劉靜霞

(成都電子機械高等專科學校，四川 成都610031)

為了減少由于司機疲勞而導致的交通事故，國內(nèi)外的許多研究工作者都在研究司機疲勞狀態(tài)檢測系統(tǒng)。例如美國卡內(nèi)基梅隆大學的Richard Grace領(lǐng)導的Copilot工程開發(fā)的疲勞檢測裝置，浙江大學的駕駛防磕睡裝置，北京航天航空大學的眼動測量系統(tǒng)。目前，疲勞駕駛的檢測技術(shù)主要有兩大類，一類是采集腦電信號的生理參數(shù)EEG來檢測[1]，EEG生理參數(shù)能準確地反映出人的疲勞狀態(tài)，但檢測設(shè)備較復雜昂貴，應(yīng)用推廣難度較大；另一類是對采集的面部圖像信息進行識別[2]。圖像信息檢測中，有的利用較昂貴的紅外攝像機檢測信號[3]，有的利用普通攝像機進行檢測[4]。普通攝影機安裝和使用較方便，利于推廣應(yīng)用，但對圖像處理技術(shù)要求較高。由于疲勞狀態(tài)實時檢測系統(tǒng)要求很高的實時性和可靠性，目前為止，還沒有出現(xiàn)滿足實際需要的非強迫性檢測系統(tǒng)。

表1中列出了幾種疲勞狀態(tài)檢測的方法，并對性能進行了比較。通過比較可以發(fā)現(xiàn)，這幾種方法中基于身體反應(yīng)的檢測方法性能較好。PERCLOS（Percentage of Eyelid Closure Time）是在單位時間內(nèi)眼睛閉合時間所占的百分率。弗吉尼亞大學的Walt Wierwille從20世紀70年代開始研究眼睛光學變量與疲勞的關(guān)系，研究表明與疲勞有關(guān)的主要因素有缺乏睡眠、瞳孔直徑、注目凝視、眼球快速轉(zhuǎn)動、眉眼掃視、眨眼睛等，并且發(fā)現(xiàn)PERCLOS是最具潛力的疲勞測定方法之一，由PERCLOS得出的數(shù)據(jù)可以真正反映駕駛疲勞，是對疲勞進行估價測定的最好方法。

表1 疲勞檢測方法對比

通過攝像頭獲取司機的實時視頻，獲得駕駛員的視頻圖像后，利用圖像處理與模式識別技術(shù)分析人臉特征圖像信息，從圖像中找到駕駛員面部所在位置，檢測出人眼并分析人眼狀態(tài)（睜開或閉合），然后統(tǒng)計一定時間內(nèi)眼睛閉合持續(xù)總時間，將其與某固定閾值比較，以確定司機瞌睡與否。

1 人臉和人眼特征的檢測

疲勞狀態(tài)檢測要準確地檢測和跟蹤眼睛的狀態(tài)。采用先確定人臉區(qū)域，然后再在人臉區(qū)域內(nèi)進一步檢測、定位人眼的方法，這樣可以使得眼睛的檢測與定位更加準確和快捷。眼睛的識別檢測方法可分為基于統(tǒng)計和基于知識兩種類型?；诮y(tǒng)計的方法將人臉和人眼圖像視為一個多維向量，從而將人臉和人眼檢測問題轉(zhuǎn)化為多維空間中分布信號的檢測問題；而基于知識的方法則利用人臉和人眼特征知識建立若干規(guī)則，從而將人臉檢測問題轉(zhuǎn)化為假設(shè)和驗證問題，例如人臉膚色和幾何結(jié)構(gòu)等?；谥R建模的方法一般對建模的假設(shè)條件依賴性強，而基于統(tǒng)計的方法精度較高、魯棒性強，但運算量大。駕駛室光照復雜多變，振動環(huán)境也較復雜，選擇基于統(tǒng)計的方法能更有效地進行檢測。

Paul Viola和Michael Jones于2001年提出機器學習領(lǐng)域分類精度較高并且識別速度快的Adaboost算法[5-6]，Adaboost算法是一種高效的迭代算法，在人眼的快速檢測方面有著非常重要的應(yīng)用。它針對同一個訓練集訓練出不同的弱分類器，然后把這些弱分類器組成強分類器，進而形成級聯(lián)分類器。訓練方法描述如下：

(4)弱分類器中，找出一個具有最小錯誤εt的弱分類器 ht，更新每個樣本所對應(yīng)的權(quán)重ωt+1，i=ωt，iexp(-αtliht(xi))，αt=0.5ln[(1-εt)/εt]；

設(shè)計的系統(tǒng)采用麻省理工的MIT CBCL人臉庫作為訓練庫，然后利用Adaboost算法訓練人臉檢測分類器。MIT CBCI數(shù)據(jù)庫中的訓練樣本集共有2 429幅人臉樣本圖像和4 554幅非人臉圖像，包括各種光照條件和人體姿態(tài)。利用人眼檢測程序進行了大量圖片檢測，發(fā)現(xiàn)人眼檢測正確率高，只要能夠正確定位人臉，人眼檢測都能準確識別。經(jīng)過分析發(fā)現(xiàn)，人眼特征簡單、模板小，不像人臉特征多、變化大。人眼的搜索區(qū)域為先前定位的人臉區(qū)域，搜索區(qū)域小；而人臉搜索區(qū)域為整幅圖像。特征簡單、搜索區(qū)域小，致使人眼檢測正確率高，不會出現(xiàn)誤檢。

2 檢測算法移植

疲勞狀態(tài)檢測算法運行在PC機上的檢測幀速率約為3～4幀，不能滿足檢測算法的實時性要求。為了提高實時檢測速度，將檢測算法移植到DSP芯片上運行可以有效地提高系統(tǒng)的實時性。DSP系統(tǒng)具有強大的數(shù)據(jù)并行處理能力，能提高檢測算法的運算速度，從而獲得實時檢測的效果。DSP具備普通微處理器所強調(diào)的高速運算和控制功能，移植過程中還要針對實時數(shù)字信號處理，在處理器結(jié)構(gòu)、指令系統(tǒng)、指令流程上做相應(yīng)的改動。系統(tǒng)采用TI公司的TMS320DM642芯片作為嵌入式芯片平臺，檢測算法的移植在合眾達公司的SEED-VPM開發(fā)板上進行。

TMS320DM642是建立在C64x DSP核基礎(chǔ)上、采用了德州儀器公司開發(fā)的第二代高性能超長指令字結(jié)構(gòu)VelociT l.2TM，在每個時鐘周期內(nèi)可執(zhí)行2個16×16 bit的乘法或 4個 8×8 bit的乘法。TMS320DM642內(nèi)包含了 6個算術(shù)邏輯單元，在每個時鐘周期內(nèi)都可執(zhí)行2個16 bit或4個8 bit的加減、比較、移動等運算。在600 MHz的時鐘頻率下，DM642每秒可以進行24億次 16 bit的乘累加或48億次8 bit的乘累加。這樣的運算能力，使得DM642可以進行實時的多視頻處理和圖像處理。TMS320DM642通過64 bit的EMIF和3個8/16 bit寬度的視頻口來連接板上的外設(shè)(如 SDRAM、Flash、FPGA和DART)。TMS320DM642還在C64x的基礎(chǔ)上增加了很多外圍設(shè)備和接口。

疲勞狀態(tài)檢測識別系統(tǒng)是運行在DSP芯片上的數(shù)字信號處理系統(tǒng)，視頻數(shù)據(jù)的處理流向如下：視頻數(shù)據(jù)從攝像機輸入進來，輸入的格式為PAL/NTSC模擬電視廣播信號格式，經(jīng)過模擬數(shù)據(jù)經(jīng)視頻解碼芯片SAA7115解碼，可以得到標準BT.656并行數(shù)據(jù)，BT.656并行數(shù)據(jù)從DM642視頻口1輸入，視頻口1提取YCbCr數(shù)據(jù)之后，分別存放在內(nèi)部的緩沖器中，獨立于CPU的EDMA將視頻口buffer中YCbCr數(shù)據(jù)搬移到大容量外部SDRAM存儲器中，SDRAM中存放著連續(xù)的3幀圖像數(shù)據(jù)，同時EDMA將其中一幀圖像數(shù)據(jù)，不停地搬移到DM642內(nèi)部RAM，在內(nèi)部RAM存放著兩行連續(xù)視頻數(shù)據(jù)供CPU使用，CPU處理過的數(shù)據(jù)輸回到內(nèi)部RAM中暫時保存，后續(xù)數(shù)據(jù)輸出步驟與前面介紹的數(shù)據(jù)輸入步驟正好相反。

DSP采用多總線的哈佛結(jié)構(gòu)，相同的系統(tǒng)復雜程度，DSP比一般的微處理數(shù)據(jù)處理速度快2個數(shù)量級。多總線結(jié)構(gòu)使得DSP結(jié)構(gòu)復雜，工作頻率較低，對外部存儲器的訪問速度只有133 MHz，從而造成數(shù)據(jù)瓶頸，嚴重地制約了處理速度，移植過程中，要減少片內(nèi)外的數(shù)據(jù)傳輸、提高片內(nèi)數(shù)據(jù)的利用率。Adaboost檢測算法要求較大的數(shù)據(jù)計算量，將其移植到DSP中，可以通過提高二級高速緩存Cache命中率、優(yōu)化算法等措施來減少片內(nèi)外的數(shù)據(jù)傳輸，減少程序運算量。

移植完成后，對算法進行一系列優(yōu)化，最終達到18 S/s的幀速率，滿足了實時性要求，如表2所示。

表2 疲勞檢測算法DSP系統(tǒng)時間消耗

3 檢測結(jié)果與分析

檢測時，TMS320DM642工作頻率為600 MHz，視頻輸入圖像大小為 724×576，DSP將其縮放為 CIF圖像（356×298像素），然后進行疲勞駕駛檢測，系統(tǒng)檢測速率基本達到18幀/s。通過采集多人圖像視頻進行檢測，分析得到人臉檢測率為90.5%，人眼檢測率90.3%，人眼狀態(tài)分析正確率為86.7%。算法達到18幀/s的幀速率，基本滿足了系統(tǒng)實時檢測的性能要求。但是由于實驗設(shè)備環(huán)境與時間限制，檢測系統(tǒng)還存在缺陷和有待完善的地方。例如由于樣本庫的原因，人臉檢測算法對傾斜人臉的檢測存在先天不足，可以加入傾斜人臉樣本或在檢測階段采用旋轉(zhuǎn)視頻圖像方法解決該問題。

[1]VUCKOVIC A,POPOVIC D,RADIVOJEVIC V.Artificial neural network for detecting drowsiness from EEG recordings[C].Proc.IEEE Seminar on Neural Network Applications in Electrical Engineering,Belgrade,Yugoslavia.Sept.2002：155-158.

[2]GONZALEZ R C,WOODS R E.Digital image processing.Second Edition,Prentice Hall,Upper Saddle River,NJ,USA,2002.

[3]JI Q,ZHU Z,LAN P.Real-time nonintrusive monitoring and prediction of driver fatigue[J].IEEE Trans.Veh.Tech.,2004,53(4)：1052-1068.

[4]DONG W,WU X.Driver fatigue detection based on the distance of eyelid[C].Proc.IEEE VLSI Design and Video Technology,Suzhou,China,pp.365-368,May 2005.

[5]VIOLA P,JONES M.Rapid object detection using a boosted cascade of simple features[C].IEEE Computer Society Conference on Computer Vision and Pattern Recognition(CVPR),ISSN:1063-6919,2001(1)：511-518.

[6]VIOLA P,MICHAEL J.Robust real-time face detection[J].International Journal of Computer Vision.2004，57(2):137-154.