結(jié)合人臉監(jiān)測和壓力測量的駕駛員疲勞狀態(tài)檢測

張正本

摘要：本研究目的是通過人臉監(jiān)測技術和壓力測量來檢測駕駛員的疲勞情況及時發(fā)出警告， 有助于預防交通事故的發(fā)生。在研究中，設計了一個系統(tǒng)通過面部監(jiān)測技術和壓力測量來檢測司機的疲勞狀態(tài)。提出的方法分為兩步：檢測駕駛員的生理表現(xiàn)和測量駕駛員的狀態(tài)。生理性能可以通過使用一種力敏感的電阻器的壓力測量來獲取。第二步是通過圖像處理完成的計算機視覺方法。計算機視覺方法捕捉圖像，檢測到駕駛員打哈欠和眼睛閉合的狀態(tài)。從上述兩個步驟中收集的結(jié)果與一種疲勞評估技術相結(jié)合，來判定困倦程度。提出了該算法，并對其進行了測試，結(jié)果表明，該算法能夠有效地檢測駕駛員的疲勞駕駛狀態(tài)，通過預警提示系統(tǒng)可以有效防止路面交通事故的發(fā)生。

關鍵詞：疲勞檢測，人臉監(jiān)測，壓力測量，預警提示

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2018）19-0288-02

Abstract： the purpose of this study is to detect the fatigue situation of the driver by the face monitoring technique and the pressure measurement， which can help prevent the occurrence of traffic accidents. In the study， a system was designed to detect fatigue of drivers through facial monitoring techniques and pressure measurements. The proposed method is divided into two steps： detecting the driver's physiological performance and measuring the state of the driver. Physical properties can be obtained by using a pressure measurement of a force sensitive resistor. The second step is the computer vision method through image processing. The computer vision method captures images and detects when the driver yawns and the eyes are closed. The results collected from these two steps are combined with a fatigue assessment technique to determine the degree of sleepiness. The algorithm are presented， and the tested， the results show that the algorithm can effectively detect the driver's fatigue state， through the early-warning prompt system can effectively prevent the road traffic accidents.

Key words：fatigue detection；face monitoring；pressure measurement；warning.

疲勞駕駛是指駕駛員在經(jīng)過長時間的連續(xù)駕駛后產(chǎn)生的精神和生理功能紊亂[1]。國際統(tǒng)計數(shù)據(jù)顯示， 這是造成世界交通事故的主要原因之一。根據(jù)現(xiàn)有的統(tǒng)計數(shù)據(jù)， 每年有超過130萬人死于公路， 20 至5000萬人因交通事故而遭受非致命傷害[2]。根據(jù)警方的報告， 美國國家公路交通安全管理局保守估計， 每年共有10萬輛車禍是駕駛員過度疲勞駕駛的直接結(jié)果。這些事故導致大約1550人死亡、7.1萬受傷和125億美元的金錢損失.每天大約八個人死在道路事故。實際死亡率可能會更高。正如所報告的那樣， 與事故報告制度有關的問題和由此產(chǎn)生的數(shù)據(jù)沒有得到解決[3]。開發(fā)疲勞檢測系統(tǒng)或防止駕駛員疲勞駕駛的技術是交通事故避免系統(tǒng)領域的一大挑戰(zhàn)。由于駕駛員在道路上疲勞駕駛帶來的不可估量的危險， 需要采取有效的措施和方法來避免或者抵消其影響[4]。在公路上發(fā)生的事故有很大一部分是由于駕駛員疲勞造成的，如果能夠檢測到司機疲勞并及時發(fā)出警告可以幫助預防許多事故， 從而節(jié)省不必要金錢和大大減少人員傷亡甚至生命損失。研究表明有效的檢測駕駛員的疲勞情況并及時發(fā)出警告， 有助于預防事故的發(fā)生。

本文提出了一種基于人臉監(jiān)測技術的疲勞駕駛檢測系統(tǒng)， 即從臉部提取特征[5]， 檢測眼睛和打呵欠狀態(tài)利用傳感器測量壓力。

1 提出的方法

駕駛員疲勞駕駛檢測可分為3大類.生物指標，測量腦電波，心率等生理學指標。最佳檢測精度需要駕駛員與驅(qū)動程序進行物理接觸。對車輛行為例如速度， 轉(zhuǎn)動的角度也需要納入系統(tǒng)的檢測環(huán)境中，額外的一些限制因素， 如車輛類型， 駕駛經(jīng)驗和駕駛條件也需要加入一定的參考。臉部分析，因為人臉是動態(tài)的， 所以具有高度的變異性，大大增多了困難度。人臉檢測被認為是計算機視覺研究中的一個難題。人眼扮演重要的角色包括面部識別和表情分析。

這項工作的重點是提供一個解決方案， 以檢測和監(jiān)視工作在工作站后面的操作員的警覺性。它只包括一個高清的攝像頭用以捕捉圖像， 壓力傳感器， 以測量壓力， 然后將相關的數(shù)據(jù)傳入開發(fā)的分析程序中。該系統(tǒng)根據(jù)眼部閉合狀態(tài)、打呵欠和壓力測量檢測疲勞駕駛狀態(tài)， 計算疲勞駕駛程度。

提出方法的主要的步驟如下：

1）從網(wǎng)絡攝像頭捕獲圖像[6]；2）從面檢測和提取特征；3）檢測眼睛并測量虹膜大??；4）檢測口和測量偏航狀態(tài)；5）計算壓力傳感器的壓力；6）將數(shù)據(jù)存儲到數(shù)據(jù)庫[7]中；7）將數(shù)據(jù)合并以提供結(jié)果。

2實驗分析

實驗中使用了120種不同的臉部圖像。壓力測量精確到持續(xù)的2分鐘。最后， 這個實驗參考了一個時長2分鐘的疲勞狀態(tài)數(shù)據(jù)集。面部特征提?。簩τ谌四槞z測， 第一步是加載圖像。然后使用圖像處理工具箱面檢測。這里采用了中提琴算法的級聯(lián)對象檢測器，使用 FrontalFaceLBP模式。然后將臉部與原始圖像分開。面由邊界框顯示。眼部狀態(tài)測量：測量眼睛的狀態(tài)是否司機的眼睛是閉合的或打開的或幾乎關閉狀態(tài)。采取了裁剪的眼睛圖像， 并掩蓋了圖像的形態(tài)學操作。補充圖像和填補必要的孔。圓盤形結(jié)構(gòu)元素被用來腐蝕圖像。在腐蝕后， 利用邊界函數(shù)獲取圓形物體的邊界值， 即虹膜， 繪制邊界。提取邊界值的區(qū)域?qū)傩院螅?使用相關公式計算參數(shù)，然后用下面的矩陣方程獲取對象的值。打呵欠檢測：把裁剪過的嘴巴圖像和偽裝成形態(tài)學操作的圖像。菱形結(jié)構(gòu)元素侵蝕圖像。利用高斯方法的拉普拉斯法檢測了口緣的腐蝕。要測量寬度， 只需從最右邊的像素減去最左邊的最大像素并獲取值。壓力測量，對于壓力測量需要專業(yè)的工具提供計算精度。預警提示設備，在系統(tǒng)判定駕駛員達到疲勞駕駛狀態(tài)時，發(fā)生語音提示并通過駕駛座位的震動裝置進行喚醒。

3結(jié)果與分析

疲勞駕駛評估：實驗場景中可以檢測到的疲勞狀態(tài)如表1所示?；谘劬﹂]合狀態(tài)和打呵欠檢測的數(shù)據(jù)結(jié)果如表2所示。時長2分鐘的疲勞狀態(tài)綜合測試結(jié)果如表3所示，對駕駛員疲勞駕駛的檢測結(jié)果進行了計算， 發(fā)現(xiàn)了真正昏昏欲睡的面孔數(shù)， 發(fā)現(xiàn)了假面孔。使用眼睛， 計算精度為87.87%。

4結(jié)論

設計了一個系統(tǒng)通過面部監(jiān)測技術和壓力測量來檢測司機的疲勞狀態(tài)的駕駛員疲勞駕駛檢測系統(tǒng)。所提出的系統(tǒng)是基于眼睛閉合狀態(tài)， 打呵欠和壓力測量的綜合檢測并接管相關的評估系統(tǒng)進行疲勞程度判定。實驗證明，該系統(tǒng)可以有效檢測駕駛員的疲勞駕駛狀態(tài)，并能夠及時地對駕駛員做出有效的提示。在接下來的研究中，系統(tǒng)存在許多方面得到改進， 如運動傳感器等傳感器， 車輛的轉(zhuǎn)向角， 以獲得更好的警覺狀態(tài)的駕駛員，這些將是進一步研究的方向。

參考文獻：

[1] 蔣建春，蔣麗，唐慧，等.基于脈搏IMF時頻特征和SVDD的駕駛員疲勞檢測[J].計算機科學，2016，43（7）：314-318.

[2] 趙偉.基于DWT和隨機森林的運動自動分類方法[J].湘潭大學自然科學學報，2018，40（1）：107-110.

[3] 廖潔，劉琳. 利用彩色圖像陰影屬性分析的陰影檢測方法[J].湘潭大學自然科學學報，2017，39（4）：119-122.

[4] 張馨嬌，李建萍.體育視頻中基于卡爾曼濾波器的運動員人臉檢測識別方法[J].湘潭大學自然科學學報，2017，39（4）：95-98.

[5] 許鵬程，李志斌，黃啟韜，等.基于多特征融合的駕駛員狀態(tài)檢測的實現(xiàn)[J].電子技術應用，2017，43（4）：13-16.

[6] 呂福起，李霄民.利用MLT和SRS的混合圖像融合與去噪算法[J].湘潭大學自然科學學報，2018，40（1）：111-114.

[7] 黨紅恩，趙爾平，劉煒，雒偉群.利用數(shù)據(jù)變換與并行運算的閉頻繁項集挖掘方法[J].湘潭大學自然科學學報，2018，40（1）： 119-122.