蔣建國(guó)， 王 雷， 齊美彬， 詹 曙

（1.合肥工業(yè)大學(xué) 計(jì)算機(jī)與信息學(xué)院，安徽 合肥 230009；2.安全關(guān)鍵工業(yè)測(cè)控技術(shù)教育部工程研究中心，安徽 合肥 230009）

基于眼睛狀態(tài)檢測(cè)的駕駛員疲勞駕駛分析

蔣建國(guó)1，2， 王 雷1， 齊美彬1， 詹 曙1

（1.合肥工業(yè)大學(xué) 計(jì)算機(jī)與信息學(xué)院，安徽 合肥 230009；2.安全關(guān)鍵工業(yè)測(cè)控技術(shù)教育部工程研究中心，安徽 合肥 230009）

利用眼睛的狀態(tài)對(duì)駕駛員疲勞進(jìn)行分析主要有人眼檢測(cè)和疲勞判斷兩大問(wèn)題。駕駛過(guò)程中受到光照、角度及眼睛閉合等因素的影響，傳統(tǒng)的人眼檢測(cè)技術(shù)誤碼率較高，而混合復(fù)雜的檢測(cè)技術(shù)實(shí)時(shí)性較差。針對(duì)該問(wèn)題，文章提出一種適用于駕駛員駕駛過(guò)程中的人眼快速定位算法。該方法由粗到細(xì)，綜合運(yùn)用基于OpenCV的人臉識(shí)別、二值化、改進(jìn)型灰度積分投影、Susan算子角點(diǎn)提取等技術(shù)，并結(jié)合PERCLOS（percentage of eyelid closure）方法進(jìn)行疲勞分析。實(shí)驗(yàn)結(jié)果表明，該方法對(duì)各種駕駛環(huán)境下駕駛員眼睛的定位，都能快速地獲得較高的精度，疲勞檢測(cè)正確率較高。

人眼定位；積分投影；Susan算子；疲勞檢測(cè)；PERCLOS方法

0 引 言

近幾年，隨著疲勞駕駛導(dǎo)致的交通事故數(shù)量日益增加，國(guó)內(nèi)外積極開展疲勞駕駛檢測(cè)［1］的研究，主要研究結(jié)果有以下幾類：① 檢測(cè)駕駛員生理信號(hào)（心跳、腦電圖等），該方法不僅不易實(shí)施，且獲得的數(shù)據(jù)可靠性較低；② 檢測(cè)車輛參數(shù)（方向盤動(dòng)作、白線位置等），該方法根據(jù)公路和汽車質(zhì)量的不同測(cè)試得到的數(shù)據(jù)準(zhǔn)確性變化比較大；③ 檢測(cè)駕駛員個(gè)體特征，大部分研究集中在檢測(cè)駕駛員個(gè)體特征上。眼睛是疲勞最直接和最重要的表現(xiàn)形式，所以基于人眼檢測(cè)的疲勞駕駛分析成為研究熱點(diǎn)。

在基于人眼檢測(cè)的疲勞駕駛檢測(cè)系統(tǒng)中，研究的主要內(nèi)容包括駕駛員眼睛的準(zhǔn)確快速定位與跟蹤和判別疲勞狀態(tài)的標(biāo)準(zhǔn)。顯然，眼睛檢測(cè)的準(zhǔn)確性和實(shí)時(shí)性直接影響了疲勞狀態(tài)的分析結(jié)果，目前人眼檢測(cè)主要的方法［2－3］有基于模板匹配方法、基于灰度投影方法、基于統(tǒng)計(jì)方法和基于規(guī)則方法。有些則是結(jié)合了多種方法的混合技術(shù)。針對(duì)眼部狀態(tài)疲勞判斷，目前主要方法有眨眼頻率法、眼睛閉合時(shí)間及瞳孔變化等方法。

駕駛員在駕駛過(guò)程中會(huì)有光照、人臉角度及眼睛閉合等因素影響，單純使用某種方法或傳統(tǒng)的混合技術(shù)無(wú)法保證檢測(cè)的準(zhǔn)確性，而綜合運(yùn)用多種方法又會(huì)導(dǎo)致響應(yīng)時(shí)間過(guò)長(zhǎng)，無(wú)法實(shí)時(shí)檢測(cè)到駕駛員的眼睛狀態(tài)，導(dǎo)致疲勞判斷不準(zhǔn)確。

本文在總結(jié)前人研究的基礎(chǔ)上，提出一種適用于駕駛員眼睛的快速定位方法。該方法由粗到細(xì)，在抓取視頻幀后直接調(diào)用OpenCV進(jìn)行人臉檢測(cè)初步確定人臉區(qū)域，然后取人臉圖像的上半部分進(jìn)行灰度積分投影來(lái)確定人臉中人眼的大概位置，在獲得兩眼眼球大概位置的基礎(chǔ)上畫出眼部的大概區(qū)域，再對(duì)眼部區(qū)域使用Susan算子獲得兩眼的內(nèi)外眼角點(diǎn)，最終確定眼睛的精確位置，最后使用PERCLOS判斷方法進(jìn)行疲勞分析，具體流程如圖1所示。實(shí)驗(yàn)結(jié)果證明，本文提出的方法實(shí)時(shí)性好、準(zhǔn)確性高。

圖1 系統(tǒng)流程

1 人臉檢測(cè)

基于OpenCV的人臉檢測(cè)［4］分為訓(xùn)練分類器和利用訓(xùn)練好的分類器進(jìn)行人臉檢測(cè)。

本文直接調(diào)用OpenCV庫(kù)中已經(jīng)訓(xùn)練好的cascade（Haar分類器）檢測(cè)人臉，檢測(cè)的基本過(guò)程是先將圖像灰度化，根據(jù)傳入?yún)?shù)判斷是否進(jìn)行canny邊緣處理（默認(rèn)不使用），再進(jìn)行匹配。匹配后收集找出的匹配塊，過(guò)濾噪聲，計(jì)算相鄰個(gè)數(shù)，如果超過(guò)了規(guī)定值就輸出結(jié)果，否則刪去。將匹配分類器放大，同時(shí)原圖縮小相同倍數(shù)進(jìn)行匹配，直到匹配分類器的大小大于原圖，則返回匹配結(jié)果。

人臉的初步檢測(cè)能夠得到人臉區(qū)域，在給定的范圍內(nèi)搜索嘴、鼻子、眼睛等關(guān)鍵部位的位置，這樣既降低了關(guān)鍵部位定位的錯(cuò)誤率，同時(shí)又減少了搜索的時(shí)間。

2 眼睛粗定位

眼睛在臉部區(qū)域呈現(xiàn)的特點(diǎn)有：① 位于人臉區(qū)域的上半部分；② 在眉毛與鼻子的之間，離眉毛的距離小于與鼻孔的距離；③ 兩眼對(duì)稱于人臉的對(duì)稱軸。根據(jù)以上特點(diǎn)，對(duì)眼睛進(jìn)行定位，在檢測(cè)到人臉的基礎(chǔ)上縮小定位范圍，直接取臉部區(qū)域圖的上半部分進(jìn)行研究。

2.1 圖像二值化

要將眼部特征點(diǎn)從人臉圖像分割出來(lái)，首先要對(duì)圖像二值化處理。圖像二值化最關(guān)鍵的是選取閾值，國(guó)內(nèi)外學(xué)者對(duì)圖像二值化［5］進(jìn)行了廣泛的研究，并提出了雙峰直方圖閾值分割法、最大熵閾值分割法、模糊聚類分析法等閾值選取方法。本文采用最大類間方差閾值分割法，又叫大津法。其基本思路是把圖像直方圖用某一灰度值分割成背景和目標(biāo)2類，分別計(jì)算這2類的像素點(diǎn)和灰度平均值，然后計(jì)算它們的類間方差。背景和目標(biāo)之間的類間方差越大，說(shuō)明構(gòu)成圖像的兩部分的差別越大，該灰度值就作為圖像二值化處理的閾值。

設(shè)圖像I（x，y），圖像的大小為M×N，前景（即目標(biāo)）和背景的分割閾值記作T，圖像中像素的灰度值小于閾值T的像素個(gè)數(shù)記作N1；像素灰度大于閾值T的像素個(gè)數(shù)記作N2。屬于前景的像素點(diǎn)數(shù)占整幅圖像的比例記為ω1，其平均灰度為μ1；背景像素點(diǎn)數(shù)占整幅圖像的比例為ω2，其平均灰度為μ2。圖像的總平均灰度記為μ，類間方差記為g。則有：

采用遍歷的方法得到使類間方差最大的閾值T。

二值化后人臉的特征點(diǎn)如頭發(fā)、眉毛、眼睛、鼻子、嘴巴等被明顯地分割出來(lái)，如圖2所示。

圖2 圖像二值化

2.2 基于灰度積分投影的眼睛粗定位

積分投影是自動(dòng)定位特征時(shí)常用的一種技術(shù)［6］。設(shè)G（x，y）表示圖像在（x，y）處的灰度值，在圖像［y1，y2］區(qū)域的水平積分投影表示為：

對(duì)人臉上半部分的圖像水平和垂直積分投影如圖3所示。

圖3 水平和垂直積分投影分布示意圖

由圖3可以看出，由于在水平方向得到的垂直灰度積分投影幾乎沒有其他區(qū)域的影響，其分布圖基本呈現(xiàn)出一致的規(guī)律，基于對(duì)人臉的先驗(yàn)知識(shí)，波谷自下而上分別對(duì)應(yīng)眼睛、眉毛和頭發(fā)的區(qū)域。將積分投影圖進(jìn)行歸一化后得到積分投影曲線設(shè)定閾值，找出波谷點(diǎn)，顯然，最下面的波谷對(duì)應(yīng)著眼睛的大致水平位置（即縱坐標(biāo)y）。

要確定人眼的垂直位置（橫坐標(biāo)），如果直接對(duì)上述矩形框進(jìn)行垂直灰度投影，則不能取得很好的效果，這是由于當(dāng)頭發(fā)部分的灰度比重占據(jù)較大部分時(shí)，積分灰度投影曲線不規(guī)則，沒有明顯的波谷出現(xiàn)，無(wú)法從曲線中提取出有效信息，從而導(dǎo)致無(wú)法正確判斷人眼的位置。當(dāng)人眼閉合時(shí)，如果眉毛區(qū)域被頭發(fā)遮蓋或占據(jù)較小比重時(shí)，積分投影曲線則完全表示頭發(fā)區(qū)域的灰度投影，與眼睛位置無(wú)關(guān)［7］。

本文提出一種改進(jìn)型方法，設(shè)由圖3得到的眼睛垂直坐標(biāo)為y，在人臉圖像上取一個(gè)以y為中心，高度為h的條形區(qū)域，h的選取以所選取部分不包含眉毛、頭發(fā)為宜，根據(jù)水平灰度積分投影曲線分析可知，2個(gè)波谷所對(duì)應(yīng)的區(qū)域即為眼睛和眉毛間的區(qū)域，則h取2個(gè)波谷之間的距離。本文對(duì)條形區(qū)域作垂直積分投影，投影圖像如圖4所示。

圖4 改進(jìn)型水平積分投影分布示意圖

由圖4可以看出，人臉中心對(duì)稱軸兩側(cè)出現(xiàn)2個(gè)最小值點(diǎn)，分別對(duì)應(yīng)于左、右眼的垂直位置。因此從垂直積分投影曲線中心向左、右搜索最小值，即可得到眼睛中心的橫坐標(biāo)，從而確定眼睛的大致位置。根據(jù)人臉圖像的先驗(yàn)知識(shí)，每只眼睛的寬度δ最多占人臉寬度的1／3，由此可知，以積分投影求得的坐標(biāo)分別為左、右眼睛的中心，矩形框的高度為h，寬度為δ的區(qū)域即為所求人眼的區(qū)域。

3 眼睛精確定位

在獲取駕駛員左、右眼的大致區(qū)域后，為了降低區(qū)域內(nèi)非眼睛部分對(duì)后續(xù)疲勞判別的影響，需對(duì)眼睛進(jìn)行進(jìn)一步精確定位［8－9］。對(duì)此，本文在粗定的區(qū)域內(nèi)使用Susan算子獲得兩眼內(nèi)外眼角的點(diǎn)位置，最終確定兩眼的準(zhǔn)確區(qū)域。

Susan算子原理如圖5所示，用一個(gè)半徑為r的圓形模板在圖像上移動(dòng)，若模板內(nèi)的像素灰度與模板中心的像素（被稱為核）灰度值小于一定的閾值t，則認(rèn)為該點(diǎn)與核具有相同的灰度，滿足該條件的像素組成的區(qū)域n稱為吸收同值核區(qū)（univalue segment assimilating nucleus，USAN），即

由此可知，USAN面積n越小，則邊緣強(qiáng)度R越大，g為閾值，直觀理解為USAN的最大值，若n超過(guò)該值，則認(rèn)為不存在邊緣。

圖5 Susan算子原理圖

由Susan算子原理可知，當(dāng)模板的中心位于角點(diǎn)處時(shí)，USAN的值最?。▓D5a所示），由此利用該原理可獲得眼部區(qū)域的眼角位置。具體步驟如下：

（1）利用圓形模板遍歷圖像，計(jì)算每點(diǎn)處的USAN值。

（2）設(shè)置一閾值g，一般取值為nmax／4，進(jìn)行閾值化，得到角點(diǎn)響應(yīng)。

（3）使用非極大值抑制來(lái)尋找角點(diǎn)。

（4）計(jì)算USAN區(qū)域的重心，然后計(jì)算重心和模板中心的距離，如果距離較小則不是正確的角點(diǎn)。

（5）判斷USAN區(qū)域的重心和模板中心的連線所經(jīng)過(guò)的像素是否屬于USAN區(qū)域的像素，如果屬于，則該模板中心的點(diǎn)即為角點(diǎn)。

在角點(diǎn)檢測(cè)中，有以下2種類型的閾值：閾值t，用來(lái)約束角點(diǎn)的數(shù)量；閾值g，用來(lái)約束角點(diǎn)的質(zhì)量。當(dāng)然，一個(gè)閾值不能完全做到只影響質(zhì)量或數(shù)量，只是會(huì)有一個(gè)側(cè)重點(diǎn)。例如，g值減小，則USAN會(huì)更加側(cè)重于檢測(cè)到更加“尖銳”的角點(diǎn)；而當(dāng)t減小時(shí)，會(huì)檢測(cè)到更多的角點(diǎn)。所以，閾值t可以在不影響角點(diǎn)質(zhì)量的情況下，控制檢測(cè)到的角點(diǎn)的數(shù)量。在大多數(shù)情況下，設(shè)t為25比較合適，如果圖像的對(duì)比度比較低，可以修改t值以適應(yīng)變化。

用以上算法獲得的兩眼眼部區(qū)域的角點(diǎn)如圖6、圖7所示，通過(guò)尋找角點(diǎn)之間的最大距離來(lái)最終確定眼部區(qū)域的左右精確位置，兩眼內(nèi)外眼角點(diǎn)的距離即為眼部區(qū)域的寬度β，高度為h。

圖6 t＝25 s時(shí)眼部區(qū)域Susan算子角點(diǎn)提取結(jié)果

圖7 g＝n max／2時(shí)眼部區(qū)域Susan算子角點(diǎn)提取結(jié)果

4 PERCLOS疲勞檢測(cè)

PERCLOS（percentage of eyelid closure）為眼睛閉合程度超過(guò)某一閾值的時(shí)間占總時(shí)間的百分比。

PERCLOS原理示意圖如圖8所示。

圖8 PERCLOS原理示意圖

圖8中，t1為眼睛完全睜開到閉合20%的時(shí)間；t2為眼睛完全睜開到閉合80%的時(shí)間；t3為眼睛完全睜開到下一次睜開20%的時(shí)間；t4為眼睛完全睜開到下一次睜開80%的時(shí)間。通過(guò)測(cè)量t1～t4，可計(jì)算出PERCLOS的值f80：

圖8是以眼瞼遮住瞳孔的面積超過(guò)80%的時(shí)間比率為判別標(biāo)準(zhǔn)的，即P80標(biāo)準(zhǔn)，大量實(shí)驗(yàn)表明P80與駕駛疲勞的相關(guān)性最好，故本文選用P80作為判別標(biāo)準(zhǔn)。

PERCLOS是對(duì)一次眼睛的閉合過(guò)程進(jìn)行判斷，但在視頻序列的檢測(cè)中，一般以幀為單位，所以P80的計(jì)算公式可以轉(zhuǎn)化為：

判斷眼睛閉合超過(guò)某一閾值目前常用的方法主要有利用檢測(cè)眼睛矩形框的高度、寬高比2種方式［10－12］，但上述2種方式有以下缺點(diǎn)：① 眼睛矩形框的精確度要求較高，從而導(dǎo)致眼睛檢測(cè)階段的算法過(guò)于復(fù)雜，實(shí)時(shí)性受到一定影響；② 直接設(shè)定某個(gè)閾值來(lái)判斷，只能針對(duì)某個(gè)駕駛員判斷，不具備魯棒性。

本文提出利用眼部區(qū)域的黑色像素個(gè)數(shù)的變化關(guān)系來(lái)判斷眼睛閉合，進(jìn)一步計(jì)算PERCLOS的值。同時(shí)，針對(duì)不同的駕駛員和駕駛環(huán)境，本方法在判別前進(jìn)行了目標(biāo)樣本的訓(xùn)練學(xué)習(xí)，具體過(guò)程如下：

（1）建立一個(gè)樣本空間N，空間含有100幀眼部區(qū)域的圖片，每幀圖片分別有左、右2個(gè)眼部區(qū)域。

（7）定義每30幀為一個(gè)檢測(cè)周期，根據(jù)上述步驟求出每個(gè)周期的f，并與f80進(jìn)行比較，若f＞f80，則說(shuō)明駕駛員處于疲勞狀態(tài)，反之則為正常駕駛。

5 實(shí)驗(yàn)結(jié)果分析

本實(shí)驗(yàn)用3組駕駛員開車的視頻進(jìn)行實(shí)驗(yàn)，3組視頻分別是在晴天、陰天和夜間駕駛的條件下拍攝的，部分實(shí)驗(yàn)結(jié)果如圖9所示。另外對(duì)每組圖像進(jìn)行檢測(cè)統(tǒng)計(jì)，結(jié)果見表1所列。

圖9 駕駛員眼睛檢測(cè)結(jié)果

結(jié)合實(shí)驗(yàn)數(shù)據(jù)和現(xiàn)場(chǎng)模擬綜合分析，利用OpenCV檢測(cè)人臉能夠取得很好的效果，但遭遇強(qiáng)光照射、人臉角度變化過(guò)大、夜間紅外圖像噪聲較大等因素時(shí)，易造成誤判或無(wú)法檢測(cè)。在眼睛粗定位階段，造成錯(cuò)誤判斷的原因主要有：① 人臉旋轉(zhuǎn)角度過(guò)大；② 隨著光線強(qiáng)度減弱，圖像二值化效果變差。在眼睛粗定位準(zhǔn)確的情況下，通過(guò)Susan算子精確定位眼睛的準(zhǔn)確率高達(dá)99%，造成錯(cuò)誤的原因主要是眼部區(qū)域噪點(diǎn)較多，邊緣不夠清晰。

另外，采用本文的方法整個(gè)眼睛檢測(cè)的時(shí)間最多需要260 ms，對(duì)于疲勞檢測(cè)系統(tǒng)來(lái)說(shuō)，能夠準(zhǔn)確地抓取到眼睛的各種狀態(tài)，避免漏判誤判。

通過(guò)與其他方法［11－13］比較，本文提出的方法疲勞檢測(cè)正確率提高了4%，系統(tǒng)檢測(cè)總時(shí)間縮短了70 ms，且本文提出的基于PERCLOS的判斷方法算法簡(jiǎn)單、實(shí)時(shí)性好，有較好的魯棒性。

表1 實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果

6 結(jié)束語(yǔ)

針對(duì)疲勞駕駛檢測(cè)系統(tǒng)誤碼率較高，響應(yīng)時(shí)間較慢的問(wèn)題，本文提出一種快速定位駕駛員眼睛的方法，結(jié)合實(shí)驗(yàn)數(shù)據(jù)，該方法特別考慮了頭發(fā)、光照等因素給眼睛定位帶來(lái)的影響，提出了改進(jìn)的積分投影方法，并利用Susan算子精確定位眼睛，較大地提高了檢測(cè)的準(zhǔn)確率。此外，本方法由粗到細(xì)，逐步縮小圖像檢測(cè)范圍，極大縮短了后續(xù)檢測(cè)的時(shí)間，有利于進(jìn)一步對(duì)眼睛的跟蹤檢測(cè)。在疲勞檢測(cè)階段，提出利用眼部區(qū)域黑色像素的變化關(guān)系來(lái)判別疲勞，不僅降低了對(duì)眼睛定位的精確程度，減少了眼睛定位的時(shí)間，而且判斷準(zhǔn)確率有所提高。從整體來(lái)看，該算法是一種駕駛員疲勞檢測(cè)的可行方法。不足之處在夜間行駛情況下，人眼檢測(cè)誤碼率還較高，同時(shí)算法流程還需要進(jìn)一步優(yōu)化，以便縮短運(yùn)行時(shí)間。后續(xù)研究過(guò)程中，將在提高眼晴定位準(zhǔn)確性的基礎(chǔ)上，進(jìn)一步縮短檢測(cè)時(shí)間，并結(jié)合相關(guān)硬件仿真、現(xiàn)場(chǎng)測(cè)試來(lái)提高其實(shí)用性能。

［1］李志春，何 仁，林謀有，等.駕駛員疲勞檢測(cè)技術(shù)的研究現(xiàn)狀及發(fā)展趨勢(shì)［J］.農(nóng)機(jī)化研究，2006（5）：197－199.

［2］徐 來(lái)，周德龍.人臉檢測(cè)技術(shù)的方法研究［J］.計(jì)算機(jī)系統(tǒng)應(yīng)用，2010，19（6）：226－232.

［3］Chellappa R，Wilson C L，Sirohey S.Human and machine recognition of faces：a survey［J］.Proceedings of the IEEE，1995，83（5）：705－740.

［4］陶穎軍.基于OpenCV的人臉識(shí)別應(yīng)用［J］.計(jì)算機(jī)系統(tǒng)應(yīng)用，2012，21（3）：220－223.

［5］朱軍民，黃 磊，劉昌平.圖像二值化方法比較［C］／／第八屆全國(guó)漢字識(shí)別學(xué)術(shù)會(huì)議論文集，2002：110－115.

［6］馮建強(qiáng)，劉文波，于盛林.基于灰度積分投影的人眼定位［J］.計(jì)算機(jī)仿真，2005，22（4）：75－78.

［7］章 玲，蔣建國(guó)，齊美彬.一種微分與積分投影相結(jié)合的眼睛定位方法［J］.合肥工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2006，29（2）：182－185.

［8］Lam K M，Yan H.Locating and extracting the eye in human face images［J］.Pattern Recognition，1996，29 （5）：771－779.

［9］顧 華，蘇光大，杜 成.人臉的眼角自動(dòng)定位［J］.紅外與激光工程，2004，33（4）：375－379.

［10］蔣建國(guó)，劉 揚(yáng)，詹 曙，等.灰度視頻序列中駕駛員疲勞實(shí)時(shí)檢測(cè)方法［J］.合肥工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，31（9）：1424－1427，1442.

［11］張淑鳳.基于多個(gè)疲勞參數(shù)的駕駛員疲勞檢測(cè)［D］.合肥：合肥工業(yè)大學(xué)，2009.

［12］劉 揚(yáng).基于DM642的疲勞駕駛實(shí)時(shí)監(jiān)測(cè)系統(tǒng)研究與實(shí)現(xiàn)［D］.合肥：合肥工業(yè)大學(xué)，2007.

［13］Cho G.Real time driver safety system［D］.Bowling Green：Western Kentucky University，2009，1442.

Detection of fatigue driving based on eye state

JIANG Jian－guo1，2， WANG Lei1， QI Mei－bin1， ZHAN Shu1
（1.School of Computer and Information，Hefei University of Technology，Hefei 230009，China；2.Engineering Research Center of Safety Critical Industrial Measurement and Control Technology of Ministry of Education，Hefei 230009，China）

There are two main points in analyzing the state of the driver fatigue based on driver’s eye state，i.e.eye detection and fatigue judgment.Because of the interfering factors like light，angle，percentage of eyelid closure（PERCLOS）during the driving process，the bit error rate of traditional eye detection scheme is relatively high while the complicate integrated method presents low instantaneity.With this regard，a new algorithm of fast eye location in the course of driving is proposed，which integrates face recognition technology of OpenCV，binarization，improved gray－level integration projection，Susan operator corner extraction and other techniques.And the fatigue analysis is done based on the PERCLOS method.The experimental results show higher precision of the proposed method in locating drivers’eyes under any given driving condition and higher correctness rate of driver fatigue detection.

eye location；integration projection；Susan operator；fatigue detection；percentage of eyelid closure Percentage of eyelid closure（PERCLOS）method

TP391.41

A

1003－5060（2015）02－0175－06

10.3969／j.issn.1003－5060.2015.02.008

2014－01－20

安徽省科技攻關(guān)計(jì)劃“科技強(qiáng)警”專項(xiàng)資助項(xiàng)目（1306042023）

蔣建國(guó)（1955－），男，安徽黃山人，合肥工業(yè)大學(xué)教授，博士生導(dǎo)師；

齊美彬（1969－），男，安徽東至人，博士，合肥工業(yè)大學(xué)教授，碩士生導(dǎo)師.

（責(zé)任編輯 閆杏麗）