疲劳驾驶检测系统

疲劳驾驶检测系统（精选11篇）

疲劳驾驶检测系统 第1篇

经过几十年的研究, 疲劳检测技术仍远未达到成熟、完善的地步, 国内外主要研究成果如下[3,4,5]: (1) 利用方向盘内置传感器感应驾驶员对航向纠正的速率, 若对方向的掌控迟钝, 则判为疲劳驾驶, 并发出警报。但这个系统并未充分考虑长距直路、路况好的情况。 (2) 利用内置摄像头侦测驾驶员眼部状态, 包括:眼睑、瞳孔变化及眨眼频率等来判断驾驶员是否疲劳。但这个系统并未充分考虑人眼特征差异, 比如:眼眼小的人、睡觉睁眼的人, 戴眼镜的人等。 (3) 利用连续驾车时间来判断驾驶员是否疲劳。这种方法很难扼制短暂停车继续驾驶的人。 (4) 利用后视镜传感器检测车辆是否偏离车道, 若车辆非线性行驶, 则判为疲劳驾驶, 并发出警报。该系统不适合崎岖、颠簸的道路。 (5) 利用驾驶员脸部肤色变化来判断是否疲劳驾驶, 这种方法受光照强度的影响很大。其他如通过检测心跳、血压、明视持久度、能见度、调节时间变动率、闪光融合频率、脑电图、心电图、肌电图等判定疲劳的方法形式单一, 多信息融合系统随之产生, 但其准确性、可靠性有待完善。

1 神经传导速度测定方法

疲劳直接反映了神经的传导时间, 人在疲劳时, 会使神经传导时间明显延时。所以, 神经传导速度可作为反应驾驶员是否疲劳驾驶的基本生理参数。

1.1 感觉神经传导速度测定方法

疲劳早期, 驾驶员主要是感觉障碍, 基本无运动障碍和肌肉萎缩[6], 此时测定感觉神经传导速度对于预防疲劳驾驶、避免交通事故的发生具有重要意义。

检测方法如下 (以桡神经为例) :使用指环电极作为刺激电极, 使用表面电极作为记录电极, 刺激位置为拇指接近虎口的指关节, 记录位置选择手腕桡测或前臂下1/3[6]。测出刺激点与记录点之间的距离S, 并测出刺激开始至感觉神经收缩产生动作电位的潜伏期T。如图1所示。

根据如下公式计算出感觉神经传导速度:

部分感觉神经传导速度可参考表1。

1.2 运动神经传导速度测定方法

运动神经传导速度检查能直接测定运动神经的传导性。根据刺激点与记录电极之间的距离差及潜伏期间隔来推算该段距离内的运动神经传导速度。

检测方法如下 (以尺神经为例) :记录电极与刺激电极均采用表面电极。记录位置为小指, 刺激位置选择腕和肘[6]。分别测出刺激1的潜伏期T1、刺激1与记录之间的距离S1、刺激2的潜伏期T2、刺激2与记录之间的距离S2。如图2所示。

根据如下公式计算出运动神经传导速度:

部分运动神经传导速度可参考表2。

2 系统设计

Á

本系统主要靠检测、计算出的神经传导速度与参考值作比较来判断驾驶员是否疲劳。通过内嵌在方向盘内的电极及腕、肘部的电极来测得神经传导速度的关键参数, 并传入控制系统, 由控制系统通过计算、与参考值进行比较, 最终对是否疲劳作出裁决, 一旦认定疲劳驾驶, 便启动声、光报警系统甚至自动刹车系统, 以避免交通事故的发生。系统框图如图3所示。

3 总结

本文从神经传导速度出发, 阐述了疲劳的测定方法及疲劳驾驶系统设计方法, 以期为预防疲劳驾驶、减少交通事故发生提供一定的参考。文中所使用测定疲劳的方法仍然单一, 且需使用电极, 为驾驶员带来了不便。

摘要：疲劳驾驶是造成交通事故的主要原因之一, 疲劳检测逐渐取得人们的关注, 疲劳检测技术层出不穷, 对预防疲劳驾驶、减少交通事故具有现实重要意义。试图从检测感觉神经传导速度及运动神经传导速度两个生理因素来分析驾驶员是否疲劳, 以期为疲劳驾驶检测提供一定的参考。

关键词：疲劳驾驶,疲劳检测,神经传导速度

参考文献

[1]WANG Qiong, YANG Jing-yu, REN Ming-wu, etal.Driver fatigue detection:a survey[C]//Procof-tthe 6thWord Congress on Intelligent Control and Automation.2006:21-23.

[2]LAL S K L, CRAIG A.A critical review of the psychophysiology of driver fatigue[J].Biologic-al Psychology, 2001, 55 (3) :173-194.

[3]杨海燕, 蒋新华, 聂作先.驾驶员疲劳检测技术研究综述[J].计算机应用研究, 2010, 5.

[4]崔岩, 谢斌, 张俊, 毛恩荣.汽车驾驶人疲劳监测及预警装置研究现状[J].中国科技论文在线.

[5]孙伟, 张为公, 张小瑞, 陈刚.疲劳驾驶预警系统的研究进展[J].汽车电器, 2009, 1.

疲劳驾驶 四招教你告别疲劳驾驶 第2篇

对于有车族来说，开着自己心爱的车去自己喜欢的地方玩非常方便，很多家庭都会全家来次自驾游，可以说汽车让我们的生活越来越方便和快捷。但是很多开车司机都会遇到一个难题，开车犯困，而且近年来因为开车犯困导致交通事故的案件比比皆是。那么开车为什么会犯困呢?开车犯困又该怎么解决呢?

为什么开车会犯困

我们在学车的时候，驾校师傅就一直教导我们，眼睛盯着前面看，所以我们在开车的时候眼睛就必须盯着前面看，但通常马路上的景色十分单调，可以说除了车跟人就只有道路两旁的树木和建筑，而且通常道路都是笔直的，很少会有弯曲，所以我们在开车的时候，眼睛里看到的东西十分单调，这样就会形成一种视觉疲劳，所以导致我们开车的时候会犯困。

另外，在夜间行车的时候，虽然开着照明灯，但是车里内部实际上还是比较昏暗的，这个时候开车的人相当于就是处在一个昏暗的环境中，而当我们处在一个昏暗的环境里时，我们的身体就会分泌出褪黑激素使大脑疲劳，所以就会导致开车犯困。而且在开车的时候，由于要时刻警惕道路交通状况，所以精神就会非常集中，这样也会容易使人大脑疲劳而犯困。

开车犯困怎么办

可以说开车犯困是一件非常危险的事情，通常在这个状态下，司机的反应速度下降了，大脑比较昏沉，如果遇到什么突发状况往往会来不及作出调整。但是如果在开车途中犯困怎么办?尤其在闹市中根本无法停车休息，而且在高速上往往到下一个服务区还会很久，那么该怎么解决呢?

嚼口香糖

相信很多司机都会在车上备上一罐口香糖吧，开车途中嚼上两粒口香糖，因为不少口香糖里会含有薄荷成分，清凉的薄荷味可以对我们的大脑产生刺激，使我们的大脑可以兴奋起来;另外，在开车的时候，因为精神高度集中，加上不少司机开车的时候比较紧张，所以大脑处在这样一个状态也比较容易犯困。嚼两粒口香糖的话，口腔会分泌出的唾液可以有效缓解紧张的情绪，降低焦虑感，这样以轻松的状态开车就不会容易犯困。

调整座椅

很多人在开车前都会把座椅调整到一个舒适、适合自己开车姿势的角度，这样自己开车的时候会非常舒服。但是很多人开车会累也正是因为如此。因为开车的途中，路程远、时间长的话，那么身体在长期处在一个舒适的状态下就会有懈怠的情况出现，这样在开车的时候就会觉得比较劳累。

开车犯困的时候，不妨试着将座椅调整下，比如很多人喜欢以一种躺在座椅上的姿势开车，觉得特别舒服，那么累的时候不妨将座椅调直，这样我们的姿势就不再是一种半躺的姿势，而是一种笔直坐着的姿势，这样可以帮助司机提神;同时，还可以在腰部垫上一块抱枕，腰部垫上抱枕的话，也可以使脊椎笔直，防止再犯困，而且也可以缓解下因开车时间长导致的腰酸背痛。

跟着音乐唱歌

其实开车是一件挺单调的事情，因为开车的时候，只需要驾好方向盘，踩着油门，时刻注意着刹车就可以了，加上自动档汽车不需要换档，所以开起来更加方便，但是越方便的汽车开起来虽然舒服，但是也越容易犯困。加上对于那些开长途车的司机来说，虽然是两个人换着开，但是在夜里的时候，可能伙伴已经睡下休息了，这个时候安静的车厢就会非常容易使开车的司机犯困。

其实对于每个司机来说，开车的时候有人陪说说话的话就不会觉得枯燥，也不会有什么困意，对于一个人开车的司机来说，既然找不到人说话，不妨试着唱几首自己喜欢的歌，在优美的旋律下人也会精神起来，不会犯困。而且自己唱歌的话音量也不会大，这样也不会听不到外面车的鸣笛声。最重要的是，对于那些五音不全的人来说，这个时候可以好好一展歌喉了。

车窗开个缝

在开车的时候，尤其在高速上，我们都会把窗户关起来，因为如果开着窗户的话，气流跟风力会阻碍汽车的前行。但是开车犯困的话还是可以稍微开下窗户，露出一条缝，这样风吹到车厢里，一方面对车厢的空气流通有帮助，另一方面，司机吹会风，大脑中的氧气可以得到有效补充，保持一个清醒的状态，这样就会再犯困了。所以小编觉得这也是很多人喜欢敞篷跑车的一个原因吧。

如何预防疲劳驾驶

1、助力转向

有助力转向的车辆方向盘就会显得特别轻巧，没有助力系统，方向盘就会发紧生硬，直线行驶时感觉不出区别，可一旦转方向时差别就明显了，自重大的车辆尤其明显。

2、减震方向盘

方向盘是驾驶员感知路况的主要途径，这使得方向盘的震动较其他部位明显，对一些质地较硬的可选装方向盘套，以减少驾驶员双手及身体的疲劳。

3、清晰挡位

对手动挡车来说，频繁换挡是无法避免的，特别是在市区，若是挡位非常清晰，容易挂就会非常省力，也减轻了驾驶疲劳，有可能的话选用自动挡的车型。另外如制动踏板、油门踏板、离合踏板都应调节到操作顺畅的程度，这些可到修理场请工人师傅帮助解决。

4、保持好心情

驾驶员一定要保持良好心情，不要让各种琐碎事情影响情绪，分散注意力。

5、充足睡眠

身为驾驶员，自身一定要保证充足睡眠，每天7个小时的睡眠必不可少，保持有规律的生活习惯。

6、饮食清淡

在饮食上驾驶员要尽量保持清淡，避免那些油腻煎炸食品加重心血管负担。

7、身体健康

特别是一些看似很轻的不适症状，如感冒等使驾驶员注意力下降，而且，身体不舒服会加速疲劳的到来。

有车族驾车出游7大注意事项

1.无论是驾车还是行走，请千万牢记遵守交通法规。特别是自驾游，对路况不熟，更要遵守交通法规，确保行车安全。

2.出行前一定要仔细检查驾乘的车辆，保证车况良好，特别是制动、方向、灯光等关键部位要确保万无一失，还要随车携带一些修车工具和警告标志等。

3.出行前，驾驶员要检查车辆的行驶证、保险凭证、驾驶证等相关证件是否带齐，以免造成不必要的麻烦;

4.不要疲劳驾驶，特别是自驾游驾驶员，日夜劳顿容易疲劳驾驶。据统计，疲劳驾驶是造成自驾游交通事故的一个重要原因;

5.切勿酒后驾驶、无证驾驶，行车系好安全带，停车注意安全。车辆请不要乱停乱放，尤其是在高速公路上;

6.雨、雾天行车应降低车速和保持均匀的行车速度，遇有交会车辆，要提前减速，选择适当地段，缓慢平稳通过，严禁超车。同时，要尽量远离行人、自行车，以防其滑倒发生事故;

7.注意安全驾驶，任何时候都应做到车辆不超速、不超载、不违法超车、不占道行驶、不空挡滑行，天气或路况不良情况下更要牢记。超速行驶是引发交通事故的重要原因之一，所有车辆如有超速等交通违法记录，请到交警部门设置的违法处理窗口接受处理。

有车族确保宝宝安全须知

儿童不能单独坐副驾驶座位

幼小的孩子坐在副驾驶座上是非常危险的。12岁以前，儿童只能坐在后排。一定要教会孩子正确使用安全座椅、安全带等装备，每一次乘车都要严格要求。

4岁以上儿童必须经过安全乘车教育

家长要随时随地向孩子灌输乘车安全的理念，提高他们的安全意识。4岁的孩子到了经常需要乘车外出、经常步行经过停车场的年龄，因此，无论是自己单独玩耍还是家长陪同，都要引导孩子树立正确的安全乘车理念。

幼小的孩子独自坐后排时，必须要坐安全座椅

好动的孩子有可能拉开门窗发生意外，因此家长要让孩子充分了解汽车的各种功能和配置，进行注意事项的提醒。

让孩子了解汽车灯语的含义

让孩子明白汽车灯光信号所代表的含义，这一点很重要。看懂灯语，可以让孩子在看到汽车前进行驶、停止、倒车、左右转弯、紧急停靠等信号时，能了解汽车的行驶状态，保证自己的安全。

不要在停车场玩耍和奔跑

停车场是个非常危险的地方，身材尚小的孩子们很容易被驾驶员忽视，因此也最容易出事。

不要让孩子自己上下车

小孩力气小，车门开启如不能固定到位，会造成反弹，容易夹伤孩子。孩子推门下车时还极有可能被旁边行驶过来的自行车或汽车撞到。

家长不能抱儿童坐副驾驶座位

如果汽车在时速50公里的情况下发生碰撞，在惯性的作用下将产生30G的冲击力。体重为10公斤的孩子此时会产生将近300公斤的力量，相当于4D6个成年人的体重总和，在此情况下，任何人都无法抱住怀里的孩子。

告诉孩子汽车不是玩具

自动驾驶 从驾驶疲劳中解脱 第3篇

正像汽车上的许多先进技术都是从飞机技术发展而来，随着无人驾驶飞机的飞速发展，下一步是否也会实现无人驾驶汽车了呢?其实一些大的汽车厂家早就开始了这方面的研究，就连谷歌也要借着它的地图技术涉足无人驾驶技术来进入汽车行业。

当清晨你从家里出发驶向单位时，你完全可以坐在驾驶位上看看早间新闻，制定一下当天的工作计划，或者休闲地看看大片。汽车则按照GPS和各种信息全自动地行驶在道路上，直到安全抵达公司，并自动停入车位。这并不是遥不可实现的梦想，看看当今的汽车技术就可以发现其端倪。GPS导航、自适应巡航控制系统ACC、车道保持辅助系统Lane Assist和自动泊车系统等技术，正一步步地引导着汽车迈向完全自动驾驶的目标。

就在最近举行的欧盟研究项目“高度自动化汽车与智能运输”报告会上，大众汽车集团研发部门主管JurqenLeohold教授介绍了由大众汽车研发的临时自动驾驶系统。在驾驶员监控下，配备了该系统的汽车可在高速公路上实现最高时速达130km／h的半自动驾驶。

临时自动驾驶系统(TAP)能根据驾驶情况提供最理想的自动化控制，并探测周围环境以及驾驶者和系统状态。该系统目前的目标是预防由于驾驶员注意力分散引发的事故。在半自动驾驶模式(Pilot Mode)下，自动驾驶系统会实现与前方车辆保持安全车距、按照道路的安全速度行驶、在入弯前减速，并且参照标志线使车辆保持在车道中央。该系统还能遵守超车规则和速度限制，在交通拥堵时可自动完成停车和启动。尽管如此，当前，驾驶者仍需密切注意路况，以便出现紧急情况时随时干预。

机动车驾驶员疲劳驾驶检测系统研究 第4篇

据相关资料统计, 疲劳驾驶是影响交通安全的头号“杀手”。特别是在高速公路发生的重特大交通事故中, 因疲劳驾驶造成的事故所占比例达40%以上[1]。由于疲劳驾驶引发的交通事故往往是在驾驶人毫无预见性、且未采取主动避险措施的情况下发生的, 往往导致车毁人亡, 损害后果十分惨重。由于疲劳驾驶的危害性很大, 全世界都在制定法规和政策来减少疲劳驾驶的情况发生。但由于疲劳驾驶监管困难, 所以对于交通警察来说, 基本都是靠宣传来提高驾驶员的认知程度, 收效甚微[2]。现如今, 各大车厂都在如何防止疲劳驾驶的技术上投入了很大的研发力度。笔者结合个人工作经验, 设计机动车驾驶员疲劳驾驶检测系统。

1 机动车驾驶员疲劳检测系统设计

1.1 总体设计方案

系统分为图像捕捉、预处理、特征检测提取以及特征识别分类四个模块, 总体结构框架见图1。图像捕捉模块是系统基础, 用于检测行车过程中驾驶员图像, 根据驾驶员面部特征检测疲劳状态。图像预处理模块通过滤波、增强等技术处理面部图像, 降低或消除噪声。特征提取模块负责检测和跟踪人脸、分析眼和嘴特征。特征分类识别模块负责面部特征状态分类, 根据系统设定的疲劳状态判定标准评价驾驶员的疲劳程度。

1.2 硬件及软件系统设计

系统硬件主要包括摄像头和计算机部分, 计算机需具备近红外功能。本系统采用COMS摄像头采集驾驶员面图特征图像, 计算机负责数据处理。系统软件开发平台环境为Visual Studio2010, 开发语言C++[3];图像处理采用Open CV和Dlib等图像处理软件相关好函数设计。Open CV 2.0及以上版本编程语言及函数结构均已C++为主, 调取软件函数更加便利。

Open CV的源代码属于开基于Intel处理器指令集开发的优化代码, 程序执行速快、效率高。同时, Open CV还具有强大的图像和矩阵运算能力、跨平台性及灵活的用户接口, 程序可移植到Windows、Android、IOS等诸多操作系统中使用。基于Open CV的优点, Open CV在处理图像、识别目标等方面已得到大量运用。

Dlib库是一种使用C++技术编写的跨平台软件, 该软件函数丰富, 具有网络处理、图像处理、数据挖掘、数值优化等功能[4]。Dlib库具有文档完善、可移植性、函数丰富特点, Dlib库内函数具有详细文档而及示例代码, 可在多个操作系统中运行, 无需第三方软件库。

1.3 图像预处理

外界环境变化对图像采集点质量造成严重干扰, 如光照条件变化容易影响系统检测判断结果。图像预处理模块利用图像处理技术降低或消除图像噪声, 方便系统检测和识别的驾驶员面图特征。

1.3.1 图像滤波

图像滤波是消除图像噪声的常用方法, 该技术可以在不影响图像原有边缘和轮廓的基础上, 提高图像清晰度[5]。常见图像滤波方式包括均值滤波、中值滤波和高斯滤波三类, 中值滤波具有计算简单且对图像特征影响小的优点, 更适合图像去噪处理。

1.3.2 直方图均值化

直接对比度增强和间接对比度增强是常用增强图像对比度方法, 直方图均值化属于间接对比度增强法, 既利用非线性处理方式均匀处理图像像素值, 使图像像素均匀分布, 从而提升图像对比度。直方图均值化处理可以提升亮度、色调, 增强对比度, 使图像更为清晰, 从而提高系统检测面图特征的准确性。具体处理方式如下:

1) 计算原图图像像素值数量;

2) 获取原始图像的直方图;

3) 计算累计分布函数;

4) 根据累计分布函数修改图像灰度等级。

2 驾驶员疲劳状态及试验

疲劳状态主要根据睁眼、张嘴程度进行判断, 该过程需要对面部特征状态进行详细分析, 提取面部特征状态数据。

2.1 眼睛状态分析

眼睛状态分析依据为睁眼宽度, 既上下眼睑增大或减小间距。由于眼睛轮廓与椭圆相似, 因而可以根据椭圆短轴长度作为上下眼睑的间距。根据以往研究, 眼睛区域可分为6个特征点。结合特征点参数, 利用最小二乘法进行椭圆拟合, 即可计算眼睛的相关参数。

椭圆的一般公式为Ax2+Bxy+Cy2+Dx+Ey+F=0, 假设= (A, B, C, D, E, F) T, = (x2, xy, y2, x, y, 1) , 可将椭圆的一般公式化为。使用最小二乘法进行椭圆拟合是指将根据参数A軑使拟合点与拟合椭圆的偏差平方达到最小, 即, (xi, yi) 为拟合点i坐标。

根据椭圆性质, 椭圆公式需要符合B2-4AC>0要求, 为简化计算, 可设B2-4AC=1, 并构建矩阵, 使矩阵满等式, 使用拉格朗日乘数法计算, 即为拟合椭圆方程的相关系数, 根据最小二乘法进行椭圆拟合计算后, 可分别求得椭圆长轴a和短轴b的长度。

由于数据属于拟合计算结果, 因而长轴和短轴数据为图像只存, 而非人眼上下眼睑真实间距。另外, 驾驶员与摄像头距离、头部转动都可能导致短轴长度低于闭眼, 因而不能直接将b值作为判断标志, 而需计算其长轴和短轴比值, 。

2.2 嘴部状态分析

嘴部具有上、下、左、右四个极值点, 分别为Mu、Md、Ml、Mr, 嘴巴宽度及高度计算公式分别为:

受驾驶员面部与摄像头距离影响, 也需要根据嘴巴宽度与高度比值计算。

2.3 疲劳判定准则

分析并获得眼部和嘴部状态数据后, 还需要设定相应的判定标准识别状态数据, 才能判断驾驶员是否处于疲劳状态。常用判断准则包括以下几点:

一是Perclos疲劳判断准则。该准则主要根据大眨眼使闭眼的时间比, 根据系统设定的阈值判断疲劳状态。判断原理详见图2。该原则设两个眼睛张开程度阈值:P1和P2, 如若数数据低于P2, 表示眼睛处于闭合状态, 并根以下P1和P2公式计算占比:, t1和t2分别表示针眼最大位置达到阈值P1、P2所需时间;t3和t4分别表示针眼达到阈值P2和再次达到阈值P1所需时间。

二是闭眼参数。绝大多数人在不同状态下的眨眼时间存在明显差异, 一般情况下单次闭眼时间为0.2~0.3s, 而疲劳状态下单次闭眼时间有所增加, 且通常超过0.5s。如若单次闭眼时间超过0.5s, 可判断驾驶员处于疲劳状态。假设闭眼时间为Tc, 则:;NC为闭眼对应帧数;FPS为图像采集频率。

另外, 不同状态下眨眼频率也不同。正常情况下眨眼频率为15~20次/min。因而可以根据眨眼频率判断疲劳状态。驾驶眨眼频率为;NBlink和△T分别表示设定时间内眨眼次数和时间间隔。

3 结语

根据以上系统设计及疲劳状态分析方式, 结合驾驶员眼睛、嘴巴特征状态, 运用设定的疲劳判定准则, 构建驾驶员疲劳驾驶系统的测试环境试验系统效果, 结果显示本研究方式可以有效检测驾驶员疲劳状态, 且正确率超过90%。但是本系统也存在一些问题, 包括光照对面部特征信息采集存在较大影响, 系统设计和调试均在PC端, 而实际运用需采用嵌入式设计, 系统处理速度更低。因而还需要将FPGA技术融入算法, 提高系统运算性能。

参考文献

[1]吴磊.基于多元信息融合的驾驶员疲劳监测控制系统研究[J].中国农机化学报, 2013 (01) :193-195, 205.

[2]杨星星, 张松, 芦杨, 杨琳, 王薇薇, 顾冠雄.基于生理信号的疲劳驾驶风险检测方法的研究进展[J].中国医学装备, 2013 (07) :57-59.

[3]夏芹, 宋义伟, 朱学峰.基于PERCLOS的驾驶疲劳监控方法进展[J].自动化技术与应用, 2008 (06) :43-46, 39.

[4]邵雨辰, 谢扬振, 顾兆伦, 钱沄涛.使用手机前置摄像头的机动车驾驶员疲劳检测[J].信号处理, 2015 (09) :1138-1144.

如何预防疲劳驾驶 第5篇

想要预防疲劳驾驶，我们需要做的事情是很多的，当然只要我们在生活中对于一些细节多加留意，那么肯定是可以预防和避免疲劳驾驶的。

如何避免疲劳驾驶

有关数据统计显示，疲劳驾驶易发生交通事故的时间为深夜、凌晨或午后。在中午11时至13时、深夜24时至2时、凌晨4时至6时三个时间段要特别谨慎驾驶。以下方法可以帮助驾驶员将疲劳感最小化。

怎样避免疲劳驾驶

方法与步骤

安排充分而规律的睡眠，20至30岁的人需要7小时以上的睡眠，30岁以上最好保证在8小时以上的睡眠。

如果驾驶员已经感到困乏或疲倦，就不要再饮酒，因为酒精会使你感觉更加劳累，并缺乏警觉。

尽量不要在通常自己习惯睡眠的时间段驾车。因情况不同，人的睡眠时间并不一致。因为身体是按照一定的节律和模式工作，如果打乱这一节律，将带来不良影响。

驾车前要观察自己的状态，如果已经感觉自己在体力或精神上有些勉强，则千万不要勉强驾驶，因疲劳很可能在很短的时间内乘虚而入。

如果感到疲劳，最好让车上的其他乘员开或马上停车小憩。尤其是在下午2时，很多驾驶员有午休的习惯，哪怕睡上十分钟也可以得到极大的缓解。

改变驾车环境也可以大大改善驾驶时疲劳的感觉，比如将窗户打开，强烈的风可以暂时提高驾驶员的兴奋程度。

在车内常备一些令人兴奋的食品或药物也是应对疲劳的好方法。很多驾驶员朋友会在疲劳时抹一些风油精，也可以吃薄荷味道的口香糖。

疲劳驾驶检测系统 第6篇

这个由哈肯财团（Harken consortium）主持的研究项目已持续开展数年，它获得了“欧盟第七框架计划”（European Union Seventh Framework Programme）的资助。这一财团由来自欧洲的几家小企业及科研机构组成，包括西班牙的智能织物生产企业Sensing Tex、德国的弹性窄带生产企业ALATEX Narrow Webbings、葡萄牙的传感器制造商PLUX Wireless Biosignals、爱沙尼亚的Biomecánica de Valencia研究所以及英国的曼彻斯特大学。

研究人员发现，监测心率变化是判断司机精神集中程度及清醒状态的一个好方法，从呼吸节奏的变化中也可看出司机是否已由于单调的驾驶动作而陷于疲劳。哈肯财团方面表示，目前市场上监测疲劳驾驶的产品已有很多，但它们都存在某种问题：问题之一是大多数产品属于可穿戴设备，而哈肯财团认为这种产品应该内嵌在汽车的部件里；问题之二是市面上有些产品的振动或噪音报警功能用户不能自行调整。

“项目面临的下一个挑战是如何将传感器内嵌在汽车部件里，这项研究已经启动。”论文作者写道，“在汽车制造领域，美观、实用、安全缺一不可。虽然具备传感功能的织物材料已经问世，但如何将其更好地整合到汽车部件上仍有待权衡。”

撰文：Aditi Pai

疲劳驾驶检测系统 第7篇

1 人脸检测技术的基本知识

人脸检测是近年来十分热门的一个研究热点, 它是人脸识别技术的一个具体应用和分支。人脸所传达的信息在如今的数字时代的各行各业都有着很广泛的应用, 例如:虚拟会议、门禁检测系统、重要场所身份识别安保系统以及数码娱乐领域等等。人脸检测最初是人脸识别过程中的一个环节。人脸自动识别的研究最早可以追溯到20世纪60～70年代。经过几十年的曲折发展, 人脸的自动识别已经有了一些较为成功的方法, 目前正日趋成熟。一个完整的人脸自动识别系统应该包括人脸检测、特征提取以及匹配识别3大基本过程。人脸检测技术正是基于以上3步, 并且提取出价值信息加以分析处理的过程。

2 人脸检测在疲劳驾驶监视中的应用

2.1 系统工作过程

疲劳驾驶监视系统主要的工作过程是:通过按一定的时间间隔截取驾驶员图像, 经过图像处理和分析, 来由驾驶员眼部眨动状态判断驾驶者是否处于疲劳或者精神不集中的状态。如驾驶员出现疲劳状态, 系统提示驾驶者停车休息或进行调整, 最终实现减少交通事故发生的概率。这个监视过程的流程如图1所示。

2.2 人脸识别方法

人脸识别技术在经历了近半个世纪的发展之后, 形成了很多成熟的算法, 它们各有特点, 也各自从不同的角度解决图像识别问题, 应用在不同场合效果也不尽相同。这里主要介绍4种算法:

2.2.1 基于模板匹配的方法

模板匹配方法比较有代表性的有固定模板和变形模板两种。前者首先设计一种标准模板, 然后计算判定输入图像与标准模板之间的偏差, 如果计算结果大于预先所给定的阈值就可以判定存在人脸。这种方法比较简单, 在早期的系统中采用得比较多。但是由于人脸特征的变化很大, 得到一个对于任何人群都放之四海而皆准的模板十分困难也很不现实, 所以人们又另辟蹊径, 提出了变形模板的方法。变形模板在原理上与固定模板相同, 但其中包含一些非固定的元素, 目前有两种方法来实现:一种是通过人工设定出参数化的曲线和曲面来描述人脸样本中一些非固定性的特征, 如眼睛, 鼻子和嘴唇等;另一种是系统自动生成具有自适应性的曲线或曲面, 从而构建出人脸模板。检测方法是将模板与待测图像进行非刚性匹配, 加以学习机制, 利用某种能量函数表示匹配程度。这种算法原理简单, 容易实现。把人脸作为一个整体来处理, 大幅度降低了识别的复杂度。但是人脸是一个非刚性体, 当光照条件变化比较大的情况下, 这种算法的识别率就会有一定的下降。

2.2.2 基于示例学习的方法

示例学习的方法是从某一概念的已给正例和反例的样本空间中分析、总结产生出接受所有正例同时排斥所有反例的一套处理原则。具体地将人脸样本和非人脸样本对系统进行训练生成判定原则, 最后就能够对待侧图像中是否包含人脸提供一个较为可靠的参考依据。一般而言, 为了达到比较理想的准确率, 一般都要对系统进行大量的人脸样本训练学习。

示例学习的另一种方法是在数学空间中将多个表示人脸模式的线性空间进行组合。通过Kohonen自组织映射网络对人脸样本和非人脸样本进行聚类, 对每一类样本进行Fisher线性判别, 之后得到待测图像样本的子空间, 再将每个子空间高斯模型化, 估计其类条件概率密度。最终, 对于待测图像样本, 计算其属于各个子空间的概率, 分类决策为概率最大的类是它所属的类, 这样就能够得出待检图像中是否存在人脸。这种算法较上一个, 由于将图像信息进一步抽象到数学空间, 建立了一系列数学模型, 在运算量上有一定的降低, 提高了运算的效率, 属于模板匹配概念的一种衍伸。

2.2.3 基于神经网络的方法

从本质上讲, 神经网络也是一种基于样本的学习方法。在将神经网络算法应用于机器视觉和模式识别领域之后, 整个领域都得到了长足的发展。国外的一些学者最先将这一思想用于人脸检测应用之中。MIT的学者首先对人脸样本空间和非人脸样本空间聚类, 以待测样本与人脸样本空间和非人脸样本空间的子类之间的距离作为分类的度量, 利用多层感知器 (MLP) 网络作为分类器。CMU的开发人员直接以图像作为神经网络的输入, 设计了一个适用于人脸特征的神经网络分类器并通过前馈神经网络对检测结果优化。神经网络算法相较于上两个算法有自身独特的优势。当抽取面部特征时, 很好的利用了神经网络的非线性映射特性, 因而在光照条件变化时人脸特征的识别率有一定的提高, 较上两个稳定。它另一个很大的优势在于对特定的图像模式, 能够设计专门的神经网络算法来很好的在各种条件下对特定的状态进行识别和判定, 显著地提高了运算的速度。

2.2.4 基于隐马尔可夫模型的方法

马尔可夫模型是一种描述离散状态下概率规律不能直接得出, 而通过观察概率的概率得出相应规律的自动机。隐马尔可夫模型 (HMM) 是指模型的内部的规律外界观察不到, 外界只能看到各个时刻的输出值。对于人脸模式来说, 可以把它分成前额, 眼睛, 鼻子, 嘴巴和下巴这样一个序列。人脸模式就可以通过对这些区域的有序的识别来检测。Samaria等人提出了使用HMM模型进行人脸检测的算法, 他们使用人脸区域的结构信息作为隐马尔可夫模型的状态迁移条件。除此以外, 基于AdaBoost的人脸识别算法, 基于彩色信息的方法, 基于形状分析的方法, 以及多模态信息融合的方法, 国外都进行了大量的研究与实验。

3 软件平台选择

对于一个算法从理论付诸到实际应用过程中, 必然要经过一个高效可靠的算法平台的编程和验证。选用OpenCV图像处理软件作为算法平台是因为它较传统图像处理软件有很多优势。OpenCV是Intel公司支持的开源计算机视觉库。它轻量级而且高效———由一系列C函数和少量C++类构成, 实现了图像处理和计算机视觉方面的很多通用算法。以往, 计算机视觉应用方面没有标准的API, 主要依靠下列3种软件类来实现: (1) 研究代码 (慢, 不稳定, 独立并与其他库不兼容) ; (2) 耗费很高的商业化工具 (比如Halcon, MATLAB+Simulink) ; (3) 依赖硬件的一些特别的解决方案 (比如:视频监控, 制造控制系统, 医疗设备) 。这些因素都在一定程度上阻碍了计算机视觉技术的开发和应用。然后, OpenCV的出现恰恰填补了这项空白。它拥有包含300多个C/C++函数的跨平台的中、高层API。它不依赖于其他的外部库, 开发人员在开发时就可以方便的调用以前使用者编写的各种成熟的算法模块来简化自己的编程量, 也提高了通用性和时效比, 是计算机视觉应用二次开发的理想工具。

4 结束语

人脸检测是一个跨学科综合性十分强的热点应用领域。随着计算机软、硬件技术的发展, 人脸检测技术理论和实现方式不断成熟和完善。以往看似十分神秘的图像模式识别技术也已悄然渗透到工作生活中的方方面面。在此提出的这种通过OpenCV平台完成疲劳驾驶监视系统核心控制模块的开发和设计对于提高人脸检测技术应用于实际的开发时效性, 研发工作量以及后续功能模块的维护和二次开发都有一定的创新价值。

参考文献

[1]黄福珍, 苏剑波.人脸检测[M].上海:上海交通大学出版社, 2006.

[2]范立南, 韩晓微, 张广渊.图像处理与模式识别[M].北京:科学出版社, 2007.

[3]何东键.数字图像处理[M].西安:西安电子科技大学出版社, 2003.

[4]赵淼.面向人机交互的人脸识别方法研究[D].大连理工大学, 2005.

[5]F.Ziliani, A.Cavallaro.Image analysis for video surveil-lance based on spatial regularization of statistical model-based change detection[C].Real-Time Imaging, SpecialIssue on:Video Processing and Communications in Real-Time Video-Based Surveillance Systems, London:Ac-ademic Press, 2001, 7 (5) :389-399.

[6]C.Stauffer, WEL.Grimson.Learing patterns of activity u-sing real-time tracking[J].IEEE Trans Pattern Analysisand Machine Intelligence.2000, 22 (8) :747-757.

[7]周杰, 卢春雨.人脸自动识别方法综述[J].电子学报, 2000, 28 (4) :102-106.

疲劳驾驶检测系统 第8篇

国内外研究表明，驾驶员在疲劳的状态下，对周围环境的感知能力、危险的判断能力和车辆的操控能力都会较正常情况有不同程度的下降，从而导致交通事故[1]。因此，疲劳驾驶检测具有极为重要的意义。

当前疲劳检测系统主要采用基于图像处理技术的非接触检测方法，这种疲劳驾驶系统主要是检测与分析驾驶员眼睛的状态。在疲劳驾驶发生时，驾驶员眨眼频率会上升，闭眼时间增加，基于眼睛状态的疲劳驾驶标准PERCLOS(Percentage of Eyelid Closure Over the Pu pil Over Time）是目前最为准确同时也是被广泛接受的标准[2,3]。

目前基于图像处理技术的疲劳驾驶检测系统的算法主要采用基于Haar特征的AdaBoost算法，该方法首先采用级联分类器确定人脸区域，再用同样的方法确定人眼位置，通过分析人眼状态结合PERCLOS标准来判断疲劳驾驶行为是否发生。而在实际运用环境中，由于摄像头与人脸所成角度的改变、驾驶员头部的晃动、车辆抖动等因素，AdaBoost算法表现出较差的鲁棒性，拒真率高导致识别率较低[4]；搜索人眼的过程中也有采用模板匹配的方法，模板匹配计算规模较大，而且在人眼睁闭时，由于目标形状的变化，采用固定单一模板会丢失目标，如果采取多种模板匹配则计算量过大，无法达到实时性要求[5]；也有通过主动形状模型（Active Shape Model,ASM）、动态轮廓模（Active Appreance Model,AAM）获取人眼精确的特征点坐标，再通过这些特征点计算上下眼眶距离完成眨眼判断，这种方法结果精确，但是计算量庞大无法部署于实际操作环境中，并且算法对光照敏感[6]。国内也有学者使用改进的Mean-shift算法，根据像素值分布特征以及梯度方向特征追踪人眼，这种方法同样面临实时性的问题[7]。

综上所述，若要在疲劳驾驶系统中人眼检测必须具备如下要素：

(1）实时性；

(2）人眼检测精确；

(3）鲁棒性强。

1 方法设计

疲劳驾驶检测系统通常分为人脸检测与人眼检测两部分，本文采用检测与跟踪相结合的方法完成这两部分检测；第一节讨论了AdaBoost与差分跟踪相结合的人脸检测步骤；第二节讨论了AdaBoost与变模板匹配相结合的人眼检测步骤；第三节讨论了传统“人脸-人眼”模型的缺点，并提出了一种改进方法，提高了人脸检测和人眼检测两部分整体的运行效率。

1.1 人脸检测步骤

人眼检测目标相对于整体图像较小，直接检测人眼运算量较大，并且会产生较多非目标结果，通常在检测人眼之前首先进行人脸区域定位。Paul Viola和Michael Jones于2001提出的基于Haar-like特征的AdaBoost算法可以精确快速地识别人脸区域。

AdaBoost算法给予每个训练样本不同的权重，每个权重表示相应样本被错分的概率。算法进行N次迭代，产生N个弱分类器，在每一次迭代时，样本权重产生变化，在上次迭代中被错误分类的样本获得更大的权重，进入下一次迭代时，根据更新后样本的权重选取部分样本训练下一个弱分类器，最后将这N个弱分类器加权得到一个级联的强分类器[8]。训练方法如下：

(1）根据样本分布Dj，对训练集S进行有放回的抽样产生训练集Sj。

(2）在训练集Sj上使用学习算法训练弱分类器cj。

(3）用训练所得的分类器cj分类原训练集S中所有样本，得到误差：

(4）令，更新每个样本的权值：

式中Zj是一个正规因子用来确保;cj为本轮迭代所得弱分类器；αj为cj对应的权重。

(5）得到强分类器C，由上述所产生的所有弱分类器加权求和得到：

上述算法在弱分类器训练中采用Haar-like特征，利用AdaBoost算法训练人脸分类器定位人脸。

人脸检测是粗定位，是为了确定下一步骤人眼检测的搜索区域，对精确度要求不高。为了尽可能快速得到人脸区域，在前几帧检测到人脸的情况下，本文采用差分方法进人脸跟踪，根据之前帧中人脸位置确定当前人脸位置。

在视频序列中fk(x,y),fk-3(x,y)分别为第k帧和第k-3帧图像中人脸矩形框向外各扩大10像素以后的区域，width,height为其长宽。对fk(x,y),fk-3(x,y)进行差值运算，并二值化得到g(x,y)。统计g(x,y)中所有像素点I(x,y)>0的个数，记为N1。若N1小于某阈值即N1<Threshold×(width×height)，则认为区域中人脸没有产生明显移动，将k-3帧中人脸区域作为第k帧结果，否则进行更新，更新方法如下：

(1）计算g(x,y)，水平方向和垂直方向的灰度投影pojH(y),pojV(x);

(2）求解OffsetX,OffsetY使得：

式中OffsetX,OffsetY为跟踪结果相对于上一帧人脸区域的偏移量。

(3）根据OffsetX,OffsetY更新人脸矩形区域。人脸粗定位效果如图1所示。

1.2 人眼检测步骤

由上述步骤得到人脸区域后FROI(Face Region On Interest），在区域内进行人眼检测。人眼检测是整个系统的关键步骤，直接影响到后续人眼状态分析，要求检测到的人眼保证精确。由于人眼区域较小，采用Ad aBoost等算法经常会将鼻孔嘴巴等器官误识别，所以在检测前，首先根据人脸三庭五眼的特征，取人脸区域上部分区域进行人眼检测，同时缩小一半计算量。

人眼检测中使用的AdaBoost算法与人脸检测中基本相同，在实际环境中，由于行车晃动，司机张望等客观因素，AdaBoost很难达到较高的识别率，通常低于60%，而人类眨眼只需要0.2～0.6 s就可以完成，单一采用AdaBoost算法会严重影响系统的准确度。

虽然AdaBoost识别率较低，但是其检测出的结果误识率极低，即结果准确。结合AdaBoost算法所得结果准确的特点，本文设计了一种采用改进的LBP特征的快速模板匹配方法，该方法在AdaBoost算法失效时，采用前一帧已检测到的人眼作为新的模板进行匹配，解决了模板匹配中单一模板无法应对眨眼时结果不精确的问题，同时LBP特征对于旋转和晃动不敏感，有效的提高了人眼检测的效果。

LBP特征是一种用来描述图像局部纹理的特征算子，它在1994年由T.Ojala,D.Harwood等人提出。算子描述如下：

对于图片中一个像素Ii=F(xi,yi)，其中F为图像，x,y分别为对应像素横纵坐标：

式中P表示像素xi周围像素点集合，LBP的计算采用二进制。一个像素点产生一个8位的二进制的字符串，一种字符串排列表示一种模式。本文采用Uniform LBP，即将二进制字符串排列根据旋转不变性从原来的256种模式压缩成59种模式[9]。

由于目标人眼图像中人的眼睛位于图片中央，上下部分大多为皮肤，在匹配过程中，人眼部分的特征会被皮肤掩盖，本文使用y轴方向一维高斯模板，给予人眼部分y轴方向较高的权重，皮肤部分较低权重，并且减少了眉毛部分对结果的影响，实验表明新特征LBPG得到了较好的效果，新算子表达如下：

式中G为高斯函数：

式中μ为H 2,H为图像高度。

取上一帧检测到人眼位置上下左右各扩展10%人脸区域长度个像素所得区域作为搜索区域，将上一帧检测到的人眼作为模板进行模板匹配搜索新的人眼位置。效果如图2所示。

1.3“人脸-人眼”模型改进

上述两节人脸检测与人眼检测的部分。在传统“人脸-人眼”方法中，先进行人脸检测找出人脸区域FROI，再对FROI进行人眼检测找出人眼。这种方法对于每一帧都进行以上两个步骤，依次进行，每一次检测人脸区域都保证了下一步人眼检测中待检测区域的可靠性，但由于人脸检测花费时间巨大，牺牲了运行速度。

完成人眼检测得到人眼结果后，可以发现，在结果准确的情况下，人眼位于图片中央位置，而实际环境中，下一帧图像中人眼位置发生的偏移并不大，检测结果周围区域可以直接作为下一帧新的FROI，直接进行人眼检测，跳过人脸检测步骤。这样可以省去人脸检测的计算量，同时由于使用人眼结果周围区域作为新的FROI，该区域通常小于人脸，从而减少了人眼检测搜索面积也间接提高了人眼搜索算法的计算效率。

上述分析可知，跳过人脸检测步骤的前提是需要保证本帧人眼检测是准确的，即确保本帧检测结果周围区域作为新的FROI在下一帧对应位置中包含人眼目标。

本文设计了一种基于logistic分类器用来检验本帧检测结果的准确度，其输入为本帧检测结果和上一次AdaBoost成功检测结果，分类器从多个角度判断两张图片是否相似，由于AdaBoost人眼检测误识率极低，得到的人眼准确度高，新检测得到人眼如果与其相似，则认为结果准确，否则认为本帧检测结果不准确。

改进后的流程在检测完人眼以后，使用多特征分类器对结果进行分析，判断是否和上一帧人眼结果差异大小。一旦差异较小，则认为人眼被检测到，将人眼周围区域作为下一帧的FROI跳过人脸检测，否则算法依旧执行人脸检测部分，具体步骤如表1所示。

表中Step4具体步骤如下：

对本帧图像newEyeImg和上一次AdaBoost人眼检测结果图像AdaEyeImg，分别抽取特征向量v1,v2。本文从纹理特征，边缘特征，灰度特征，以及彩色信息等角度来构造特征向量v1,v2。

接着分别计算v1,v2各特征分量之间的欧式距离得到差异特征向量D。采用logistic分类器对D进行分类。特征分量具体如表2所示。

本文从17车次行车视频中收集了1 217对正样本，并在人眼检测结果周围选择非人眼结果组成了1 537对负样本，进行训练，将1 389对样本作为测试集，得到Logistic分类器准确率为93.6%。

2 实验及结果分析

实验采用DM642芯片，主频为720 MHz。实验对18位司机在其工作时进行实际环境行车视频采样，共20段视频。每段视频各分析998帧行车视频，图像大小为352×288，得到人眼结果大小为20×20像素，首先验证了整体算法流程的识别率和效率，每段视频平均检测成功率为90.7%，具体如表3所示；接着比较传统“人脸-人眼”模型和改进过后方法各自每个步骤的执行速度，如表4、表5所示所示；实验表明，两种方法识别率接近，但是在计算时间上改进后的方法明显优于传统“人脸-人眼”模型，如表6所示。

3 结语

本文讨论了传统的“人脸-人眼”模型方式，总结了基于Haar-like特征的AdaBoost算法进行人脸人眼检测的优缺点，采用差分运算快速跟踪人脸以及变模板匹配提高人眼检测成功率，并改进了传统的“人脸-人眼”模型，使用多特征的分类器跳过人脸部分，提高了整个系统的效率。实验表明，该方法在DSP开发板上可以以40 f/s左右的速度完成人眼的实时检测，同时正确率在90%以上。该算法应用于基于嵌入式芯片的疲劳驾驶检测系统具有较高的实用性和商业价值。

参考文献

[1]李都厚,刘群,袁伟,等.疲劳驾驶与交通事故关系[J].交通运输工程学报,2010,10(2):104-109.

[2]刘秀,王长君,何庆.疲劳驾驶交通事的特点分析与预防[J].中国安全生产科学技术,2008(1):129-131.

[3]夏芹,宋义伟,朱学峰.基于PERCLOS的驾驶疲劳监控方法进展[J].自动化技术与应用,2008(6):43-46.

[4]严超,王元庆,张兆扬.基于Ada Boost和Kalman算法的人眼检测与跟踪[J].南京大学学报:自然科学版,2010,46(6):681-687.

[5]王江波,李绍文.基于Ada Boost算法和模板匹配的人眼定位[J].计算机测量与控制,2012,20(5):1347-1349.

[6]程如中,赵勇,戴勇,等.基于Ada Boost方法的车载嵌入式疲劳驾驶预警系统[J].北京大学学报:自然科学版,2012,48(5):719-726.

[7]彭召意,周玉,朱文球.用于疲劳驾驶检测的人眼快速跟踪方法[J].计算机工程,2010,36(15):191-193.

[8]李维维,胡桂明,何龙玲,等.基于Ada Boost算法的人脸疲劳检测[J].自动化技术与应用,2014,33(2):46-48.

疲劳驾驶检测系统 第9篇

Citation:DU Guan-hong, LI Qing-zhi, DONG Zheng-xin.Fatigue Driving Monitoring System based on Think Gear ASIC Module[J].The Journal of New Industrialization, 2016, 6 (8) :22-30.

0 引言

美国汽车协会 (AAA) 交通安全基金会的一项调查表明:疲劳驾驶在美国的交通事故死亡事件中占据21%的比例, 每年约6400人因此而丧生。但除了行车记录仪以外, 至今市面上仍没有有效监测驾驶者疲劳程度的消费级手段, 医用级于此相关的设备又大都需要繁琐的佩戴过程, 且体积巨大, 费用颇高, 不适合日常生活使用。目前针对疲劳驾驶的检测方法主要分为主观检测和客观检测法。主观检测方法主要通过主观调查表、驾驶员自我记录表、斯坦福睡眠尺度表和皮尔逊疲劳量表等评定, 该方法无法进行疲劳驾驶的实时检测, 客观检测方法分为基于驾驶员外部行为的检测方法和基于生理信号的检测方法。外部行为检测法主要根据驾驶人的外部现 (面部表情, 眼睑闭合等) 估计其疲劳程度, 但其评分标准不易统一, 受个人行为、光线、图像采集角度等条件的影响, 导致检测系统不能始终如一正确地报告驾驶员疲劳状态。基于生理信号的检测方法通过测量脑电、心电、肌电、皮肤电阻等生理信号来判断驾驶员的疲劳状态;在众多生理信号中, 由于脑电信号 (EEG) 直接反映驾驶员的大脑活动, 因此利用脑电信号判断驾驶疲劳被公认为是最准确、最客观的分析方法[1]。

本设备通过对脑电图中各频段的分析, 找到脑部活动所诱发的大脑神经电规律的生理变化, 极其准确对人的精神状态与情绪波动进行捕捉和判别, 极大减少不良精神状态对于驾驶者与车内乘客的安全隐患。

1 系统概述

可穿戴计算是一种前瞻的计算模式, 引领着新的发展潮流, 可穿戴设备在健康监护领域扮演着重要的角色。无线通信网络和微电子的发展, 使得测量生命体征和运动状态的设备更加便携, 以至于可以在不影响人的日常活动的前提下长时间佩戴。[2]本系统主要以无源干电极作为探针电极, 大大简化佩戴与使用的过程, 实现对驾驶者表皮脑电信号的采集。佩戴本系统后, 被探针电极采集的脑电信号将经过神念公司研制的TGAM脑电采集模块, 信号经过滤波、放大、模数转换后通关串口蓝牙送入MCU进行分析。MCU对上述经过处理的数字信号进行分析并做出判断。若判断驾驶者精神状况不佳, 则会做出相应警告。

2 硬件电路设计与设备选型

2.1 MCU主控

智能穿戴类设备应用处理器主要选取低功耗AP以保证续航时间, 主流智能穿戴对处理器性能要求较低, 够用即可[3]。本系统选取意法半导体公司研制的ARM Cortex-M内核单片机—STM32F103ZET6作为整个系统主控。工作主频72MHz;同时ZET6还搭载了一个BXCAN控制器, 只需外接一个收发器便可与CAN网络中的其他节点通讯, 提高本系统在汽车系统中的兼容性。ZET6时钟输入引脚接入8M无源晶振X1, 晶振内部自带电容, 可自行起振。MCU电源由USB口提供5V电压, 在经过DC-DC芯片XC6206降压至3V3进行供电, 并在3V3与5V电源间各接一个1UF滤波电容。Mcu boot0与boot1引脚经10K下拉电阻稳定接地, 保证芯片以用户模式启动。JTAG调试口swdio引脚与swclk引脚分别接10K上下拉电阻接入MCU的SWD调试引脚PA13, PA14以保证SWD正常通讯[4]。

2.2 CAN总线收发电路

CAN总线作为最初就专门为车辆通讯设计的现场总线, 在车间通讯和车联网领域有着不可或缺的作用[5]。MCU携带的BXCAN通过引脚PB9, PB8与CAN收发芯片TJA1050串行通讯, TJA1050是控制器区域网络 (CAN) 协议控制器和物理总线之间的接口, 是一种标准的高速CAN收发器。TJA1050可以为总线提供差动发送性能, 为CAN控制器提供差动接收性能。总线间数据传输通过收发器间电平转换, 由串口数据转化成CAN总线差分电平, CAN两根线间并联120R终端电阻, 以使阻抗连续, 消除反射。

2.3 蓝牙4.0透传电路

本系统采用支持最新蓝牙4.0技术的SPP-A蓝牙模块, 具有极低的运行和待机功耗可以使一粒纽扣电池连续工作数年之久。此外, 低成本和跨厂商互操作性, 3毫秒低延迟、100米以上超长距离、AES-128加密等诸多特色。同时还可向下兼容蓝牙2.0设备, 具有良好的实用性。蓝牙使用的是免费的ISM频段, 与工作在同一频段的802.11b和Home RF等无线通信网络共存, 相互之间的干扰在所难免, 为避免干扰, 蓝牙协议采用自适应跳帧的协议[6]。MCU串口USART1通过引脚PA9 (TX) 与PA10 (RX) 连接蓝牙串口模块SPP-A, 以实现与TGAM模块的无线通讯。

2.4 无源探针干电极

人的大脑中有不计其数的神经元负责传导信息, 信息在神经元内以电流形式传导, 传导过程中产生微小电场, 由于神经元数量众多, 神经元的放电现象可在头皮表面产生微弱电位。脑电信号便是通过电极记录下脑细胞群的自发性, 节律性电活动。当人精神趋向于某一状态时, 大量相似的微小电信号可被位于头皮表面的电压传感器 (探针电极) 捕捉到, 但由于其有较高的时变敏感性, 采集过程易受外界环境与人体自身干扰[7]。成年人的脑波信号强度范围在1u V~100u V之间。

在医用研究设备, 如Biopac中, 常常采用银-氯化银电极作为EEG电极 (脑电采集点电极) , 通过在电极与皮肤间涂抹导电凝胶, 减少极—肤间阻抗, 使电极与皮肤间形成耦合通路, 以类似方法的我们称为湿电极。但导电凝胶等电介质不便于清洗, 使用过程也过于繁琐。

本系统使用基于电容耦合信号的原理的无源干电极作为脑电采集点电极, 大大简化了使用过程, 佩戴方便安全。同时系统还采用参考导联组合的电位参考点作为理论上的零电位点, 以便描记到脑电活动原形即电位绝对值。参考导联的电位参考点一般选择在双侧耳垂[8], 因此REF电极 (参考点电极) 参考电位电极采用双面耳夹式设计, 佩戴稳定。

2.5 TGAM脑电采集模块

Neuro Sky公司研制的TGAM脑电采集模块是一款消费级的单通道脑电采集与处理模块。正常状态下成人左前额的脑电活动较为明显, 易于被电极采集。因此将EEG电极置于左前额处, 将REF电极置于耳垂处, 通过计算参考电势, EEG电极和REF电极差分采集脑电信号后送入模块。该模块集成神念公司TGAT芯片, 能直接连接干电极, 读取所采集的原始脑波信号, 模块经运放、滤波、ADC处理转为数字信号, 得到数字信号后, TGAT芯片内部分析出α、β、δ、γ、θ等8组独立脑波数据, 并处理输出Neurosky获得专利的e Sense专注度和放松度指数数据, 最后由UART接口输出。此模块采样率为512Hz, 频率范围3Hz-100Hz, 输出512Hz的脑波原始波形数据、8组1Hz的独立的脑波数据及e Sense指数数据。e Sense算法具有动态自学习能力, 它采用“慢速自适应”算法, 可以针对不同使用者脑电波信号在正常范围内的波动趋势和个体差异进行动态补偿。由于采用了自适应技术, 使得本设备能够适用于不同的人群和不同的周边环境, 并且在这些不同的应用场景下都能够具有非常好的准确性和可靠性。

3 数据的检测及处理

3.1 脑集中度测量

传统脑电图学认为, 人类的脑电图是由各种频率和波形构成的, 形态复杂多样。在严格意义上, 脑电图不是正弦波, 但仍可以看作是近似正弦波的生物电现象[9], 且通常以正弦波的频率与波形进行描述通过EEG电极, 探测大脑不同部位以及不同波段的电位变化, 并将其放大至可分析观测的水平, 便可获得实时脑电数据。本设备使用神念公司开发的TGAT生物信号处理芯片, 集成Neuro Sky e Sense算法, 解读出“e Sense参数”。其中“e Sense专注度指数”表明了使用者精神“集中度”水平或“注意度”水平的强烈程度, 该指数值的范围是0到100[10]。心烦意乱、精神恍惚、注意力不集中以及焦虑等精神状态都将降低专注度指数的数值。“e Sense放松度指数”表明了使用者精神“平静度”水平或者“放松度”水平。闭上眼睛通常是提高放松度值的有效方法。为了极化两种状态的特征波形, 本文以阅读与闭目养神作为诱发事件, 分别采集两种状态下的脑电实时波形, 选择20岁左右成年男性作为测试样本, 测试结果如图4图5所示。

在两种不同精神状态下, 脑波信号变化明显, 可见该设备可准确判别样本精神状态的变化, 为系统提供可靠的使用者状态判断依据。

3.2 MCU数据处理及程序设计

MCU程序流程图如图8所示, 系统整体程序由四部分组成:上下行通讯, 数据采样分析, PID控制器, 行车数据的传递。系统启动后将首先进行各外设初始化, 完成后循环抓取串口缓冲区中的数据, 当抓取数据特征位符合数据流特征位时, 视蓝牙连接正常。本系统蓝牙采用115200bps 8N1模式, 保证数据传输的实效性与准确性。

当蓝牙正常连接时, 通过蓝牙串口, MCU收到由TGAM采集处理过的脑波数据流, 其中小包数据为实时发送的原始脑波数据, 大包数据为经过e Sense算法分析处理过的e Sense参数。系统将每秒抓取一次蓝牙回传的脑电数据, 当信号强度高于80%时, 视为使用者正常佩戴, 系统自检通过。自检通过后, MCU将连续抓取10S内的所有脑电数据, 以冒泡排序法舍弃最大值与最小值, 在对剩余数据取平均值, 得到较为准确的脑电数据并以此作为对使用者精神状态的判别依据。每次采样结果将被系统记录于系统内存空间中特定缓冲区内, 以绘制使用者精神状态折线图, 正常状态下成年人精神状态趋向波动平稳, 系统将通过记录下的数据, 计算波峰与波谷的均值, 再在每次数据更新时比较新数据与前一次数据折线的斜率, 以获得佩戴者精神状态变化速率, 当斜率呈现负增长时, 系统将加快数据更新频率至3S更新一次数据, 并在专注参数低于阈值时, 向驾驶者进行报警, 同时向行车电脑发送制动信号。

系统采用STM32F1自带的BXCAN与行车电脑进行通讯, can总线配置根据不同车载系统可单独定制, 系统本身作为一个节点, 接入使用者车辆CAN总线中, 若检测到使用者专注度指数低于阈值, 则通过总线传递制动信号数据, 同时传回的车辆行驶速度与行程信息作为反馈传回系统进行误差控制, 以保证车辆不会发生因为制动过猛而失控或在高速路中突然停车等超调现象。

本系统采用增量式数字PID控制, 通过每一控制周期从行车电脑中读取当前车辆行驶速度vi_Feed Back, 将vi_Feed Back与根据脑电数据分析得出的车辆期望速度vi_Ref比较, 有以下公式求得速度偏差error1与速度偏差率d_error.

当佩戴者精神状态正常时, 本系统PID控制器不参与调控, 当佩戴者出现精神状态不振时, 则将代入系统预设的期望车速, 同时PID控制器参与调控车速。

3.3 抗干扰能力

本设备噪声主要来自眼电、肌电等人体自身电信号, 外界电子信号干扰等。如图9所示, 当充电USB线靠近至10cm左右时, 噪声明显变强, 但通过系统多个滤波器对脑电信号进行滤波与放大, 系统仍能获得较为准确的脑波数据。

如图10所示, 当样本处于正常精神状态下, 频繁眨眼可能导致噪声峰值陡增, 但几乎不影响设备对于脑电信号的采集, 眼电伪迹被设备准确判别, 并加以过滤。

4 结论

本文主要阐述了一种可穿戴的通过实时检测驾驶者的脑波信号, 实现对驾驶者精神状态判断的系统, 通过简易方便的佩戴方式提高了其易用性, 无线蓝牙连接增加了系统的便捷性, 抗干扰性能优良, 足以在日常干扰条件下实现对脑波的准确采集, 使本系统佩戴者在驾驶期间的精神状态保持在安全驾驶要求的范围内, 有助于倡导安全驾驶, 减少疲劳驾驶所引起的交通事故。

附录:硬件电路设计原理图与实物图

参考文献

[1]叶柠, 孙宇舸.基于EEG小波包子带能量比的疲劳驾驶检测方法[J].东北大学学报 (自然科学版) , 2012.08.YE Ning, SUN Yu-ge.A Fatigue Driving Detection Method Based on Wavelet Packet Sub-band Energy Ratio of EEG[J], Journal of Northeastern University (NATURAL SCIENCE EDITION) , 2012.08.

[2]吴金奖, 陈建新, 田峰, 等.可穿戴无线生理参数监测设备的设计与实现[J].计算机应用, 2014, S2:330-332+351.WU Jin-jiang, CHEN Jian-xin, TIAN Feng, ZHOU Liang.Design and implementation of wearable wireless physiological parameter monitoring device[J].Journal of Computer Applications, 2014, S2:330-332+351.

[3]刘思言.可穿戴智能设备引领未来终端市场诸多关键技术仍待突破[J].世界电信, 2013, 12:38-42.LIU Si-yan.Wearable smart devices to lead the future market to many key technical breakthrough terminal[J].World Telecommunications, 2013, 12:38-42.

[4]Yiu J, 宋岩译.ARM Cortex-3权威指南[M].北京:北京航空航大学出版社, 2009.YIU J, SONG Yan translated.Cortex-3 ARM authoritative guide[M].Beijing, Beijing University of Aeronautics and Astronautics Press, 2009.

[5]李春艳, 陈敬轩.CAN通讯中的一种动态自同步方法设计[J].新型工业化, 2015, 5 (4) :55-60.LI Chunyan, CHEN Jingxuan.A Design of a Dynamic Synchronized Method in CAN[J].The Journal of New Industrialization, 2015, 5 (4) :55-60.

[6]余飞, 庄奕琪.蓝牙数据传输增强技术研究及其基带芯片设计实现[D].西安, 西安科技大学, 2013.YU Fei, ZHUANG Yi-qi.Research on Enhancing the Transmission Performance of Bluetooth and baseband IC design[D].Xi'an, Xi'an University of Science and Technology, 2013.

[7]郇小宁, 黄新林.微弱脑信号专注度特征提取与识别[J].科学技术与工程, 2015 (05) :1671-1815.XUN Xiao-ning, HUANG Xin-lin.The feature extraction and recognition of the concentration degree of weak brain signal[J].Science Technology and Engineering, 2015 (05) :1671-1815.

[8]鲁在清.脑电图的判读与描述及其他[J].现代电生理学杂志, 2011.LU Zai-qing.The interpretation and description of EEG and other[J].The Journal of Modern Electrophysiology, 2011.

[9]鲁在清.脑电图的检测结果及评价[J].现代电生理学杂志, 2010.LU Zai-qing.The detection results of EEG and evaluation[J].The Journal of Modern Electrophysiology, 2010.

[10]王静茜, 莫荣, 蔡晓东.基于NeuroSky TGAM脑机接口的EEG识别[J].读写算 (教研版) , 2014 (13) .WANG Jing-qian, MO Rong, CAI Xiao-dong.EEG recognition based on TGAM NeuroSky brain computer interface[J]..Read Write and Count, 2014 (13) .

基于SVM的驾驶员疲劳检测研究 第10篇

美国明尼苏达大学的驾驶员眼睛追踪和定位系统[1]通过在车内安装的红外线摄像头实时采集的驾驶员脸部图像，图像经滤波处理后，用灰度模板匹配法搜索、定位眼睛并确定眼睛的睁合状态，最后根据眼睛的睁合状态来判断驾驶员是否疲劳驾驶。Advanced Safety Concepts公司根据人疲劳时会频频点头的特点研制了专门的传感器，通过测量驾驶员头部位置的变化来判断驾驶员是否疲劳[2]。澳大利亚Outerspacc Design公司的Optalert疲劳驾驶警报系统是通过检测司机的眼皮来判断是否处于疲劳状态[2]。Electronic Safety Products公司开发的方向盘监视装置S.A.M[3]则通过监测方向盘是否非正常运动来判断驾驶员是否疲劳。

2001年，郑培、周一鸣等[4]提出了脸部图像识别的人脸皮肤色彩高斯模型，通过眼睛灰度模式匹配，成功地实现了驾驶员驾驶疲劳的测评，构建了基于PERCLOS的机动车驾驶员驾驶疲劳的实验测评系统。2006年3月深圳亿龙科技有限公司研制开发的手表式TWS汽车驾驶疲劳预警系统，通过监测人体的生物信息(如:红外光谱、心路脉搏、生物电等)来判断人的精神状态，当使用者进入疲劳状态时该系统会发出警告。

以上这些大都是基于单个特征的疲劳检测，准确率会受影响。基于生理信息的疲劳研究准确，但其侵入性使得无法应用，所以基于多特征、非侵入性的疲劳研究就成为现在研究的重点。

1 支持向量机简介

支持向量机(Support Vector Machine,SVM)是20世纪90年代中期在统计学习理论基础上发展起来的一种新型机器学习方法[5]。它采用结构风险最小化原则，根据有限样本信息，在模型的学习能力和复杂性之间寻求最佳折衷，以获得最佳的推广能力。SVM的核心思想是:通过引入核函数，将在输入空间线性不可分样本映射到高维特征空间，达到线性可分或者近似线性可分。由于其具有极强的推广能力，不会陷入局部极小点，以及很强的非线性处理能力等特点，已成为模式识别中最常用的研究工具之一。

SVM是从线性可分情况下的最优分类面发展而来的，基本思想可用两类线性可分情况说明。如图1所示，实心点和空心点代表两类样本。假如这两类样本(训练集)是线性可分的，则机器学习的结果是一个超平面(二维情况下是直线)或称为判别函数，该超平面可以将训练样本分为正负两类。

按经验风险最小化要求，这样的平面会有很多，但有的平面分类效果很好，但预测效果很差，例如图1中P1平面。而按结构风险最小化要求，则能找到最优化平面P0，该平面不仅能将两类训练样本正确分开，而且可使分类间隔(Margin)最大。所谓分类间隔是指两类中离分类超平面最近的样本且平行于分类超平面的两个超平面间的距离，或者说是从分类超平面到两类样本中最近样本的距离的和，这些最近样本可能不止2个，正是它们决定了分类超平面，也就是确定了最优分类超平面，这些样本就是所谓的支持向量[6]。一个m维超平面可由以下方程描述:

分类间隔最大的最优超平面则可以通过求‖W‖2/2的极小值获得。约束条件为:

2 研究方法及步骤

对驾驶员进行疲劳检测需要用摄像机采集图像、然后对图像进行去噪处理、特征提取、并用支持向量机对提取的特征进行分类，最后进行驾驶员疲劳状态分析。整个流程可用图(2)来描述。

整个流程大体可概括为如下五步。

(1)图像采集系统由低成本的电荷耦合器件(CCD)的微型红外摄像机。为了减少面部搜索盲目性，计算帧间差异来决定是否有物体移动。当有移动对象被发现且包含YCbCr色彩空间的皮肤颜色信息，这说明有一个人在镜头前。

尽管不同种族的人皮肤颜色有别，人的皮肤在YCbCr色彩空间颜色分布可以近似为一个平面高斯分布[7]。通过皮肤颜色信息面部就可以从图像分割出来。通过检测到面部面积的大小改变来判别司机是否点头，并把点头频率作为疲劳判别特征参数之一。

面部跟踪用卡尔曼滤波器，卡尔曼滤波是一种有效的递归滤波器，可以去掉噪音。由于光线、头的移动等原因都会引起检测失败。为了克服这个问题，使用自适应窗口，它的尺寸取决于脸的位置和移动速度。

(2)人脸检测使用剪裁法，由于眼睛在脸的上部，因此眼睛要在人脸图像的上半部分搜索，这可以帮助我们减少疲劳检测系统的计算成本，使它成为现实使用的候选。通过寻找剪裁图像区域中满足一定几何约束条件的两个亮点来寻找瞳孔;首先用自适应阈值二值化检测图像并找到其中斑点，然后进行形态操作使伪亮点被淘汰。用一个标准的八连通分析元件来鉴别斑点的大小和形状。大小和形状参数选择为:半径，跨瞳孔距离，瞳孔之间的角度。圆形区域中不符合条件的点被移除。如图3所示。

提取眼部的特征，在此把眼矩形化，长宽比作为特征值转换为特征向量供支持向量机使用。把眼睛上下眼皮之间的距离作为矩形的高h，眼角之间的距离作为矩形的长w，眼睛的特征提取为

式(3)中y1表示为上眼皮中心点的纵坐标，y2表示为下眼皮的中心点的纵坐标，x1表示为眼角一边的横坐标，x2表示眼角的另一边的横坐标。

(3)嘴在脸的下半部分进行检索，嘴的检测提取用Paul Viola和Micheal J.Jones[8]提出的级联分类器来检测。从面部图像中提取嘴部图像后，传递给FCM的模块。模糊c-means(FCM)是一种聚类方法，它允许一个数据属于两个或多个聚类。FCM算法创建的模糊分区使用仅有的像素特征正确描述这幅图像，这一阶段涉及聚类中心的计算和谱域中的隶属函数。为了保证系统的自主性，用自动的方式来决定聚类的权数。基于聚类的有效性，通过FCM算法迭代从一群聚类中选择最优值，找出最佳聚类数目。传递信息到空间的FCM，空间的FCM还要处理每个像素的周围光谱信息，返回模糊的成员矩阵，空间信息放进FCM模块帮助消除图像中的噪声。由于S-FCM有收敛性，为了得到最优的图像对聚类的每个像素进行清晰化。最终，FCM模块输出一个分割的二元形式嘴唇图像[9]。

接着检验嘴是否检测到，首先，基于偏心分析检测，因为，嘴唇区域更像是一个椭圆，它的偏心率接近1。假如嘴偏心检测接近1，对它进行第二种检测，否则，对下一帧图像进行检测。第二项测试检查嘴唇区域重心与瞳孔中心的角度是否在一定范围内。在人脸正面，嘴唇区域中心垂直于跨瞳孔距离中心的一点。但如果整个嘴唇区域检测不成功，中心可能错位，这种情况下角度范围来保证嘴唇确实存在。计算它们的角度公式给出如下:

式(4)中(x1,y1)代表检测到的嘴唇区域中心，(x2,y2)点代表瞳孔中心，中心点检测通过两项测试说明是检测到嘴唇，这一概念在图5说明。

然后，计算嘴唇的高度和宽度，以确定嘴唇在不同帧图像中张开的程度，为了避免嘴在不同框架不同主题上的变化，用嘴宽高比代表嘴的张开程度。嘴张开程度定义如下:

式(5)中w是两个嘴角之间的距离，h是嘴矩形化边界的高度，它是上下嘴唇的边界线的距离。嘴张开的程度o作为一个特征参数。这样做比其他方式作为特征向量的数据量要小好多，可以提高系统的处理能力。最后获得的特征向量形式为:(1:眼的高宽比2:嘴的宽高比3:点头频率)

(4)使用支持向量机分类训练前，要选择合适的核函数。不同的内积核函数将会形成不同的算法。线性核函数和非线性核函数是常用的核函数，非线性核函数主要包括:多项式核函数、径向核函数以及Sigmoid函数。

这里选的核函数为径向基核函数(Radial Basis Function,RBF)，它的优势为[10]:与线性核函数相比，径向基核函数能够处理当类别标签与特征之间的关系为非线性时的情况。线性核函数只是径向核函数的特例;高维参数的数目会影响内积核函数的复杂性，较之与多项式核函数相比，径向核函数有更少的高维参数;径向核函数在数值选取上较容易。而多项式函数的内核的值可能会趋向无穷大，且阶次很大，Sigmoid函数在一些参数下是无效的。

以下把获取的数据变换成一个SVM支持的格式，进行简单的数据缩放，考虑RBF核

选取适当的惩罚因子和r对所收集的数据集进行训练、预测。

(5)司机的驾驶状态由支持向量机和分析模块来判断，假如支持向量机和分析模块发现司机的眼睛连续数帧是闭合或半闭合状态且发现司机打哈欠，它立即得出结论，人处于疲劳状态，产生一个报警。这样可以排除司机驾驶过程中由于说话而产生的错误警报。同样，如果连续数帧发现眼睛闭合，系统并不等待出现打哈欠，而是直接报警。如果发现司机点头且伴有闭眼或打哈欠说明司机疲劳，也产生报警。总之，不能单靠打哈欠或点头来正确预测司机的状态。

3 实验结果

本系统用奔腾4,2.1 GHz的CPU，使用Matlab环境，采用LIBSVM开源软件包对每幅图像的视觉特征进行了测试。其中图片是从采集的视频中获取的连续的图片，首先对连续的单幅图片进行疲劳检测，然后将结果输入疲劳分析模块进行疲劳状态分析。表1为单幅图片检测结果。检测正确率的计算公式如(7)所示。

式(7)中，P:检测的正确率;A:正确检测图像数;B:检测出错数。

疲劳分析模块根据支持向量机给出的连续图像的分类结果，判断司机是否真正处于疲劳状态，若发现连续数帧都疲劳则认为司机疲劳发出报警，这样可以减少因为司机说话、正常眨眼等情况出现的误报警。

基于神经网络的疲劳识别率为93.30%，模板匹配为94.16%[11]，综上数据可知基于SVM的多特征疲劳检测要优于别的方法。

4 结束语

讨论了一种实时非侵入式的疲劳检测系统，用打哈欠、点头和眼的状态相结合来分析司机的疲劳程度，该系统由不同的人在模拟驾驶条件下进行了测试，晚上使用红外照明灯的情况下工作正常;白天光线太强时性能会降低。解决这一问题的方法是在汽车玻璃加入红外过滤器。

该系统对司机疲劳检测还有一些缺陷，有待进一步研究。当司机打哈欠时把他的手放在嘴上，该系统就无法对嘴准确检测，嘴不能从框架上分割出来。且打哈欠姿态很多，因此，必须用一些技术来解决这个问题，此外，如果司机戴深色眼镜，瞳孔也不能准确检测到，因此，这种不足有待以后解决，使系统工作效率更高、更可靠。

参考文献

[1] Eriksson M,Papanikolopoulos N P.Eye-tracking for detection ofdriver’s fatigue.Pro-ceeding of the In IEEE Conference on Intelli-gent Transportation Systems,1997:314—319

[2]刘芳.基于视频的驾驶员疲劳驾驶实时监测系统的设计和研究,杭州:浙江工业大学学位论文2,009,5

[3]毛酷,初秀民,严新平,等.汽车驾驶员驾驶疲劳监测技术研究进展.中国安全科学学报2,005;15(3):108—112

[4]郑培,宋正河,周一鸣.机动车驾驶员疲劳测评方法的研究状况及发展趋势.中国农业大学学报2,001;6(6):101—105

[5] Columbia DVMM Research Lab.Columbia image splicing detection e-valuation dataset.http//www.ee.columbia.edu/ln/dvmm/down-loads/AuthSplicedDataSet/AuthSpliced-DataSet.htm.[2008-03-20]

[6] Byun H,Lee S W.Applications of support vector machines for patternrecognition:a survey.Lee S W,Verri A Eds.SVM.LNCS2388,2002:213—236

[7] Dong Wen-Hui,Wu Xiao-Juan.Driver fatigue detection based on thedistance of eyelid,Proc IEEE Int,Workshop VLSI Design&VideoTech2,005;28—30

[8] Viola PJ,ones M J.Rapid object detection using a boosted cascade ofsimple features.IEEE CVPR2,001

[9] Jaffar M A,Hussain A,Mirza A M.et al.Fuzzy entropy and mor-phology based fully automated segmentation of lungs from CT Scanimages.International Journal of Innovative Computing,Informationand Control(IJICIC),2009;5(12)

[10] Hsu C-W,Chang C-C.Lin C-J.A practical guide to support vectorclassification.http://www.csie.ntu.edu.tw/-cjlin/libsvm

疲劳驾驶检测系统 第11篇

近年来交通事故频发,疲劳驾驶是主要原因之一[1,2]。因此通过智能手段对驾驶员进行自动疲劳检测,在驾驶员出现疲劳驾驶时及时准确而有效的警报,越来越受到智能交通领域的关注,对自动疲劳检测的研究已成为大势所趋。目前,大多数自动疲劳检测都是利用驾驶员的面部特征进行检测,例如李维维采用Adaboost算法对人脸进行检测[3],徐菲等人利用主动性状模型(ASM)算法对人眼进行定位[4]。通过定位分析驾驶员的面部状态,并且通过各种不同的算法来判断驾驶员的疲劳状态。但是上述算法有其一定局限性,就是对驾驶员姿态要求很高,不能出现歪头等情况。并且当光照很亮或很暗的时候,检测算法都会受到很大影响,降低了检测算法的稳健性。

本文主要结合了Ada Boost算法与ASM算法各自的优点,把二者进行有效的互补,在Open CV平台上进行了疲劳驾驶检测算法实现。随后针对驾驶过程中经常出现的偏头的情况(驾驶员习惯性的头靠着手、扭动脖子等),和光照很亮很暗情况的出现,对该检测算法提出改进。最后利用Perclos算法对驾驶员状态进行判定。通过改进,增强了检测稳健性,使得检测系统具有更强的实用性。

本文稳健算法的流程图如图1所示。首先通过摄像头实时采集驾驶员的图像,将采集到的图像利用Adaboost算法定位出人脸区域,并且利用ASM算法在人脸区域中准确地定位出眼睛位置。在定位眼睛位置后,提取有效的反应眼睛睁闭状态的特征表达,最后计算出Perclos系数,作为疲劳告警的直接参数。

1 Adaboost和ASM相结合的疲劳检测

1.1基于Adaboost算法的人脸检测

疲劳检测系统对实时性要求很高,因为实时性越高,它所反映的情况越真实,因此人脸检测算法必须在保证准确性的前提下,还要保证高效性。Ada Boost算法是一种迭代算法[5,6,7,8],其核心思想是针对同一个训练集训练不同的弱分类器,然后将这些弱分类器集自适应地提升为强分类器。它可以进行快速的目标定位,因此本文选择Adaboost算法来进行人脸检测,因为这一算法具有高效的优点,从而可以快速地排除非人脸区域。

在人脸检测应用中,使用Harr-like特征表示人脸,包括边缘特征、线性特征、中心特征和对角线特征,并使用“积分图”实现特征数值的快速计算。每一个Haar特征f都对应着一个弱分类器ht(x)。在弱分类器学习过程中,不断调整每个样本对应的权重,使得分错样本具有更大的权重,并且选取错误率最小的弱分类器。每次迭代选中的分类器。依次类推,经过T次循环,得到T个弱分类器,把这T个弱分类器按一定的权重叠加起来,得到最终想要的强分类器h(x):

其中a为每个弱分类器的权重,与弱分类器分类错误率成对数反比。

1.2 基于ASM的人脸定位

ASM是基于统计学习模型的特征点提取的一种方法。ASM跟大多数统计学习方法一样,也包括训练和测试两部分,也就是形状建模和形状匹配,所以它具有很强的实时性,可以用来实时检测[9]。

ASM是用于图像分析的、基于关键特征点的点分布模型。需要给定一个标定了面部关键特征点的学习集 其中m为训练样本数目,N为预先定义的关键特征点的数目,L中的每个形状向量si是由训练图像Ii上的N个关键特征点的横纵坐标串接而成。然后对这些形状作主成分分析,得到统计形状模型如下:

其中 为平均形状,bs为形状参数,PS为主成分特征向量构成的变换矩阵,通过对训练集的协防差矩阵的特征值分解得到,反映了形状变化的主要模式。

ASM针对每副人脸标定图建立局部纹理模型[10,11],即每个特征点在其某种邻域内的图像亮度分布模型。局部纹理模型在训练阶段从学习集中统计得到,在模型适应阶段则用来人脸标定图位置自动更新,也就是说,对P点邻域内每个候选点q,都计算其局部纹理采样lq与训练集合中P点局部纹理之间的马氏距离:

其中 ,∑p分别为训练集中图像在p点处局部纹理的平均和协方差矩阵。该距离最小的候选点p'作为新的特征点。

1.3 Adaboost和ASM算法的级联

本文主要在Open CV平台上实现检测系统。因为Open CV在进行图像处理时非常方便快捷,加快了系统的开发速度。要完成算法的整个运算,首先将摄像头采集到的图像转换成灰度图像,并且将其归一化,然后用Adaboost算法进行快速人脸检测。在得到人脸位置信息后,通过ASM算法进行精确的人眼定位,得到准确的人眼状态信息。经过结合的ASM算法和Ada Boost算法在效率上得到了提高,并且优势可以充分有效互补,在人眼的定位上变得更准确,从而提高了系统的准确性和实时性,使得该系统具有更强的实用性。

2 考虑驾驶员姿态及光照因素后的检测算法

2.1 考虑驾驶员姿态因素的影响

驾驶员在行车过程中,很多情况下,由于路况的原因或者习惯会将头靠在手上等等,导致摄像头采集到的驾驶员的人脸图像是偏头的情况。而Adaboost算法对这种情况没有很好的适应性,它只能检测到大概偏头角度是15°的情况,这是因为Adaboost算法是在Haar-like特征的基础上提出来的,而Harr-like的特征模板大多是垂直矩阵特征[12,13,14]。针对这一情况,本文提出一种适应偏头的技术,来解决驾驶员姿态因素的影响。

本适应偏头的技术的实现原理是:当Adaboos人脸检测无法从摄像头采集图像的归一化图像中检测到人脸时,就将归一化的图像进行旋转,旋转角度为30°。这是因为Adaboost算法可以检测到的偏头角度大概在15°,当检测不到人脸时,说明偏头角度肯定超过了

15°。通常情况下,驾驶员偏头的时候不会超过45°,大概在20°到40°之间。因此本文将归一化图像旋转30°,这样得到的人脸图像就和正常情况下检测到的人脸图像很相似。通过旋转后,Adaboost检测到人脸区域,由于ASM算法在得到人脸区域位置信息后,是在原摄像头采集图像上进行关键点匹配,因此也应该将原采集图像也进行旋转,这样Adaboost和ASM在对图像进行处理时就可以保持一致,保证人眼定位结果的准确性。

图2展示的是这一改进算法的详细实现过程,从图中可以看出,改进算法可以有效地处理驾驶员偏头的情况。

2.2 考虑光照因素的影响

在实际检测中,光照因素的影响是不得不考虑的一个方面[15,16,17,18]。尤其是在驾驶过程中,由于高速的行驶,光照变化很快,经常出现光照很亮很暗的情况,因此本文在光照这个方面也做出相应改进,来消除光照因素对检测系统的影响。为了消除光照因素的影响,本文主要采取了两条措施:一是对Adaboost和ASM训练文件进行改进,补充光照很亮和很暗的人脸训练样本;二是引入直方图均衡化,对光照很亮和很暗的图像进行处理,之后再进行人眼定位。

2.2.1 补充人脸训练样本

在训练Adaboost和ASM的训练文件之前,在样本选取时除了正常的人脸图像,还加入了光照很亮和很暗的图像。如此一来,训练出的训练文件在进行人眼定位时,就可以在一定程度上适应光照因素变化的影响。图3列出了本文制作的部分样本图像:

2.2.2 引入直方图均衡

仅仅改变训练文件是不够的,为了更好地处理光照很差的图像,本文采用直方图均衡化手段,可以有效地增强图像的显示效果。主要是针对人脸尤其是人眼部分,对灰度差别越大的图像越容易分辨的特点而做增强。所以当采集到的人脸图像很暗或者很亮时,将图像经过直方图均衡化,这样就可以有效地增强人脸图像的显示效果。

在程序设计时,由于实时性的要求,所以对每一帧的图像处理时应尽可能地快。并且摄像头采集到很亮或很暗图像的情况属于比较特殊的情况,所以本文只有在检测不到人脸的时候,并且将偏头情况也排除之后,再进行直方图均衡化处理。经过这一改进之后,检测系统就可以有效地应对驾驶过程中光照很亮和很暗的情况,使得检测系统的稳定性再次增强。均衡化处理流程如图4所示。

3 Perclos疲劳状态判断

Perclos是指眼睛闭合时间占某一特定时间的百分率。下面结合图5阐释一下Perclos的测量原理,只要测出t1~t4的值,就可计算出Perclos的值。公式为:

4 实验结果及分析

4.1 考虑驾驶员姿态因素的疲劳驾驶稳健检测结果

以前的检测算法在偏头超过一定角度的时候Adaboost算法就无法检测到人脸区域,从而ASM算法也无法定位人眼区域。本文经过稳健性改进之后,系统不仅可以很好地适应偏头情况的发生,而且检测准确率也十分理想。图6是是利用这一改进技术进行人眼定位的效果图和原来算法人眼定位结果的对比。

接下来进行模拟测试实验,实验中采集了一段视频一共1076帧图像,在视频中模拟了偏头的情形,现将改进前后数据统计结果列于表1中。

从上面的实验结果可以看出:在改进之前,当出现偏头的情况时,原检测系统无法检测到人脸,从而也无法定位人眼位置。但在改进后,系统可以很好适应偏头的情况,从统计结果来看,本改进算法的人眼定位准确率高。

4.2 考虑光照因素的疲劳驾驶稳健检测结果

前文展示了光照很暗的环境下人眼定位流程图,所以下面考虑光照因素改进前后的对比(见图7),展示光照很亮的环境效果图。

同样,本文也通过模拟试验检测了这一改进算法的准确率,采集了一段含1000帧图像的视频,在视频中模拟了光照因素影响的情形,现将改进前后数据统计结果列于表2。

在上面的模拟实验检测准确率的过程中,改进之前在光照不理想的情况下,系统无法检测到人脸,从而也无法检测到人脸。在改进之后,就很好的消除了光照因素的影响,从统计结果来看,这一改进的检测结果准确率也很高。

4.3 Perclose疲劳状态综合判断实验结果

下面的实验是在真实驾驶环境下进行疲劳检测。由于本文的疲劳判断周期为15s,也就是每处理225帧图像就对其做一次疲劳判断。本文规定Perclos的值为10%~ 15%时为轻度 疲劳 , Perclos的值为15%~20%时为中等疲劳,Perclos的值为大于20%时为重度疲劳[20]。在驾车行驶的过程中采集了5段视频,利用提出的改进算法对采集的视频进行Perclos疲劳判断。表3中,真实闭眼帧数会比检测到的少,是因为在歪头的过程中有误检,误把睁眼检测成了闭眼。现将检测数据统计结果列于表3

5 结论

本文给出了一种疲劳驾驶稳健检测方法,能适应偏头和光照等因素的影响。采用的主要手段是归一化人脸图像旋转、补充人脸训练样本和引入直方图均衡等。对模拟视频及车内采集的真实驾驶样本视频进行检测实验,结果表明稳健检测算法可以更准确地定位人眼的位置。不仅可以有效地适应偏头的情况,并且可以消除光照因素的影响。下一步的研究工作包括:1)将本文的检测算法与驾驶生理参数以及车辆行为监测相结合;2)除人眼外的疲劳特征的挖掘与提取等。

摘要：考虑疲劳驾驶检测过程中容易出现的偏头情形和光照因素影响,提出一种疲劳驾驶稳健检测算法。在实现Adaboost和主动性状模型相结合的人眼定位基础上,算法首先通过归一化人脸图像旋转等手段,使检测系统可以适应驾驶过程中经常出现的驾驶员偏头情形;其次通过补充人脸训练样本和引入直方图均衡等手段,使其可以更好地适应驾驶中出现的各种光照环境。最后利用Perclos算法对驾驶员疲劳状态进行判定。对模拟视频及车内采集的真实驾驶样本视频进行检测实验,结果表明稳健检测算法可以更准确定位人眼的位置。不仅可以有效的适应偏头情况,并且可以消除光照因素的影响,提升了检测系统的稳健性。