基于人臉識(shí)別的非常態(tài)駕駛自動(dòng)預(yù)警系統(tǒng)的分析與研究

康家明 盧水生 王超凡 邱倩茹 王旭

摘 要 駕駛員處于正常狀態(tài)是保證安全駕駛的必要條件，科學(xué)、高效地監(jiān)測(cè)駕駛員的非常態(tài)對(duì)于營(yíng)造安全的駕駛環(huán)境意義重大。本文在理清非常態(tài)駕駛自動(dòng)預(yù)警系統(tǒng)運(yùn)行的機(jī)理后，研究了系統(tǒng)進(jìn)行人臉檢測(cè)、人臉識(shí)別和非常態(tài)監(jiān)測(cè)所涉及的相關(guān)算法，并在MATLAB平臺(tái)開(kāi)發(fā)了交互性的程序。最后，在Mockingdot仿真平臺(tái)模擬系統(tǒng)的運(yùn)行，明確了系統(tǒng)的功能要素，提高了系統(tǒng)集成開(kāi)發(fā)的應(yīng)用性。

關(guān)鍵詞 人臉檢測(cè);人臉識(shí)別;非常態(tài)監(jiān)測(cè);MATLAB;Mockingdot仿真

引言

自身和外界環(huán)境的綜合影響會(huì)使駕駛員生理和心理機(jī)能發(fā)生一定的波動(dòng)，當(dāng)波動(dòng)幅度超過(guò)一定的限度，會(huì)造成意識(shí)不清、記憶消失及下意識(shí)操作等問(wèn)題，并對(duì)駕駛員的面部狀態(tài)產(chǎn)生直觀影響，使駕駛員處于非常態(tài)。非常態(tài)駕駛是引發(fā)交通事故的重要原因，常見(jiàn)的駕駛員非常態(tài)包括分心、疲勞和發(fā)暈狀態(tài)等。根據(jù)美國(guó)交通安全基金會(huì)的調(diào)查數(shù)據(jù)顯示，由于非常態(tài)駕駛引發(fā)的事故占比高達(dá)49%。監(jiān)測(cè)駕駛員的非常態(tài)程度，是智能輔助駕駛的一項(xiàng)關(guān)鍵技術(shù)。

近年來(lái)，國(guó)內(nèi)外研究者對(duì)駕駛員非常態(tài)監(jiān)測(cè)技術(shù)進(jìn)行了諸多深入的研究。系統(tǒng)的監(jiān)測(cè)方法分為兩大類(lèi)，一是直接監(jiān)測(cè)方法，通過(guò)駕駛員自身的生理特征監(jiān)測(cè)駕駛員是否處于非常態(tài)，如通過(guò)心、腦、眼電圖取得駕駛過(guò)程中的變化數(shù)據(jù)綜合判斷，通過(guò)駕駛員常態(tài)與非常態(tài)下的視覺(jué)特征不同，采用模式識(shí)別的方法進(jìn)行判別;二是間接監(jiān)測(cè)方法，即根據(jù)外部硬件設(shè)備的受控表現(xiàn)，判斷駕駛員行為是否處于非常態(tài)駕駛，如通過(guò)傳感器獲取車(chē)輛在行駛過(guò)程中的參數(shù)（道路線(xiàn)檢測(cè)、速度變化、車(chē)輛間距離）來(lái)判斷異常情況[1]。以硬件傳感器為主的方法其準(zhǔn)確性與檢測(cè)儀器的精度和相關(guān)參數(shù)有較大關(guān)系，且接觸式監(jiān)測(cè)對(duì)駕駛員操作構(gòu)成了障礙。利用人臉識(shí)別技術(shù)進(jìn)行非常態(tài)監(jiān)測(cè)，可以提高監(jiān)測(cè)的實(shí)時(shí)性和準(zhǔn)確性，本文主要闡述這種直接監(jiān)測(cè)技術(shù)的原理。

1 系統(tǒng)運(yùn)行機(jī)理

本文系統(tǒng)開(kāi)發(fā)的流程分四個(gè)部分，即人臉檢測(cè)、人臉識(shí)別、非常態(tài)參數(shù)計(jì)算和判定預(yù)警。系統(tǒng)捕獲視頻圖像后，首先對(duì)圖像進(jìn)行預(yù)處理，在此基礎(chǔ)上，使用優(yōu)化的類(lèi)Haar-like特征檢測(cè)算法完成人臉檢測(cè)，進(jìn)而利用卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)檢測(cè)到的人臉識(shí)別。之后，劃分出人臉關(guān)鍵區(qū)域，定位人臉關(guān)鍵點(diǎn)，分析計(jì)算關(guān)鍵點(diǎn)位的特征參數(shù)，即駕駛員的眼睛閉合頻率及臉部狀態(tài)信息，同時(shí)，當(dāng)計(jì)算的非常態(tài)特征參數(shù)超過(guò)設(shè)定閾值時(shí)，判定為非常態(tài)駕駛，系統(tǒng)發(fā)出警告信號(hào)。非常態(tài)駕駛自動(dòng)預(yù)警系統(tǒng)的運(yùn)行流程圖，如圖1所示。

2 基于Harr-Like特征AdaBoost級(jí)聯(lián)分類(lèi)器算法的人臉檢測(cè)

人臉檢測(cè)算法使用類(lèi)Haar-like特征，檢測(cè)具有較高的魯棒性，對(duì)于一張大小N×N的灰度圖像I，其特征區(qū)域?yàn)镾，則特征值f計(jì)算方式為白色區(qū)域內(nèi)的像素和減去黑色區(qū)域內(nèi)的像素和。對(duì)于訓(xùn)練樣本來(lái)說(shuō)，數(shù)個(gè)類(lèi)Haar-like特征的組合最終將產(chǎn)生較大數(shù)量級(jí)的特征集，需要采用AdaBoost分類(lèi)器進(jìn)行訓(xùn)練[2]。AdaBoost分類(lèi)器的基本思想為首先選取相應(yīng)的特征構(gòu)建不同的弱分類(lèi)器，然后在每次弱學(xué)習(xí)后調(diào)整樣本空間中正確分類(lèi)與錯(cuò)誤分類(lèi)的權(quán)重分布，并重點(diǎn)關(guān)注錯(cuò)誤分類(lèi)樣本，最終將這些弱分類(lèi)器集合構(gòu)成一個(gè)強(qiáng)分類(lèi)器。這一系列強(qiáng)分類(lèi)器經(jīng)過(guò)閾值調(diào)整級(jí)聯(lián)，形成最終的人臉檢測(cè)分類(lèi)器。

3 基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別算法

用于人臉識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)由輸入層、三層卷積層、三層池化層、全連接層以及Softmax分類(lèi)器組成。網(wǎng)絡(luò)中，卷積層作為特征提取層，池化層是特征值下采樣層。網(wǎng)絡(luò)涵蓋訓(xùn)練和識(shí)別過(guò)程，訓(xùn)練時(shí)為了提高訓(xùn)練效率，將每次訓(xùn)練過(guò)程分成多次的迭代進(jìn)行，而且每次迭代又包括了多次訓(xùn)練，并把訓(xùn)練樣本分成多個(gè)組。一組訓(xùn)練過(guò)程包括前向傳播、反向傳播、權(quán)值更新三部分，在前向傳播中將CNN提取的特征串接起來(lái)歸一化后作為Softmax分類(lèi)器的輸入，對(duì)分類(lèi)器進(jìn)行訓(xùn)練。在訓(xùn)練好的網(wǎng)絡(luò)中將測(cè)試圖像樣本輸入到網(wǎng)絡(luò)，經(jīng)過(guò)前向傳播后，將全連接層的卷積特征歸一化作為Softmax分類(lèi)器的輸入，用于識(shí)別類(lèi)別。最后，根據(jù)樣本標(biāo)簽與真實(shí)值對(duì)比計(jì)算錯(cuò)誤率，實(shí)現(xiàn)網(wǎng)絡(luò)測(cè)試過(guò)程[3]。圖2為在MATLAB平臺(tái)設(shè)計(jì)的基于卷積神經(jīng)網(wǎng)絡(luò)的駕駛員人臉識(shí)別系統(tǒng)GUI界面。

4 非常態(tài)區(qū)域特征判別和參數(shù)計(jì)算

通過(guò)駕駛員外部特征判斷非常態(tài)的監(jiān)測(cè)方法，不會(huì)影響駕駛員的正常行車(chē)。駕駛員的外部特征包括頭部運(yùn)動(dòng)、表情變化及眼睛的運(yùn)動(dòng)。這些外部特征的變化通過(guò)眨眼活動(dòng)、眨眼頻率、眼睛閉合時(shí)間、點(diǎn)頭頻率等方法來(lái)監(jiān)測(cè)[4]，而在眾多監(jiān)測(cè)方法中，PERCLOS標(biāo)準(zhǔn)最能直接反映駕駛員非常態(tài)的程度，是車(chē)載、實(shí)時(shí)的、非接觸式監(jiān)測(cè)非常態(tài)方法的首選，其定義是單位時(shí)間內(nèi)眼睛閉合一定比例所占的時(shí)間。PERCLOS方法中常用的標(biāo)準(zhǔn)有P70、P80和EM三種[5]。在測(cè)量周期t1—t4內(nèi)，t2—t3為閉合時(shí)間，則度量值的計(jì)算方式為（采用P80計(jì)算方式）：

圖3為在MATLAB平臺(tái)設(shè)計(jì)的駕駛員非常態(tài)監(jiān)測(cè)系統(tǒng)UI界面。當(dāng)用PERCLOS方法測(cè)算出駕駛員處于非常態(tài)時(shí)，系統(tǒng)顯示紅色信號(hào)提醒駕駛員注意。

5 非常態(tài)監(jiān)測(cè)系統(tǒng)的仿真設(shè)計(jì)

根據(jù)設(shè)計(jì)原理，通過(guò)Mockingdot仿真平臺(tái)模擬系統(tǒng)的運(yùn)行。平臺(tái)運(yùn)作的主要過(guò)程為：駕駛員輸入賬號(hào)登錄系統(tǒng)，上傳自己的常態(tài)人臉圖像集組成人臉庫(kù)，并同步到云端。在駕駛過(guò)程中以一定頻率捕獲駕駛員照片，將捕獲的照片與已經(jīng)建立的常態(tài)人臉圖像集進(jìn)行特征比對(duì)，確認(rèn)人車(chē)匹配程度，并計(jì)算捕獲照片的非常態(tài)參數(shù)，參數(shù)超出閾值則表示駕駛員處于非常態(tài)，系統(tǒng)發(fā)出預(yù)警信號(hào)及時(shí)提醒駕駛員休息。

6 結(jié)束語(yǔ)

本文在對(duì)比當(dāng)前國(guó)內(nèi)外用以非常態(tài)監(jiān)測(cè)的兩大類(lèi)方法后，選用以人臉識(shí)別技術(shù)為支撐的直接監(jiān)測(cè)方法來(lái)開(kāi)發(fā)系統(tǒng)，保證系統(tǒng)監(jiān)測(cè)的實(shí)時(shí)性和準(zhǔn)確性。在分析了非常態(tài)駕駛自動(dòng)預(yù)警系統(tǒng)運(yùn)行的機(jī)理后，我們研究了系統(tǒng)進(jìn)行人臉檢測(cè)、人臉識(shí)別和非常態(tài)監(jiān)測(cè)所涉及的相關(guān)算法，并在MATLAB平臺(tái)開(kāi)發(fā)了相應(yīng)的程序。最后，在Mockingdot平臺(tái)設(shè)計(jì)出識(shí)別駕駛員非常態(tài)并自動(dòng)預(yù)警的仿真系統(tǒng)，規(guī)范了系統(tǒng)集成開(kāi)發(fā)的交互界面。

參考文獻(xiàn)

[1] 李軍，幸堅(jiān)炬，黃超生，等.人臉識(shí)別在疲勞駕駛檢測(cè)中的應(yīng)用研究[J].廣東技術(shù)師范學(xué)院學(xué)報(bào)，2019，40（3）：22-27.

[2] 詹潤(rùn)哲，姜飛.基于面部關(guān)鍵點(diǎn)特征融合的駕駛員疲勞檢測(cè)方法研究[J].宿州學(xué)院學(xué)報(bào)，2018，33（10）：115-117.

[3] 解駿，陳瑋.基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別研究[J].軟件導(dǎo)刊，2018，17（1）：25-27.

[4] 肖遼亮.基于人眼定位算法的疲勞駕駛檢測(cè)研究[J].電腦知識(shí)與技術(shù)，2015，11（15）：132-133.

[5] 王琦.基于人臉識(shí)別的疲勞監(jiān)測(cè)系統(tǒng)的研究[D].新鄉(xiāng)：新鄉(xiāng)醫(yī)學(xué)院，2018.

[基金項(xiàng)目] 江蘇省大學(xué)生創(chuàng)新訓(xùn)練項(xiàng)目，（項(xiàng)目編號(hào)：201910290096Y）。