j为风险点的编号，1≤j≤M,j∈Z；q为模拟驾驶的编号，1≤q≤L,q∈Z；
[0120] 其次，计算第q次模拟驾驶中，每位驾驶员在所有风险点处的车辆的方向盘转角大小平均值
[0121]
[0122] 再次，计算第q次模拟驾驶中，所有驾驶员在风险点处的车辆的方向盘转角大小平均值 和所有驾驶员在风险点处的车辆的方向盘转角大小方差
[0123]
[0124]
[0125] 从次，计算L次模拟驾驶下，所有驾驶员在风险点处的车辆的方向盘转角大小平均2
值μθ和所有驾驶员在风险点处的车辆的方向盘转角大小方差(σθ) ；
[0126] 最终，建立方向盘转角大小评价模型：
[0127]
[0128] 其中， 为驾驶员在1次的模拟驾驶中的所有风险点处的方向盘转角大小的平均值；
[0129] 子步骤1.35，建立横向加速度大小评价模型；
[0130] 首先，分别记录L次模拟驾驶每个驾驶员在每个风险点的横向加速度大小数据矩阵 其中， 其中 表示第q次模拟驾驶中，第N个驾驶员在第M个风险点的车辆的横向加速度大小；i为驾驶员的编号，1≤i≤N,i∈Z；j为风险点的编号，1≤j≤M,j∈Z；q为模拟驾驶的编号，1≤q≤L,q∈Z；
[0131] 其次，计算第q次模拟驾驶中，每位驾驶员在所有风险点处的车辆的横向加速度大小平均值
[0132]
[0133] 再次，计算第q次模拟驾驶中，所有驾驶员在风险点处的车辆的横向加速度大小平均值 和所有驾驶员在风险点处的车辆的横向加速度大小方差
[0134]
[0135]
[0136] 从次，计算L次模拟驾驶下，所有驾驶员在风险点处的车辆的横向加速度大小平均2
值μb和所有驾驶员在风险点处的车辆的加速度大小方差(σb) ；
[0137] 最终，建立横向加速度大小评价模型：
[0138]
[0139] 其中，为驾驶员在1次的模拟驾驶中的所有风险点处的横向加速度大小平均值；
[0140] 子步骤1.36，建立车辆操作得分模型；
[0141]
[0142] 其中，rx1表示第x个评价指标评价为“优秀”的次数，rx2表示第x个评价指标评价为“良好”的次数，rx3表示第x个评价指标评价为“一般”的次数，rx4表示第x个评价指标评价为“较差”的次数；其中x＝1,2,3,4，x＝1表示第1个评价指标为加速度大小，x＝2表示第2个评价指标为速度大小，x＝3表示第3个评价指标为方向盘转角大小，x＝4表示第4个评价指标为横向加速度大小；Rx表示第x个评价指标的权重，利用层次分析法对每个评价指标进行评估，得到R1＝0.2，R2＝0.3，R3＝0.25，R4＝0.25；
[0143] 子步骤1.4，建立驾驶员风险感知能力评估模型：
[0144] Mtotal＝(0.2Q1+0.4Ep+0.4B)×100
[0145] 利用层次分析法对视频检测、生理参数、车辆操作进行评估并得到其影响权重，分别为视频检测20％、生理参数40％、车辆操作40％。
[0146] 步骤2，获取待评估驾驶员在驾驶员风险感知能力评估模型上的总得分；
[0147] 子步骤2.1，令待评估驾驶员观看n个在可能发生危险的时刻插入标志帧的正常行驶道路场景的视频，并在观看的过程中感知到危险的时刻插入感知帧；计算得到待评估驾驶员的视频检测得分Q1；
[0148] 子步骤2.2，令待评估驾驶员使用车辆模拟驾驶装置，进行一次加入了M个风险点的正常驾驶；使用生理记录仪采集待评估驾驶员在驾驶过程中的瞳孔直径，以及待评估驾驶员在每个风险点的心率、血压、眼球扫视幅度和注视持续时间；
[0149] 子步骤2.3，计算得到待评估驾驶员在所有风险点处的心率平均值、血压平均值、眼球扫视幅度平均值、注视持续时间平均值和瞳孔直径变异性平均值，计算得到生理参数得分Ep；
[0150] 子步骤2.4，令待评估驾驶员使用车辆模拟驾驶装置，进行L次加入了M个风险点的正常驾驶；车辆模拟驾驶装置采集每个驾驶员在每次模拟驾驶中，在每个风险点的车辆的加速度大小、速度大小、方向盘转角以及横向加速度大小；
[0151] 子步骤2.5，计算得到待评估驾驶员的车辆操作得分B；
[0152] 子步骤2.6，计算得到待评估驾驶员的风险感知能力总得分Mtotal。
[0153] 步骤3，根据待评估驾驶员的得分评估该驾驶员的风险感知能力。
[0154] 具体的，当0≤Mtotal＜60，表明驾驶员风险感知能力较差；当60≤Mtotal＜80，表明驾驶员风险感知能力一般；当80≤Mtotal≤100，表明驾驶员风险感知能力较强。
[0155] 虽然，本说明书中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
