宋建華 袁磊 李嘉辰 李祜來 侯珂 黨莉彬

摘 要：設(shè)計一種基于人眼開閉狀態(tài)的非接觸式疲勞駕駛實時檢測方法.利用支持向量機（SVM）方法構(gòu)造人臉識別分類器，設(shè)計一種基于面部坐標點定位的方法，快速定位人眼區(qū)域，實現(xiàn)對駕駛員人眼閉合活動的實時檢測;利用PERCLOS疲勞判定標準判斷駕駛員是否存在疲勞駕駛行為.實驗結(jié)果表明，該系統(tǒng)可對疲勞駕駛進行有效檢測，并及時做出警告提醒.

關(guān)鍵詞：機器視覺; 疲勞駕駛檢測; HOG特征; 支持向量機; 面部坐標

[中圖分類號]TP391.4 ? [文獻標志碼]A

隨著我國交通運輸業(yè)和汽車產(chǎn)業(yè)的快速發(fā)展，駕駛安全成為了一個不可忽視的問題.具不完全統(tǒng)計，大約有20%的交通事故源于司機疲勞駕駛意識不清醒導致的車禍發(fā)生.因此，有效避免疲勞駕駛已成為交通安全領(lǐng)域重要研究課題之一，目的是對駕駛員進行實時監(jiān)測并提前預警，規(guī)避危險駕駛行為，保證交通安全.

疲勞駕駛檢測方案主要可以分為接觸式和非接觸式兩大類.接觸式方案主要通過佩戴傳感器來檢測駕駛員的心電、腦電波等體征信息從而做出判斷[1]，其弊端是會使駕駛員感到不適和不方便，給駕駛帶來額外的隱患.非接觸式通過攝像頭捕獲駕駛員影像并對影像進行實時處理分析，可有效避免接觸式檢測裝置帶來的問題.[2]近年來，隨著機器學習、計算機視覺技術(shù)的快速發(fā)展[3]，利用視頻圖像分析手段構(gòu)建疲勞駕駛檢測系統(tǒng)成為研究熱點.本文基于機器視覺技術(shù)，設(shè)計開發(fā)了一種非接觸式的實時疲勞駕駛檢測方法.首先在獲取方向梯度直方圖（Histogram of Oriented Gradient，HOG）特征并采用支持向量機（Support vector machine，SVM）分類器算法的基礎(chǔ)上，對攝像頭采集的影像視頻流進行人臉特征識別和人眼區(qū)域定位，設(shè)計衡量眼睛閉合程度的計算方法，利用卡內(nèi)基梅隆研究所提出的PERCLOS（Percentage of eyelid closure over the pupil，over time）[4]疲勞判定標準判斷駕駛員是否存在疲勞駕駛行為.

1 技術(shù)基礎(chǔ)

1.1 人臉與人眼的檢測與識別

人臉的檢測和識別是指利用技術(shù)手段將人的臉部從給定的復雜圖像背景中分離出來，并判定其位置、大小、姿態(tài)的過程.人眼識別定位是建立在人臉檢測基礎(chǔ)上的，本文基于統(tǒng)計理論的人臉檢測方法[5]，通過統(tǒng)計分析和機器學習來尋找人臉樣本與非人臉樣本各自的統(tǒng)計特征，再用各自的特征構(gòu)建分類器，從而實現(xiàn)人臉檢測.然后縮小查找區(qū)域，基于人臉的面部坐標定位，利用人臉五官特征點坐標從而快速定位到眼睛的區(qū)域位置.

1.2 HOG特征提取

HOG特征是一種在計算機視覺和圖像處理中用來進行目標特征檢測的描述子.[6]HOG的核心思想是在一幅圖像中，局部目標的表象和形狀能夠被梯度或邊緣的方向密度分布很好地描述.它通過計算和統(tǒng)計圖像局部區(qū)域的梯度方向直方圖構(gòu)成特征.[7]由于HOG是在圖像的局部胞元上操作，所以它對圖像幾何和光學的形變都能保持良好的不變性.

設(shè)圖像中像素點（x，y）灰度值為H（x，y），該像素點的水平方向和垂直方向梯度計算方法為：

2 系統(tǒng)軟硬件設(shè)計與實現(xiàn)

2.1 系統(tǒng)模塊構(gòu)成

按照系統(tǒng)需求分析，本系統(tǒng)應(yīng)分為三大模塊：視頻采集捕獲模塊、圖像處理模塊和疲勞檢測判斷報警模塊.各模塊功能見表1.

2.2 系統(tǒng)硬件構(gòu)成

系統(tǒng)采用Intel酷睿I3處理器和羅技Pro9000攝像頭.攝像頭負責采集視頻;處理器負責對算法進行編譯執(zhí)行，同時為軟件提供環(huán)境支持.系統(tǒng)總硬件詳細構(gòu)成見表2.

2.3 系統(tǒng)軟件設(shè)計

系統(tǒng)發(fā)起開啟攝像頭的線程請求，若攝像頭正常開啟，便采集視頻流.

2.3.1 圖像預處理

圖像灰度化 由于RGB彩色圖像信息量多有冗余，容易受光照影響，需對圖像進行灰度化預處理.灰度化圖像雖然彩色信息丟失，但HOG特征提取的核心是依賴于梯度計算，對于彩色的依賴性不強，且灰度化之后矩陣維數(shù)下降，運算速度大幅度提高，同時可減小一定的噪聲點和光照因素干擾.

圖像亮度校正 實際駕駛過程中，由于白天光照強而夜間光照弱，所獲取的圖像容易受到光照因素的影響.此時，可以通過對圖像Gamma值的調(diào)整對對比度偏低或亮度過高的圖像進行校正.圖像的Gamma值大于1時，對圖像的灰度分布直方圖具有拉伸作用（使灰度向高灰度值延展），Gamma值小于1時，對圖像的灰度分布直方圖具有收縮作用（使灰度向低灰度值聚攏）.[9]因此，結(jié)合圖像亮度信息來動態(tài)調(diào)整Gamma值，可有效減小光照因素的影響.

2.3.2 構(gòu)建人臉檢測器

結(jié)合圖像HOG特征和SVM，可以構(gòu)建一個強大的人臉檢測分類器.

（1）訓練過程

第一步，挑選1 000張960×720像素的同一人照片作為正樣本，規(guī)格化并把人臉特征從背景中摳取出來，得到200×250像素大小的樣本，計算其HOG特征，提取得到人臉HOG特征描述子.

第二步，挑選10 000張與正樣本內(nèi)容無關(guān)并且不含檢測目標的負樣本，確保負樣本每張像素大小也為200×250像素，得到負樣本的HOG特征描述子.

第三步，利用SVM訓練正負樣本并分類，若SVM分類器出現(xiàn)誤檢，則將其作為負樣本重新加入，再次訓練分類器模型.

第四步，檢驗分類器能否正確歸類，對每一個測試圖像定位提取HOG特征.使用當前的HOG特征評估訓練的SVM分類概率，如果超過設(shè)置的閾值，則區(qū)域中包含目標，否則不包含.

（2）面部標記檢測

基于Dlib庫中附帶的預先訓練完成的檢測器，對人臉68個特征點坐標進行標記.成功標記出測試圖片人臉的下巴、嘴巴、鼻子、左右眼睛和左右眉毛，如圖1所示.

2.3.3 人眼定位及閉合程度檢測

根據(jù)圖1的特征標記點可以得到兩只眼睛的坐標，每只眼睛由p1-p6這6個（x， y）坐標組成，由此直接追蹤左右眼的興趣區(qū)域ROI（Region of Interest）點坐標，從而獲得對人眼區(qū)域的定位.如圖2所示.

3 系統(tǒng)測試與實驗結(jié)果

啟動系統(tǒng)，使攝像頭正對被測試者的面部，分別在上午9點時段和傍晚18點時段進行測試.眼睛為張開狀態(tài)，檢測EAR大于0.25，為正常駕駛狀態(tài);眼睛為閉合狀態(tài)，檢測EAR小于0.25，由于特定時間內(nèi)閉合時間過長，超過PERCLOS所設(shè)定的閾值T，觸發(fā)了疲勞駕駛屏幕文字報警提示和蜂鳴提示，實際測試效果如圖4所示.

為了驗證系統(tǒng)檢驗的準確性，分別在白天和夜間環(huán)境下，各做了5組測試，每組測試時長為60秒，采集捕獲的視頻為每秒25幀圖像，一組1 500幀圖像，每張圖像大小為450×320像素.測試結(jié)果如表3所示.從表3可以看出，白天測試時平均相對誤差為0.998%，夜間測試的平均相對誤差為1.456%，兩者相差不大，說明光照因素對系統(tǒng)影響很小，從而體現(xiàn)了系統(tǒng)較好的魯棒性和準確性.

進行不同場景下（清醒駕駛狀態(tài)和疲勞駕駛狀態(tài)下）的測試，觀察系統(tǒng)能否正確反饋信息.共記錄了三組測試數(shù)據(jù)，記錄每組前60秒內(nèi)得到的PERCLOS值和測試的實際狀態(tài)作為參照，測試結(jié)果見表4.

從測試結(jié)果可看出，系統(tǒng)對清醒狀態(tài)和疲勞狀態(tài)辨別準確，PERCLOS結(jié)果和實際狀態(tài)也完全匹配，95%以上的正確率體現(xiàn)了系統(tǒng)較好的穩(wěn)定性和準確性.

4 結(jié)語

本文通過提取HOG特征，構(gòu)建SVM分類器，訓練一定數(shù)據(jù)量的人臉樣本檢測人臉.借助Dlib人臉特征點檢測器進一步獲得68個人臉特征點坐標，由面部五官不變的坐標點興趣區(qū)域，得到了一種快速眼睛定位的方法.在眼睛定位的基礎(chǔ)上，提出計算人眼閉合程度的EAR方法，設(shè)置恰當?shù)腅AR閾值，結(jié)合PERCLOS的P80標準，判斷人眼的閉合狀態(tài).實驗結(jié)果表明，該方法實現(xiàn)了對駕駛員是否疲勞駕駛的檢測，有較高的準確率.

參考文獻

[1]Y.Tsai，P.Lai，P.Huang，et al.Vision-Based Instant Measurement System for Driver Fatigue Monitoring[J].IEEE Access，2020，8：67342-67353.

[2]曹景勝，李剛，石晶，等.非接觸式汽車駕駛員心電監(jiān)測系統(tǒng)設(shè)計[J].科學技術(shù)與工程，2019，19（03）：112-117.

[3]王力超，羅建，劉丙友，等.基于機器視覺的智能小車導航系統(tǒng)研究[J].牡丹江師范學院學報;自然科學版，2019（01）：29-33.

[4]S.Gopi，E.Punarselvam，K.Dhivya，et al.Driver Drowsiness Detection Based on Face Feature and Perclos[J].International Journal of Scientific Research in Science and Technology，2021：108-112.

[5]楊旭林，高凱，盧萬平，等.一種用于監(jiān)測城軌車輛司機盹睡系統(tǒng)的設(shè)計與實現(xiàn)[J].鐵道機車車輛，2021，41（03）：132-136.

[6]許佳奕，薛鑫營，李建軍，等.結(jié)合多尺度HOG特征和語義屬性的合成素描人臉識別[J].計算機輔助設(shè)計與圖形學學報，2020，32（2）： 297-304.

[7]姚立平，潘中良.基于改進的HOG和LBP算法的人臉識別方法研究[J].光電子技術(shù)，2020，40（02）：114-118+124.

[8]王立國，趙亮，劉丹鳳.SVM在高光譜圖像處理中的應(yīng)用綜述[J].哈爾濱工程大學學報，2018，39（6）：973-983.

[9]關(guān)雪梅.幾種圖像平滑處理方法比較研究[J].牡丹江師范學院學報：自然科學版，2016（04）：31-33.

編輯：琳莉