洪志陽 王猛飛 侯東強 楊國亮

摘 要：針對疲勞駕駛的問題，文中提出了一種新型檢測方法。使用Adaboost算法對人臉進行檢測，對檢測到的人臉區(qū)域中的眼睛和嘴巴進行定位和狀態(tài)分析，在決策階段采用信息融合的方法對疲勞狀態(tài)進行判定。結果表明，該方法在多種情況下均能精確檢測眼睛和嘴巴的狀態(tài)，有效檢測駕駛員是否疲勞駕駛。

關鍵詞：疲勞檢測；人臉檢測；Adaboost算法；信息融合

中圖分類號：TP391.41 文獻標識碼：A 文章編號：2095-1302（2018）07-00-02

0 引 言

雖然汽車在日常生活中帶給人們諸多便利，但也帶來了越來越多的交通事故，使得廣大家庭和社會遭受巨大的傷害和損失。事故中，由疲勞駕駛所引發(fā)的事故數(shù)量占絕大多數(shù)，因此研發(fā)一款用來監(jiān)測駕駛?cè)藛T有無疲勞的系統(tǒng)具有重大意義。

目前，檢測疲勞駕駛的方法主要分為如下三類：

（1）生理信號法：借助醫(yī)療儀表和設備生理指標對疲勞狀況進行分析[1]。

（2）利用傳感器監(jiān)測車輛運行狀態(tài)參數(shù)來判斷其是否正常行駛，并分析駕駛員是否疲勞。

（3）針對駕駛?cè)藛T的反應特征，采用圖像檢測與分割算法找到嘴巴和眼睛等器官[2，3]，根據(jù)嘴巴和眼睛識別人體疲勞狀態(tài)的反應特征[4，5]，并通過這些反應特征判斷駕駛員是否疲勞駕駛。

本文提出了一種基于人臉特征的駕駛員疲勞檢測算法，采用Adaboost級聯(lián)分類器對人臉進行檢測，在提取的人臉圖像基礎上再進行人眼和嘴巴定位，并對其狀態(tài)進行檢測，將睜閉眼和嘴巴張合度進行信息融合，精確判斷駕駛?cè)藛T有無疲勞駕駛情況。

1 疲勞檢測系統(tǒng)總體方案設計

疲勞駕駛檢測系統(tǒng)主要由圖像采集模塊、人臉檢測模塊、特征定位及狀態(tài)分析模塊、信息融合模塊構成，其系統(tǒng)流程如圖1所示。

2 人臉檢測

采用Adaboost算法進行檢測，首先獲得不同的弱分類器，再把其線性組合成為強分類器，最后通過級聯(lián)方式構建最終的級聯(lián)分類器，算法主要包含以下重要的部分：

（1）利用Haar特征描述人臉的共有屬性；

（2）建立一種名為積分圖像的特征，快速獲取幾種不同的圖像矩形特征；

（3）利用Adaboost 算法進行訓練；

（4）建立層級分類器。

3 眼睛和嘴部狀態(tài)檢測

3.1 眼睛狀態(tài)檢測

對眼睛區(qū)域定位的同時可判斷人眼的狀況，實現(xiàn)以檢代測的效果，對眼睛睜閉情形進行區(qū)分的流程如圖2所示。

人眼狀態(tài)的檢測針對視頻中每一幀的圖像進行，人眼的疲勞狀態(tài)是一個時間段內(nèi)的狀態(tài)，因此檢測采用PERCLOS（Percentage of Eyelid Closure over the Pupil over Time，PERCLOS）方法來判定[6]，當眼睛張開度大于20%認為是睜眼，小于等于20%認為是閉眼。在實際情況中可以根據(jù)圖像來判斷有無睜閉眼。PERCLOS計算依據(jù)式（1）：

Nclose是單位時間內(nèi)閉眼的總幀數(shù)，Nsum是單位時間內(nèi)的總幀數(shù)。當PERCLOS高于20%時，判定駕駛員在檢測周期內(nèi)處于疲勞狀態(tài)。

3.2 嘴部狀態(tài)檢測

嘴巴的狀態(tài)有很多種，其中打哈欠是一種疲勞狀態(tài)的體現(xiàn)，因此只要將打哈欠的嘴巴狀態(tài)與其他狀態(tài)進行區(qū)分，就能判別駕駛員是否疲勞。通過嘴巴的幾何形狀來計算其張開度O，將嘴巴用矩形框標記位置，用嘴巴的高H與寬W之比計算嘴巴的張開度：

不同的O值代表嘴巴處在不同的張開狀況，當嘴巴處于全張開狀態(tài)時，O值約為0.8，將該值作為閾值以判別駕駛員是否打哈欠，從而可以確定其是否處于疲勞狀態(tài)。

4 疲勞狀態(tài)判定

將兩種信息融合以減小誤差，其中嘴部特征（打哈欠）比眼睛特征（PERCLOS）更優(yōu)。此外，由于打哈欠持續(xù)的時間較久，約為5 s，對比疲勞時眨眼的時間更長，因此受外界影響更小。一旦出現(xiàn)打哈欠較長的狀況，就能判定駕駛員處于疲勞狀態(tài)。

根據(jù)檢測兩眼狀態(tài)采用的PERCLOS標準可將其分為兩類：清醒狀態(tài)（PECRCLOS參數(shù)值<20%）和疲勞狀態(tài)（PECRCLOS參數(shù)值≥20%）；根據(jù)有無打哈欠將嘴巴張開大小分為兩種：疲勞狀態(tài)（打哈欠）和清醒狀態(tài)（未打哈欠）。本文綜合上述兩種標準最終判定駕駛員是否處于疲勞狀態(tài)。

5 實驗結果與分析

5.1 人臉檢測

通過OpenCV開源庫對大量圖片進行訓練，得到人臉分類器，實現(xiàn)對人臉的檢測定位，結果如圖3所示。

5.2 疲勞檢測

眼睛狀態(tài)測試結果見表1所列。在疲勞時通過眼睛狀態(tài)來判斷的準確度達80.83%，表明以眼睛狀況來檢測疲勞的方法可行。同時從誤檢的結果可知，只從眼睛狀況來檢測有無疲勞仍存在問題。

嘴巴狀態(tài)測試結果見表2所列。發(fā)現(xiàn)駕駛?cè)藛T講話時，有時系統(tǒng)會將其誤判為打哈欠。而在打哈欠時，因為嘴巴的張開度過小，也導致檢測錯誤。

眼睛和嘴巴特征的聯(lián)合見表3所列，使用本文提出的信息融合判斷準則進行疲勞檢測，可知此時疲勞檢測準確率明顯提高，取得了較好效果。

6 結 語

本文基于Adaboost級聯(lián)分類器的人臉檢測算法來檢測人眼、嘴巴，減少搜索范圍，提高速度。通過分析提取的駕駛員人眼、嘴巴特征，實現(xiàn)對有無疲勞的準確檢測。測試表明，在不同環(huán)境下，本文提出的方法在每個階段基本都能實現(xiàn)疲勞駕駛的檢測。但本文所用方法的檢測時間較長，檢測效率較低，如何提高檢測效率將是下一階段研究的重點。

參考文獻

[1]李銳，蔡兵，劉琳，等.基于模型的駕駛員眼睛狀態(tài)識別[J].儀器儀表學報，2016，37（1）：184-191.

[2]鄒昕彤，王世剛，趙文婷，等.基于眼睛與嘴部狀態(tài)識別的疲勞駕駛檢測[J].吉林大學學報（信息科學版），2017，35（2）：204-211.

[3]張朝全，劉輝，雷赟.一種基于粗集與FCM結合的圖像分割方法[J].江西理工大學學報，2011，32（1）：60-65.

[4]李明瑞，傅明，曹敦.基于膚色檢測的AdaBoost人臉檢測算法改進[J].計算機工程，2012，38（19）：147-150.

[5]王俊嶺，彭雯.基于Daubechies小波的人臉識別算法[J].江西理工大學學報，2017，38（3）：81-85.

[6]吳康華.基于PERCLOS的駕駛疲勞檢測系統(tǒng)設計[D].杭州：浙江大學，2008.

[7]徐麗珍.疲勞駕駛檢測技術研究[J].物聯(lián)網(wǎng)技術，2017，7（4）：95-96.

[8]尚弘.淺析人臉檢測技術的探究[J].物聯(lián)網(wǎng)技術，2016，6（8）：103-104.