司機(jī)疲勞駕駛檢測系統(tǒng)設(shè)計

1、司機(jī)疲勞駕駛檢測系統(tǒng)設(shè)計摘要：隨看社會經(jīng)濟(jì)的發(fā)展，商用長途運輸車越來越多，司機(jī)為了追求經(jīng)濟(jì)效益, 經(jīng)常罔顧交通法的規(guī)定疲勞駕駛，而一些私家車也因為各種各樣的原因經(jīng)常鋌而 走險疲勞駕駛，釀成很多人間慘劇。為了減少減輕司機(jī)的精神壓力并對疲勞及時 提示預(yù)警,本論文以計算機(jī)視覺技術(shù)為主體,設(shè)計實用操作簡單的疲勞駕駛檢測 系統(tǒng)，輔助駕駛員安全駕駛。司機(jī)疲勞駕駛實時檢測系統(tǒng)在實際應(yīng)用中有很重要的意義。設(shè)計了一個利用 圖像分析的方法,通過測量PERCLOS指標(biāo)值來進(jìn)行疲勞判斷的該類系統(tǒng)。系統(tǒng) 首先對圖像進(jìn)行預(yù)處理,然后采用基于YCbCr顏色空間膚色模型進(jìn)行人臉粗定 位,根據(jù)人臉特征，逐次進(jìn)行人眼區(qū)域縮??；最

2、后通過對邊緣信息進(jìn)行先驗知識 結(jié)合積分投影的方法進(jìn)行人眼定位和閉合度測量?？紤]到視頻圖像序列幀與幀之 間的相關(guān)性,采用線性運動預(yù)測的方法對人眼進(jìn)行跟蹤,減少了系統(tǒng)的運算量。 實龕吉果表明系統(tǒng)能實時、準(zhǔn)確地反映司機(jī)的疲勞狀態(tài)。關(guān)鍵詞:疲勞駕駛 人臉檢測膚色檢測 交通安全疲勞判斷目錄摘要Abstract1疲勞駕駛檢測系統(tǒng)研究背景與意義2. 獗勞駕駛檢測系統(tǒng)研究與實現(xiàn)21國外頑勞駕駛檢測系統(tǒng)研究現(xiàn)狀2.1.1國外疲勞駕駛檢測系統(tǒng)的研究成果2.1.2國疲勞駕駛檢測系統(tǒng)的研究現(xiàn)狀2.2獗勞駕駛檢測系統(tǒng)淺析23駕駛員疲勞檢測系統(tǒng)的研究2.3.1人臉檢測2.3.2人眼走位2.3.3疲勞程度的綜合判走3 .基

3、于人臉特征的列車司機(jī)疲勞駕駛檢測與識別系統(tǒng)研究31研究容及目標(biāo)3.1.1基于人齢征的疲勞駕駛檢測與識別算:堺發(fā)3.1.2疲勞駕駛檢測與識別算法OSP移植3.2基于Adaboost算法的人臉檢測3.2.1人臉檢測技術(shù)概述3.3基于Adaboost算法的人臉檢測軟件實現(xiàn)3.2.2Adaboost人臉檢測算法3.3.1樣本訓(xùn)練過程3.3.2人臉檢測程序3.4人眼檢測與人眼狀態(tài)分析算法3.4.1基于Adaboost的人眼檢測算法3.4.2人眼級聯(lián)分類器效果分析3.4.3人眼狀態(tài)分析算法4 .基于貝葉斯網(wǎng)絡(luò)的駕駛獗勞程度識別模型4.1基于貝葉斯網(wǎng)絡(luò)模型的駕駛獗勞程度識別4.2駕駛疲勞程度識別模型4.2.

4、1駕駛疲勞貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)4.2.2貝葉斯網(wǎng)絡(luò)條件概率表的確走4.2.3駕駛疲勞程度貝葉斯網(wǎng)絡(luò)識別模型4.3模型有效性驗證5. 基于FPGA的疲勞駕駛檢測系統(tǒng)設(shè)計5.1獗勞駕駛檢測系統(tǒng)總體設(shè)計方案5.1.1系統(tǒng)紅外光源原理5.1.2系纟充總體軸5.2系統(tǒng)硬件設(shè)計與實現(xiàn)5.2.1系統(tǒng)硬件總體架構(gòu)5.2.2圖像采集電路設(shè)計5.2.4輔助電路設(shè)計5.2.3曲空板軸5.2.5系統(tǒng)硬件電路的物理測試6. 基于NiosH多核駕駛疲勞檢測系統(tǒng)設(shè)計61系統(tǒng)介紹6.2系統(tǒng)關(guān)鍵模塊設(shè)計6.2.1圖像采集模塊設(shè)計6.2.2圖像處理算法6.2.3圖像處理算法硬件加速的實現(xiàn)6.2.4存儲戦設(shè)計7疲勞駕駛預(yù)警系統(tǒng)的研究逬展

5、7.1預(yù)警系統(tǒng)的組成及工作原理 7.2典型的疲勞駕駛預(yù)警系統(tǒng)73獗勞駕駛預(yù)警系統(tǒng)比較 7.4發(fā)展趨勢8新型多功能駕駛員狀態(tài)監(jiān)測系統(tǒng)設(shè)計 8.1無線腦電信號采集和分析8.1.1瞬預(yù)警 8.1.2疲勞監(jiān)測 8.1.3突發(fā)疾病監(jiān)測8.2酒精監(jiān)測9 多源信息融合在駕駛疲勞檢測中的應(yīng)用9.1駕駛痕勞特征9.1.1PERCLOS值的計算9.1.2行駛方向改變與駕駛員反應(yīng)不一致情況9.1.3方向盤動作狀態(tài)9.1.4連續(xù)駕駛時間9.1.5實際時間參數(shù)9.2模糊神經(jīng)網(wǎng)絡(luò)獗勞識別9.2.1疲勞度臺化9.3智能控制技術(shù)在汽車獗勞駕駛監(jiān)控中的應(yīng)用研究9.3.1.硬件描述結(jié)束語參考文獻(xiàn)1 研究背景與意義駕駛疲勞川是指駕

6、駛員由于睡眠不足或長時間持續(xù)駕駛造成的反應(yīng)能力下降，這種下降 表現(xiàn)在駕駛員困倦、打磕睡、駕駛操作失誤或完全喪失駕駛能力。美國E卩第安那大學(xué)對交通 事故原因的調(diào)查硏究發(fā)現(xiàn)85%的事故與駕駛員有關(guān)，車輛和環(huán)境因素只占15%。駕駛員在 事故發(fā)生前一瞬間的行為和故障直接導(dǎo)致了事故的發(fā)生，這些行為包括知覺的延遲、對環(huán)境 的決策錯誤、對危險情況的處理不當(dāng)?shù)?。在所有的駕駛員錯誤中，最常見的是知覺延遲和決 策錯誤,這些錯誤會產(chǎn)生注意力不集中、反映遲鈍、操作不當(dāng)?shù)?，產(chǎn)生這些錯誤的根本原因 就是駕駛疲勞。隨著我國生活水平的提高，人們的衣食住行等方面有了很大的改善，在交通方面更是有 了質(zhì)的飛躍。四通八達(dá)的道路、便捷

7、的交通工具大大地縮短了人與人的距離，其中汽車保有 呈更是與日俱增,個家庭擁有兩輛以上的/豐已經(jīng)不是什么新鮮的事情。但是,汽車在帶 給人們方便的同時，隨之而來的交通事故也源源不斷。據(jù)統(tǒng)計,我國交通事故死亡人數(shù)己連 續(xù)10多年居世界第一。我國在滾滾車輪下喪生的人數(shù),短短十幾年間己從每年5萬多人增 長到10多萬人,是交通事故死亡人數(shù)居世界第二位國家的兩倍。其中,駕駛員疲勞造成交 通事故的占總數(shù)的20%左右，占特大交通事故的40%以上。同樣，在國外情況也不容樂觀。 據(jù)美國國家公路交通安全委員會的估計，在美國大約發(fā)生56000次與睡0民有關(guān)的交通事故， 其中約40000人次受傷和1550人死亡。1965

8、年美國俄克拉荷馬州收費公路局發(fā)表了 1953 年至1964年2128名機(jī)動車駕駛員發(fā)生車輛碰撞事故的調(diào)查結(jié)果:22%的駕駛員打噸駕駛, 48%的交通事故歸結(jié)于疲勞駕駛疲勞。由此可以知道,疲勞駕駛正逐漸成為交通事故的主要原因之一,成為馬路上的第一殺 手，如果我們能積極開展疲勞檢測的工作，提醒駕駛者，很大程度上就能預(yù)防和減少交通 事故的發(fā)生,使得公民的出行更加安全。因此,研究出一套疲勞檢測的系統(tǒng)對社會和民眾都 有不可估呈的社會意義和經(jīng)濟(jì)價值。套好的檢測系統(tǒng)必須要有成熟而完善的算法。本文對疲勞檢測系統(tǒng)的實現(xiàn)方法進(jìn)行研 究，以期提高疲勞檢測的速度和準(zhǔn)確度。如果能將好的算法應(yīng)用于疲勞檢測系統(tǒng)之中,無疑

9、能更有效的預(yù)防駕駛員疲勞駕駛而引起不必要的人員傷亡和經(jīng)濟(jì)損失。2.疲勞駕駛檢測系統(tǒng)研究與實現(xiàn)2.1國外疲勞駕駛檢測系統(tǒng)研究現(xiàn)狀對疲勞駕駛的研究在國外最早可以追溯到20世紀(jì)30年代，但實際上,投入真正研究 的卻還是從上世紀(jì)RO年代美國國會通過的汽車駕駛狀態(tài)與交通安全之間的關(guān)系硏究開始 的。逬入上世紀(jì)90年代，疲勞駕駛的科研工作得到了人們更大的重視，取得了一系列卓有 成效的成果。2.1.1國外疲勞駕駛檢測系統(tǒng)的研究成果早期的疲勞駕駛測評主要是從醫(yī)用角度出發(fā)，借助醫(yī)療器件進(jìn)行生理特征測呈的。疲勞 駕駛的實質(zhì)性的硏究工作是從20世紀(jì)80年代由美國國會批準(zhǔn)交通部研究交通安全和機(jī)動 車駕駛的關(guān)系，并健全汽

10、車安全管理條例開始的。由此把疲勞駕駛的硏究提高到了立法高度, 保證了開展疲勞駕駛研究的有效性、合法性和持續(xù)性。其硏究工作大概可以分為兩大類:一 是研究疲勞磕睡產(chǎn)生的原因和其他誘發(fā)因素,尋找能夠降氐這種危險的方法:二是研制智能 報警系統(tǒng),防止駕駛員磕睡狀態(tài)下駕駛。20世紀(jì)90年代，美國對疲勞駕駛電子裝置的研 發(fā)工作發(fā)展的較快。在各國硏制的裝置中具有代表性的成果有:美國研制的打磕睡駕駛員偵探系統(tǒng)DDDS(The Drowsy Driver DetectionSystem)o采用多普勒雷達(dá)和信號處理方法，可獲取駕駛員煩躁不安的情緒活動、眨冃艮頻率和持續(xù)時間等疲勞;,用以判斷駕駛員是否打磕睡或睡著。該

11、系統(tǒng)可制成體積較小的儀器,安裝在駕駛室駕駛員頭頂上方，完全不影響正常的駕駛活動。(2) 美國華盔頓大學(xué)通過自行開發(fā)的專用照相機(jī)、腦電圖儀和其他儀器來精確測星頭部 運動瞳孔直徑變化眨眼頻率，用以研究駕駛行為問題。一般情況下入們眼睛閉合的時間在 0. 2-0. 3 s之間，駕駛時若眼睛閉合時間達(dá)到0. 5秒就很容易發(fā)生交通事故。(3) 卡基梅隆硏究所的Copilot裝置。研究所的Grace等人采用特制的紅外LED裝置, 根據(jù)人的視網(wǎng)膜對不同波長紅外光的反射呈不同所表現(xiàn)出生理特征使用850nm和950nm 波長的紅外光源，在同一時間得到兩幅眼部具有微小差別的圖像，然后將這兩幅圖像進(jìn)行差 分相減，就可

12、以提取出眼部瞳孔的位置和大小。再用PERCLOS法則計算眼睛的閉合程度來 判斷疲勞的程度。使用此裝置能比較準(zhǔn)確地走位出人眼然后進(jìn)行疲勞判斷。(4) 2000年1月明尼蘇達(dá)大學(xué)計算機(jī)科學(xué)與工程系的Nikolaos P.Papanikolopoulos 教授成功開發(fā)了一套駕駛員眼睛的追蹤和走位系統(tǒng)，通過安置在車的一個CCD攝像頭監(jiān)視 駕駛員的臉部，用快速簡單的算法確走駕駛員眼睛在臉部圖像中的確切位置，追蹤多幅圖像 來監(jiān)控駕駛員是否駕駛疲勞。同年3月，他對上述系統(tǒng)進(jìn)行了改進(jìn)，改用紅外線彩色攝像 頭并加濾波器濾除圖像的噪聲和非臉部的圖像，使搜索臉部圖像的次數(shù)減少，加快了處理圖 像的速度。(5) 日本成

13、功硏制了電子清醒帶，固走在駕駛員頭部，將其一端的插頭插入車點煙 器的插座裝在帶子里的半導(dǎo)體溫差電偶使平展在前額部位的鋁片變涼，使駕駛員睡意消除， 精神振作。(6) 日本先鋒公司最近開發(fā)出防止駕駛員開車打磕睡的系統(tǒng)。它可通過心助憾應(yīng)器每隔 巧秒檢測司機(jī)的心助眩度，監(jiān)測司機(jī)駕駛員是否打磕睡在睡意來臨巧分鐘前提醒司機(jī)注意, 防止發(fā)生事故。先鋒公司還研究了通過測臺眨冃艮頻率和車體搖晃頻率監(jiān)測司機(jī)是否磕睡的系 統(tǒng)。西班牙的防磕睡系統(tǒng)(Anti-Drowsiness System),測星駕駛時手對方向盤的握力，旦檢測到疲勞發(fā)生,利用汽車的燈不停的閃爍,提醒周圍的交通車輛。(8) 澳大利亞的頭部位置測呈跟蹤

14、系統(tǒng)與沃爾沃合作,通過測星頭部位置、閉眼和眨眼 評估疲勞駕駛，但是它要求在司機(jī)的臉上作一些標(biāo)記，給司機(jī)帶來極大的不便。(9) 2005年,澳大利亞的硏究人員們推出了一款眼鏡，它可以檢測出司機(jī)是否已經(jīng)處 于疲勞狀態(tài),并及時提出警告。原理是通過紅外線傳感器監(jiān)測司機(jī)的眼瞼活動和眨眼頻率, 據(jù)此判斷司機(jī)是否己經(jīng)處于疲勞狀態(tài)。(10) 轉(zhuǎn)向盤監(jiān)視系統(tǒng)S. A. M(Steering Attention Monitor)，種監(jiān)測方向盤非正常運 動的傳感器系統(tǒng)，當(dāng)方向盤正常運動時傳感器系統(tǒng)不報警，若轉(zhuǎn)向盤4s不運動就會發(fā)出報 警聲直到轉(zhuǎn)向盤繼續(xù)正常運止。該系統(tǒng)固走在車錄音機(jī)旁，轉(zhuǎn)向盤下面的桿上裝有一條磁性

15、帶，用以監(jiān)測轉(zhuǎn)向盤的運動。(11) 頭部位置測量儀(ASCI Advanced Safety Concepts Inc研制)。傳感器設(shè)計安裝在 司機(jī)座位上方，每個傳感器都能輸出司機(jī)頭部距離傳感器的位置，利用三角代數(shù)算法就可以 計算出頭在X, Y, Z三維空間中的位置，也能夠?qū)崟r跟蹤頭部的位置,同時利用各個時間段 頭部位置的變化特征，可以表現(xiàn)出司機(jī)處于清醒還是磕睡狀態(tài)。該傳感器物理特點基于傳感 器電極屏廠之間的電容，通過人這個高導(dǎo)體可以改變電極之間的電容，通過測量電壓計算頭 部與傳感器之間的距離。當(dāng)人進(jìn)入電容區(qū)域時，臨近的電容改變同距離之間的關(guān)系是，利用 3個傳感器，就可利用三角代數(shù)計算出頭的X

16、, Y, Z的坐標(biāo)。并對司機(jī)的頭部位置進(jìn)行實時跟 蹤，并且根據(jù)頭部位置的變化規(guī)律判走司機(jī)是否磕睡，發(fā)現(xiàn)點頭的動作和磕睡有非常好的相 關(guān)性。(12)法國圖盧茨西門子汽車公司投資1700萬法良155開制的一整套疲勞檢測系統(tǒng)。他們 在汽車上裝上5種傳感器:汽車速度傳感器(監(jiān)測汽車是否超速)、腳踏板傳感器(監(jiān)控腳踏板 上壓力的情況，是否在預(yù)走時間沒有壓力變化)、方向盤傳感器(監(jiān)測方向盤情況)、車尾CCD 傳感器(測星汽車和馬路上旁側(cè)或中間的白線距離)、眼睛傳感器(專門陰空眼部的疲勞特征)。 這套系統(tǒng)主要是從多方面情況來聯(lián)合監(jiān)控駕駛員的情況，運用傳感器融合的原理來綜合判斷 駕駛員的情況，在實時性、準(zhǔn)確性

17、上有很大的保障。2.1.2國獗勞駕駛檢測系統(tǒng)的研究現(xiàn)狀國的疲勞駕駛預(yù)警系統(tǒng)的硏究還處于起步階段，相對國外來說還比較落后。我國對疲勞 駕駛的硏究最早始于20世紀(jì)60年代,具中主要以高校居多。到目前為止,還沒有很成熟 的產(chǎn)品問世。目前的檢測方法主要有：(1) 大學(xué)汽車與交通工程學(xué)院的葛如融授等5人設(shè)計的一套疲勞雌系統(tǒng),運用圖 像差分、灰度直方圖等一系列圖像處理方法，走位駕駛員眼睛睜開閉合狀態(tài)，再用PERCLOS 指標(biāo)衡星駕駛員的疲勞狀態(tài)。(2) 交通大學(xué)石堅、吳遠(yuǎn)鵬等人通過在車上安裝傳感器來測臺方向盤、踏板壓力等情況 間接或許駕駛員的疲勞信息，當(dāng)踏板或方向盤長時間不動的時候，駕駛員可能有疲勞的跡象

18、, 但是這和駕駛員的駕駛經(jīng)驗和習(xí)慣有關(guān),準(zhǔn)確性不高。(3) 中南大學(xué)對駕駛員駕駛時的疲勞檢測方法進(jìn)行了硏究，設(shè)計出了一套眼睛跟蹤系統(tǒng), 可達(dá)到實時的跟蹤效果，同時研究了疲勞時眼睛的閉眼時間、快眨眼次數(shù)、慢眨眼時間和次 數(shù)的特征模式。航空醫(yī)學(xué)硏究所的俞夢、周俞斌等司利用人眼在特走波長的紅外光照射下的不同成 像特點，設(shè)計了適用于全刃唉的疲勞檢測系統(tǒng)。(5)西南大學(xué)的姜德美提取駕駛員駕駛時的反應(yīng)時間和方向盤轉(zhuǎn)動角度作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入,來進(jìn)行仿真驗證。(6)大學(xué)正在硏究駕駛防磕睡裝置,該裝置通過實時監(jiān)測一段時間駕駛?cè)藛T眼睛的活動如眼睛的閉合時間、閉合頻率等參數(shù)，來判斷當(dāng)前駕駛?cè)藛T的注意力程度，

19、從而識別駕駛員 是否疲勞。(7) 中國農(nóng)業(yè)大學(xué)車輛與交通工程學(xué)院正在進(jìn)行機(jī)動車駕駛員疲勞測評方法的研究，他 們使用CCD攝像頭來采集圖像數(shù)據(jù),數(shù)據(jù)采集到計算機(jī)后,先利用高斯膚色模型進(jìn)行駕駛 員人臉走位，然后根據(jù)人臉圖像的灰度分布檢測出眼睛在圖像中的具體位置，最后利用模板 匹配技術(shù)判斷出人眼的開閉狀態(tài),并計算出眼睛的閉合時間和PERCLOS ,當(dāng)眼睛的持續(xù)閉 合時間大于3秒，PERCLOS大于80%時,就認(rèn)為駕駛員處于疲勞駕駛狀態(tài)，發(fā)出警告。(8) 大學(xué)的王榮本等與中國業(yè)大學(xué)培等，利用機(jī)器視覺的方法對駕駛員的眼睛特征進(jìn)行 實時跟蹤從而判斷駕駛員的精神狀態(tài)。(9) 長途汽車公司的周鵬應(yīng)用人體生理學(xué)

20、、現(xiàn)代神經(jīng)學(xué)、電子工程學(xué)分析了駕駛員疲勞 事故隱患的起因，提出了消除疲勞事故隱患必須消除司機(jī)開車時的異常疲勞和大腦麻痹。根 據(jù)這一思想他研究了佩戴于司機(jī)小腿咅垢手腕部的司機(jī)疲勞事故預(yù)防器。(10沖國的金吉公司制造了一種像戒指一樣的測呈裝置，利用人的皮膚阻抗的變化，司 機(jī)磕睡時,通過聲音提醒司機(jī)當(dāng)前的狀態(tài),由于特異性和準(zhǔn)確度不高,誤報率和漏報率都很 高。綜合國外的現(xiàn)狀來看，能做到實時、有效、簡單地檢測駕駛員的疲勞情況是目前硏究的 重點和熱點，但是目前市場上還沒有非常成熟的產(chǎn)品投入到市場上進(jìn)行實際的應(yīng)用，這主要 存在著以下的困難:首先產(chǎn)品的投入成本比較高,汽車廠商研制出了較好的預(yù)警系統(tǒng)但是卻 無法

21、很好地進(jìn)行商業(yè)化的推廣;其次目前疲勞的判斷沒有確切的走義,因此在進(jìn)行疲勞檢測 的時候可能會出現(xiàn)誤判等情況:再者諸如EEG,清醒帶、監(jiān)測眼鏡等方法的有效性良好， 但是由于是接觸性的裝置，大大影響了駕駛員了自由活動;最后還因為個體和環(huán)境的差異(諸 如男女性別、近視眼譙、光照情況、路況等）受到不同的影響。總體看來，駕駛員疲勞檢測是個復(fù)雜的過程，我國的駕駛疲勞檢測的方法同發(fā)達(dá)國家相 比，還存在較大的差距。研究表明,眼睛狀態(tài)和疲勞有很大的關(guān)聯(lián)性,現(xiàn)階段隨著數(shù)碼相機(jī) 和網(wǎng)絡(luò)攝像頭的價格越來越便宜，通過監(jiān)測駕駛員的眼睛狀態(tài)來判斷駕駛員是否疲勞的技術(shù) 正逐步成為熱點。因此研究如伺利用機(jī)器視覺技術(shù)、圖像處理技術(shù)

22、、人臉識別技術(shù)PERCLOS 疲勞檢測方法相結(jié)合,開發(fā)出一種車載的、非接觸式的、實時的員疲勞檢測系統(tǒng)是當(dāng)前的一 個研究熱點,這就是本課題硏究的初衷。2.2疲勞駕駛檢測系統(tǒng)淺析經(jīng)過幾十年的硏究疲勞檢測技術(shù)仍遠(yuǎn)未達(dá)到成熟、完善的地步國外主要硏究成果如下（1） 利用方向盤置傳感器感應(yīng)駕駛員對航向糾正的速率若對方向的掌控遲鈍則判為疲勞駕駛并 發(fā)出警報但這個系統(tǒng)并未充分考慮長距直路、路況好的情況。（2）利用置攝像頭偵測駕駛員 眼部狀態(tài)包括:眼臉、瞳孔變化及眨眼頻率等來判斷駕駛員是否疲勞。但這個系統(tǒng)并未充分 考慮人眼特征差異，比如:眼眼小的人睡覺睜眼的人戴眼璜的人等。（3）利用連續(xù)駕車時間 來判斷駕駛員是

23、否疲勞。這種方法很難扼制短暫停車?yán)^續(xù)駕駛的人。（4）利用后視譙傳感器 檢測車輛是否偏離車道若車輛非線性行駛則判為疲勞駕駛并發(fā)出警報。該系統(tǒng)不適合崎嶇、 顛簸的道路。（5）利用駕駛員臉部膚色變化來判斷是否疲勞駕駛這種方法受光照強(qiáng)度的影響 很大。其他如通過檢測心跳、血壓、明視持久度、能見度、調(diào)節(jié)時間變動率、閃光融合頻率、 腦電圖、心電圖、肌電圖等判走疲勞的方法形式單一多信息融合系統(tǒng)隨之產(chǎn)生擔(dān)其準(zhǔn)確性、 可靠性有待完善。2.2.1神經(jīng)傳導(dǎo)速度測定方法疲勞直接反映了神經(jīng)的傳導(dǎo)時間人在疲勞時房使神經(jīng)傳導(dǎo)時間明顯延時。所以神經(jīng)傳導(dǎo) 速度可作為反應(yīng)駕駛員是否疲勞駕馬史的基本生理參數(shù)。1.感覺神經(jīng)傳導(dǎo)速度測定

24、方法疲勞早期駕駛員主要是感覺障礙基本無運動障礙和肌肉萎縮問此時測定感覺神經(jīng)傳導(dǎo) 速度對于預(yù)防疲勞駕駛、避免交通事故的發(fā)生具有重要意義。根據(jù)如下公式計算出感覺神經(jīng)傳導(dǎo)速度:檢測方法如下（以撓神經(jīng)為例）使用指環(huán)電極作 為刺激電極，使用表面電極作為記錄電極，刺激位置為拇指接近虎口的指關(guān)節(jié),記錄位置選 擇手腕撓測或前臂下1 /3a測出刺激點與記錄點之間的距離S并測出刺激開始至感覺神經(jīng) 收縮產(chǎn)生動作電位的潛伏期T。2運動神經(jīng)傳導(dǎo)速庚測定方法運動神經(jīng)傳導(dǎo)速度檢查能直接測走運動神經(jīng)的傳導(dǎo)性。根據(jù)刺激點與記錄電極之間的距 離差及潛伏期間隔來推算該段距離的運動神經(jīng)傳導(dǎo)速度。根據(jù)如下公式計算出運動神經(jīng)傳導(dǎo)速度：1

25、02.2.2系統(tǒng)設(shè)計本系統(tǒng)主要靠檢測、計算岀的神經(jīng)傳導(dǎo)速度與參考值作比較來判斷駕駛員是否疲勞。通 過嵌在方向盤的電極及腕、肘部的電極來測得神經(jīng)傳導(dǎo)速度的關(guān)鍵參數(shù)并傳入控制系統(tǒng)，由 控制系統(tǒng)通過計算、與參考值進(jìn)行t匕較最終對是否疲勞作出裁決廠旦認(rèn)走疲勞駕駛，便啟動 聲、光報警系統(tǒng)甚至自動剎車系統(tǒng)，以避免交通事故的發(fā)生。2.3駕魏員疲勞檢測系統(tǒng)的研究為了減少由于駕駛員疲勞駕駛引起的交通事故，提出駕駛員疲勞狀態(tài)檢測系統(tǒng)的方案。 使用3x3中值濾波去除嗥聲和光照對圖像的影響，通過對AdaBoost算法的強(qiáng)分類器訓(xùn)練 算法改進(jìn)、級聯(lián)分類器優(yōu)化實現(xiàn)人臉的快速檢測，在檢測到的人臉區(qū)域,通過積分灰度投影 和從

26、粗到細(xì)改逬的模板匹配方法對人眼進(jìn)行準(zhǔn)確走位；通過PERCLOS.眼睛閉合時間、眼 睛眨眼頻率、嘴巴開程度、頭部運動的計算，進(jìn)行駕駛員疲勞程度的綜合判走。實驗結(jié)果表 明，該方法準(zhǔn)確率高，兼具了良好的實時性和魯棒性。2.3.1人臉檢測1. 圖像預(yù)處理由于自然條件下的嗥聲和光照影響等一些因素，會給人臉圖像的處理帶來一定的干擾, 所以需要找到合適的方法濾除嗥聲和改善非均勻光照的影響。經(jīng)實驗驗證，3x3中值濾波 法可達(dá)到很好的預(yù)處理效果。2. 改進(jìn)的AdaBoost檢測方法1995 年,Freend 禾Schapire 提出 AdaBoost 算法,ViolaP 和 Jones M 提出的 與基于積分圖

27、的Haar-like特征快速計算算法相結(jié)合的AdaBoost算法,在歷史上第一次 真正實現(xiàn)目標(biāo)的實時檢測。這個算法的基本思想就是將大星的分類能力一般的弱分類器通過一走方 法尋加起來，構(gòu)成一個分類能力很強(qiáng)的強(qiáng)分類器，且算法不需要任1可關(guān)于弱分類器性能的先 驗知識,很容易應(yīng)用到實際問題中。AdaBoost算法流程如圖2所示。圖2 AdaBoost U法流程圖Viola P和Jones M提出的基于AdaBoost的快速目標(biāo)檢測方法，雖然得到了廣泛 的應(yīng)用，但是該算法還存在很多問題。如：雖然AdaBoost系統(tǒng)檢測速度很高，但是由于 AdaBoost算法本身訓(xùn)練比較耗時,整個系統(tǒng)的訓(xùn)練時間非常驚人。

28、根據(jù)文獻(xiàn)7,其系統(tǒng) 在訓(xùn)練上花費了數(shù)周的時間。在分析這些問題的基礎(chǔ)之上，本文提出了改進(jìn)的AdaBoost 目標(biāo)檢測算法，極大降低了檢查的時間。（1）強(qiáng)分類器訓(xùn)練改逬算法基于AdaBoost的快速目標(biāo)檢測算法在計算Haar-like特征時使用積分圖的方式逬行 了快速計算,根據(jù)文獻(xiàn)8的統(tǒng)計，24x24的搜索窗口雖然有18萬的特征，但是過半的矩 形特征面積非常?。ㄐ∮?x2）,這些特征在實際目標(biāo)檢測的性能很差，使訓(xùn)練的特征不 具有很好的泛化能力。本文在進(jìn)行特征選取的時候?qū)⑦@些小面積矩形特征進(jìn)行過濾，避免了 此類特征的計算,在保證分類器檢測率的同時,提高了分類器的訓(xùn)練速度。由AdaBoost 訓(xùn)練強(qiáng)分

29、類器的訓(xùn)練算法可以看出，該算法是選擇單個特征作為弱分類器，且選擇弱分類器 的標(biāo)準(zhǔn)是弱分類的檢測準(zhǔn)確率略大于隨機(jī)猜測（即略大約0.5 ）,則將該弱分類器保留。但是在訓(xùn)練的過程中，很可能出現(xiàn)非常相似的特征,這類相似的特征對分類器的性能沒有提高的作用， 而且不利于分類器的泛化能力。(3 )級聯(lián)檢狽肢術(shù)的優(yōu)化AdaBoost算法能夠完成實時性檢測的原因除了通過積分圖進(jìn)行快速特征計算之外， 另一個重要原因是該算法在進(jìn)行檢測目標(biāo)時采用了級聯(lián)分類器。級聯(lián)結(jié)構(gòu)分類器如圖3所 示。在將訓(xùn)練出強(qiáng)分類器串聯(lián)在一起形成層屋分類器時,應(yīng)遵循先重后輕的分級分類器 思想，將由重要特征構(gòu)成的結(jié)構(gòu)較簡單強(qiáng)分類器放在前面。這樣可

30、以先排除大星假樣本,從 而提高檢查速度。AdaBoost算法在進(jìn)行級聯(lián)分類器訓(xùn)練的時候,對每一級強(qiáng)分類器都進(jìn) 行了重新訓(xùn)練，訓(xùn)練比較耗時。已經(jīng)證明：隨著弱分類器數(shù)臺的增加，通過AdaBoost 構(gòu)建的強(qiáng)分類器的檢測率也會不斷提高。本文為了提高訓(xùn)練速度，在對級聯(lián)分類器訓(xùn)練時, 后一級的強(qiáng)分類器會重復(fù)利用前一級已經(jīng)訓(xùn)練好的弱分類器，并在此基礎(chǔ)上通過增加弱分類 器的數(shù)星來提高強(qiáng)分類器的性能。這樣可以大大減少強(qiáng)分類器的訓(xùn)練時間。2.3.2人眼定位1灰度積分投影確走準(zhǔn)眼睛區(qū)域在準(zhǔn)確定位臉部位置后，根據(jù)人臉的面部器官的分布，人眼在臉部的上半部，所以首先截取人臉區(qū)域是上半部進(jìn)行處理。人臉圖像中眼睛部位的灰度

31、值通常比周圍區(qū)的灰度值小， 利用該特征常使用積分投影的方法來走位眼睛。最為常用的投影函數(shù)是積分投影函數(shù)。2 改逬的模板匹配精確走位眼睛模板匹配方法是假設(shè)待搜索圖像S的尺寸為W z H，模板T的尺寸為M N , 通過一走的算法在大圖像（即待搜索圖像s ）中搜索與模板T具有相近的尺寸、方向和圖像 的子圖,并確走具坐標(biāo)位置?；谙嗨贫鹊哪０迤ヅ渌惴ㄒ愿骶植繄D像作為模板 先在人臉集中手工提取各種狀態(tài)的眼睛圖像作為模板。圖5水平灰度投影曲線及眼睛上I：邊界圖6匝lY灰度投彩（III線及眼IW左右邊界幅眼睛圖片為一個模板，即一個二維矩陣，利用眼睛模板與人臉圖像作相關(guān)匹配，匹 配函數(shù)如下：A/ N工(w,)

32、 X T(MN)也一1打一 1 W(加皿)吃立廠M N)2初一】一 1/n - 1 / - 1當(dāng)模板匹配的相關(guān)系數(shù)R(i j)等于1的時候，說明搜索子圖與模板完全匹配。這只 是一個理想值，模板匹配的過程中主要是尋找相關(guān)系數(shù)的最大值，此時它所對應(yīng)的搜索子圖 便是所要尋找的目標(biāo)子圖。顯然，用這種公式做圖像匹配計算呈大、速度慢?？梢允褂昧硗?種算法來衡臺T和Sij的誤差，其公式為：M N= h? = 1計算兩個圖像的向量誤差，可以增加計算速度，根據(jù)不同的匹配方向選取一個誤差閥值E0 ,當(dāng)E(i j) E0時就停止該點的計算，繼續(xù)下一點的計算。23.3獗勞程度的綜合判定駕駛員疲勞的判定會因錯誤檢查帶來

33、不良影響,本文采用PERCLOS.眼睛閉合時間、 眼睛眨眼頻率、嘴巴開程度、頭部運動的計算,進(jìn)行疲勞程度的綜合判走，準(zhǔn)確、有效地進(jìn) 行駕駛員疲勞的檢測。1. PERCLOSPERCLOS ( Percentage of eyelid Closure over thepupil overtime )是指眼睛閉合 時間占某一特走時間的百分率。PERCLOS方法有P70 , P80和EM三種判定標(biāo)準(zhǔn)。研究 表明P80與疲勞程度間具有最好的相關(guān)性。2嘴巴開題嘴巴的狀態(tài)通常有三種，閉合，說話及打哈欠，在疲勞狀態(tài)下,人會頻繁地打哈欠。在 人臉下半部分進(jìn)行水平灰度投影，觀察不同單人圖像的水平灰度投影曲線，會

34、發(fā)現(xiàn)該區(qū)域下 半部分的水平灰度投影曲線有一個波谷，即為嘴唇間位置。對人臉下半部分區(qū)域二值化，從 嘴唇間向上、下計算連通區(qū)域（連通區(qū)域可以防止鼻孔及須對計算帶來影響）的像素值,即 可得到嘴巴的開程度。3眼睛高度D及嘴巴高度H補償在上眼瞼到下眼瞼的垂直5巨離D及上嘴唇到下嘴唇的垂直距離為H時,由于駕駛員頭 部相對于檢測設(shè)備有位置移動，因此為了實現(xiàn)駕駛員眼睛高度和嘴巴高度的準(zhǔn)確計算，需要 修正眼睛、嘴巴與檢測設(shè)備距離相對變化弓I起的D及H變化。4眼睛閉合時間眼睛閉合時間，一般用眼睛閉合到睜開所經(jīng)歷的時間來表示。人處于正常清醒狀態(tài)時, 眼睛閉合時間是很短的,會迅速睜開眼。而當(dāng)疲勞時,眼睛閉合時間會明顯

35、變長,因此眼睛 閉合時間能直接反映駕駛員的精神狀態(tài)。本文采用計算從眼睛閉合D/3到睜開D/3的最 大幀數(shù)，幀數(shù)越多，閉合時間就越長,則疲勞程度就越嚴(yán)重。5眼睛眨眼頻率人在疲勞狀態(tài)下，眨眼頻率會比清醒狀態(tài)下頻率高。本文也將其作為一項參數(shù)作為疲勞 判斷的依據(jù)。眼睛閉合D/3到睜開D/3為眨眼一次。累加一段時間眨眼次數(shù)，作為疲勞 判斷的一項參數(shù)。6.頭部運動的疲勞參數(shù)駕駛員在疲勞狀態(tài)下會出現(xiàn)頻繁點頭，頭部向前傾。本文通過水平灰度積分投影得到眼 睛瞳孔、嘴角的水平位置。dl為瞳孔水平位置到采集圖片的上邊緣距離，d2為嘴角的水 平位置到采集圖片的下邊緣距離。在駕駛員疲勞出現(xiàn)點頭情況,則dl增大且d2減小

36、。駕 駛員疲勞時，頭部向前傾，則dl增大且d2增大。點頭和頭部向前傾可以作為疲勞判斷的 項重要的依據(jù)。3 基于人臉特征的列車司機(jī)疲勞駕駛檢測與識別系統(tǒng)研究3.1研究容及目標(biāo)本章的目標(biāo)是開發(fā)_套基于人臉特征識別的非接觸式列車司機(jī)疲勞駕駛實時檢測預(yù)警 裝置。本文的研究容為:結(jié)合列車司機(jī)駕駛的特點和規(guī)律,利用模式識別與圖像處理知識分析 列車司機(jī)疲勞駕駛時的臉部特征研究適合于列車運行時駕駛室光照情況復(fù)雜多變及高頻低 幅振動環(huán)境下的列車司機(jī)疲勞檢測和識別算法，并在以DSP數(shù)字信號處理芯片為核心的硬件 平臺上實現(xiàn)檢測與識別算法，以達(dá)到系統(tǒng)實時檢測的性能要求。主要完成以下研究容：1實現(xiàn)由攝像頭實時捕捉視頻數(shù)

37、據(jù)；2提出適合列車駕駛室環(huán)境的人臉檢測算法,使其油辰動環(huán)境和光照變化有較強(qiáng)的魯棒性；3提出人眼檢測算法,及判斷眼睛睜開/閉合的狀態(tài)識別分析算法；4根據(jù)眼睛睜開/閉合數(shù)據(jù)，基于PERCLOS的P80模型給出列車司機(jī)疲勞駕駛的判走算法；5在以DSP為核匕、的硬件平臺上，將列車司機(jī)疲勞駕駛檢測與識別算法移植到DSP芯片中， 提高算法的檢測速度。本識別系統(tǒng)的開發(fā)主要分為兩大階段進(jìn)行：1檢測與識別算法開發(fā):在PC上進(jìn)行基于人臉特征的列車司機(jī)疲勞檢測與識別算法開發(fā)。主要完成基于Adaboost算法的人臉與人眼分類器訓(xùn)練，以及人眼狀態(tài)識別算法開發(fā)；2基于DSP的疲勞檢測與識別算法移植將PC上的非實時疲勞駕駛

38、檢測與識別算法移植到基于DSP的高速1處理嵌入式系統(tǒng),使算法達(dá)到實時檢測與識別的要求。3.1.1基于人臉特征的腹勞駕駛檢測與識別算法開發(fā)本階段的主要任務(wù)是結(jié)合列車司機(jī)駕駛的特點和規(guī)律，分析列車司機(jī)疲勞駕駛時的臉部 特征硏究適合于列車運行時駕駛室光照情況復(fù)雜多變及高頻低幅振動環(huán)境下的列車司機(jī)疲 勞駕駛檢測與識別算法。整個檢測與識別系統(tǒng)必須準(zhǔn)確地檢測和走位眼睛，根據(jù)查閱的相關(guān)技術(shù)資料,最終確走本 階段算法開發(fā)分為三個步驟進(jìn)行：1）檢測視頻中的 皿；2）在人臉區(qū)域中走位人眼;3）對人眼狀 態(tài)進(jìn)行識別，確走其狀態(tài)，睜開或閉合。采用先檢測人臉，再檢測人眼的策略，可以減少檢測算法 的計算呈，同時提高人眼檢

39、則的準(zhǔn)確率。3.1.2獗勞駕駛檢測與識別算法OSP移植根據(jù)國外研究人員發(fā)表的論文鬭支術(shù)資料顯示:采用Adaboost算法開發(fā)的人臉檢測系 統(tǒng)，計算呈大,在對視頻進(jìn)行檢測時，實時性方面表現(xiàn)不盡理想，而且本系統(tǒng)在人臉與人眼檢測 階段均采用Adaboost算法，同時考慮到本系統(tǒng)設(shè)備便攜式的要求，所以將算法移植到具有高 速數(shù)據(jù)處理性能的DSP嵌入式系統(tǒng)中，提高系統(tǒng)檢測與識別速度。疲勞駕駛檢測算法的DSP移植及優(yōu)化,首先完成基于DSP舊105最小視頻輸入輸出系 統(tǒng)程序撚后將疲勞檢測算法從PC移植5U.DSP系統(tǒng)，并完成移植過程涉及到的相關(guān)算法優(yōu)化 及線性尤化等工作，使系統(tǒng)達(dá)到實時檢測與識別的要求。3.2

40、基于Adaboost算法的人臉檢測整個疲勞檢測系統(tǒng)首先必須準(zhǔn)確地檢貝倒人眼位置，我彳門采用先確定人臉區(qū)域，然后在人 臉區(qū)域進(jìn)一步檢測、定位人眼的方法，這樣可以使得人眼的檢測與走位更準(zhǔn)確一些。3.2.1人臉檢測技術(shù)探述人臉檢測采用的方法大致可分為基于統(tǒng)計和基于知識兩種類型5。基于統(tǒng)計的方法將人臉圖像視為一個多維向星從而將人臉檢測問題轉(zhuǎn)化為多維空間中分布信號的檢測問題;而基于知識的方法則利用人臉特征先驗知識定義若干規(guī)則，建立相應(yīng)的數(shù)學(xué)模型,從而將人臉檢 測問題轉(zhuǎn)化為假設(shè)和驗證問題上匕如利用人臉膚色和幾何結(jié)構(gòu)等。表2-1常見的人臉檢測方法及其比較方法優(yōu)缺點及應(yīng)用場合基于統(tǒng)計的方法事例學(xué)習(xí)算法訓(xùn)練時間

41、較長，精度高，魯棒性強(qiáng)子空間要求訓(xùn)練樣本能足夠表達(dá)人臉空間，計算準(zhǔn)確，計 算量大，適用于單人臉，正面圖像空間匹配模板匹配方法，運算簡單，但精度低基于知識建 模的人臉檢 測方法器官分布利用人臉的生理幾何特征，優(yōu)點是姿態(tài)、表情、光照等對算法影響不太明顯，但計算量大提取輪廓與姿態(tài)和光照等條件無關(guān)，但參數(shù)多，能量函數(shù)的系數(shù)難適應(yīng)一般情況，計算量大利用顏色優(yōu)點為計算速度快，但對光線要求較高，受光線影， 紋理彫響較大，一般應(yīng)用于粗定位利用運動采用幀間差分法，只能檢測相對運動物體，受光線 變化影響較小。但是由于兩幅圖像的時間間隔較短， 檢測出的物體位置不精確。適用于固定背景對稱性適用于正面人臉，計算量大從表

42、2-1可以看出，每種人臉檢測方法都有一走的優(yōu)缺點以及應(yīng)用場合?；谥R建模的方法，一般對建模的假設(shè)條件依賴性強(qiáng)，而基于統(tǒng)計的方法，一般精度較高、魯棒性逼但運 算呈大。對于本系統(tǒng)，列車駕駛室光照環(huán)境變化迅速，同時帶有一走程度的震動很難保證一個 穩(wěn)走的建模假設(shè)環(huán)境。例如,列車的光照環(huán)境不能保證基于膚色的檢測算法要求的光照穩(wěn)走 的建模條彳牛，而列車的震動壞境也不能保證基于運動的檢測算法要求的背景穩(wěn)定的建模條 件?；诮y(tǒng)計的檢測方法，通過模式識另啲訓(xùn)練過程，提取人臉樣本中的大呈人臉本質(zhì)特征 在光照不理想的情況下,即使缺失少部分特征，仍可以正確識別人臉。t 般來說，基于統(tǒng)計的 人臉檢測方法只需要當(dāng)前幀圖

43、像,對振動壞境并不是很敏感帶來的只是少許圖像噪聲対算 法檢測性能影響不大。由于本系統(tǒng)采用高速DSP數(shù)字信號處理芯片，在很大程度上解決了基 于統(tǒng)計的人臉檢測算法計算呈大的問題。從上面的分析，可以看出基于統(tǒng)計的算法對列車復(fù)雜多變的光照、振動環(huán)境都有較強(qiáng)的 適應(yīng)性。在基于統(tǒng)計的人臉檢測算法中，我們最終選擇了基于Adaboost算法的人臉檢測算 法。3.2.2Adaboost人臉檢測算法1.集成學(xué)習(xí)算法集成學(xué)習(xí)中一個關(guān)鍵問題就是弱分類器的集成問題。大部分機(jī)器學(xué)習(xí)算法只是通過單個 分類器的生成來對新的樣本做出預(yù)測，而集成學(xué)習(xí)則是多個弱分類器的結(jié)合，每一個弱分類器 都可能是一種傳統(tǒng)的機(jī)器學(xué)習(xí)模型。對一個新

44、樣本分類,集成分類器把這個新樣本交給其多 個弱分類器，再把各個弱分類器對新樣本的分類結(jié)果通過某種方式(比如投票或求均值)組合 來得到集成學(xué)習(xí)的預(yù)測結(jié)果。Hansen等研究發(fā)現(xiàn)，集成學(xué)習(xí)算法生成的分類器要t匕參與集 成的那些單分類器的準(zhǔn)確度高許多。我們也可以說成集成學(xué)習(xí)的優(yōu)點是集成分類器的性能比 單個弱分類器具有更好的表達(dá)能力。在眾多的集成學(xué)習(xí)算法中,Adaboost算法因其有以下 優(yōu)點而被廣泛使用：(1)算法速度快；(2 )除了訓(xùn)練輪數(shù)參數(shù)T外,不需要調(diào)節(jié)任1可參數(shù)；(3 )不需要知道任何關(guān)于弱分類器的先驗如識；(4 )對弱分類器的性能要求不高只需要t灑機(jī)猜測性能稍好即可，這種弱分類器在實際情

45、 況下很容易獲得，從而降低了算法的復(fù)雜度，提高了效率；(5 )在弱分類器的構(gòu)成上可以兼容多種方法，這些弱分類器可以是神經(jīng)網(wǎng)路、決策樹、最近鄰域分類器、經(jīng)9僉規(guī)則等;(6)訓(xùn)練數(shù)據(jù)可以是文本、數(shù)字、離散值等，并且Ada boost算法很容易被推廣到多類目標(biāo)的分類問題中去。2. Ada boost 算法Adaboost算法的訓(xùn)練過程是一個樣本權(quán)重的迭代更新過程。在Adaboost算法中每個 樣本的權(quán)重值表示該樣本被錯分次數(shù)的多少,在每一輪權(quán)重更新的過程中，被錯分樣本的權(quán)重 會變大，在下一輪循環(huán)中算法就會更加關(guān)注上一輪被分錯的樣本。如果一個樣本被錯分了很 多次,那么這個樣本的權(quán)重就會越來越大，我們就

46、稱這樣的樣本為困難樣本0通過這樣的 方式Adaboost算法能夠聚集于那些困難(更富有信息)的樣本上。下面按照集成學(xué)習(xí)算 法的兩個關(guān)鍵問題介紹Adaboost算法,首先是Adaboost算法應(yīng)用于人臉檢測的弱分類器 Hlike特征然后介紹Adaboost的集成方法，即由Haar like特征組成的弱分類器生成強(qiáng)分類器，最終獲得級聯(lián)分類器的方法。33基于Adaboost算法的人臉檢測軟件實現(xiàn)Adaboost分類器實現(xiàn)主要分兩部分:Haar like特征的選擇過程即樣本訓(xùn)練過程;檢 測過程，即利用得到的Haar - like特征進(jìn)行人臉檢測。下面分別給出樣本訓(xùn)練過程及檢測 過程的軟件邏輯實現(xiàn)。33

47、1.樣本訓(xùn)|練過程樣本訓(xùn)練過程的主要目的是從過完全的弱特征中獲取分類能力較好的少呈弱特征，進(jìn)而 生成強(qiáng)分類器和級聯(lián)分類器。下面詳細(xì)介紹樣本訓(xùn)練過程。在樣本訓(xùn)練過程中，首先需要解 決的就是人臉樣本庫的選擇及預(yù)處理。人臉庫的選擇人臉庫圖片預(yù)處理積分圖生成Haar-like特征值生成強(qiáng)分類器生成級聯(lián)分類器生成采用CBCL人臉庫均方韭均衡化，尺寸歸一生成5000個正反樣本 一 的疋為積分陽數(shù)抓和用積分圖數(shù)據(jù)生成 亠69120個特征值的數(shù)據(jù)獲徇分類性能較好的弱分類器驗證前期工作的正確性和Adaboost算法的可行性械少人腔檢測時間圖2-6級聯(lián)分類器訓(xùn)練過程33.2人臉檢測程序人臉檢測程序主要是利用基于A

48、daboost學(xué)習(xí)算法訓(xùn)練得到的人臉級聯(lián)分類器,進(jìn)行實 際的人臉檢測。人臉檢測程序流程包括圖像預(yù)處理、積分圖生成、持征值計算、級聯(lián)分類器 判斷等步驟。F面給出級聯(lián)分類器人臉檢測程序的流程圖，以及程序關(guān)鍵代碼。比制系數(shù)雯大3-4人眼檢測與人眼狀態(tài)分析算法3.4.1基于Adaboost的人眼檢測算法人眼訓(xùn)練過程需要人眼庫，因為沒有現(xiàn)成的人眼庫，所以只能自己收集人眼樣本，建立人 眼庫。人眼樣本，主要裁剪自人臉庫樣本以及一些互聯(lián)網(wǎng)下載人臉圖片中。樣本被統(tǒng)一縮放到20x12像素,樣本庫共包括1000個人眼樣本和1500個非人眼樣本3.4.2人眼級聯(lián)分類器效果分析利用人眼檢測程序逬行了大量圖片檢測，發(fā)現(xiàn)人

49、眼檢測正確率非常贏只要能夠正確走位 人臉,人眼檢測幾乎可以達(dá)到100%。經(jīng)過分析,可以發(fā)現(xiàn)這是由人眼特征決走的。首先，人眼 特征簡單、變化小不像人臉特征多、變化大。其次人眼搜索區(qū)域小，人眼的搜索區(qū)域為先前 走位的人臉區(qū)域，而人臉?biāo)阉鲄^(qū)域為整幅圖像。特征簡單、搜索區(qū)域小導(dǎo)致人眼檢測正確率 高,基本不會出現(xiàn)漏檢和誤檢。3.4.3人眼狀態(tài)分析算法人眼狀態(tài)分析是疲勞狀態(tài)識別最關(guān)鍵的步驟,也是一個主觀的走義過程。人眼狀態(tài)分析 算法可以分為基于統(tǒng)計和基于知識建模兩種方法。因為人眼開閉狀態(tài)連續(xù),狀態(tài)確定主觀，而 基于統(tǒng)計的人眼狀態(tài)分析方法（模板匹配Fisher法等）固有的離散特點，使得基于統(tǒng)計的方法 樣本選

50、擇難度大，使用靈活性很差,因此本系統(tǒng)優(yōu)先考慮基于知識建模的方法，該方:去最大的 特點就是模型參數(shù)可調(diào)，所以可以通過調(diào)節(jié)參數(shù)盡臺達(dá)到PERCLOS的P80模型的要求。最 常見的兩種基于知識建模的人眼狀態(tài)分析基本方法是:Hough找圓法和灰度投影法。1. Hough找圓法Hough變換是圖像處理中從圖像中識別幾何形狀的基本方法之一。Hough變換的基 本原理在于利用點與線的對偶性將原始圖像空間給走的曲線通過曲線表達(dá)形式變?yōu)閰?shù)空 間的一個點。這樣就把原始圖像中給走曲線的檢測問題轉(zhuǎn)化為尋找參數(shù)空間中的峰值問題。簡而言之,Hough變換思想為:比如檢測圖像中的一條直線,在原始坐標(biāo)系下的一個點對 應(yīng)了參

51、數(shù)坐標(biāo)系中的一條直線，同樣參數(shù)坐標(biāo)系的一條直線對應(yīng)了原始坐標(biāo)系下的一個點。 原始坐標(biāo)系下呈現(xiàn)直線的所有點,它們的斜率和截距是相同的，所以它們在參數(shù)坐標(biāo)系下對應(yīng) 于同一個點。這樣在將原始坐標(biāo)系下的各個點投影到參數(shù)坐標(biāo)系下之后，看參數(shù)坐標(biāo)系下有 沒有聚集點，這樣的聚集點就對應(yīng)了原始坐標(biāo)系下的直線。2. 灰度投影法灰度投影法基本原理:若人眼睜開，黑色瞳孔未被眼臉遮蓋,則其垂直灰度投影在瞳孔位 置形成一個波峰。若人眼閉合,黑色瞳孑腋眼瞼遮蓋，則其垂直灰度投影基本呈水平直線。對眼睛部位逬行垂直灰度投影，得到其灰度投影圖，然后判斷投影圖是否具有明顯的波峰, 就可以判走眼睛狀態(tài)?；叶韧队胺ㄍ瑯用媾RHough

52、找圓法同樣的問題,需要圖像的質(zhì)量較高 和準(zhǔn)確的人眼走位否則就不能獲得明顯的波峰，甚至可能出現(xiàn)兩個較小波峰的情況,導(dǎo)致灰 度均值較大等異常情況,導(dǎo)致狀態(tài)分析錯誤。其次灰度投影法需要較復(fù)雜的前處理步驟,以消除噪聲，才能得到很好的灰康投影圖（即 明顯的單波峰，或小均值呈直線形式）。3. 區(qū)域灰度特征比較法鑒于上述Hough找圓法、灰度投影法兩種基于知識建模方法固有的過分依賴其假 設(shè)條件，需要精確幾何模型、魯棒性較差的缺點，我們提出了一種區(qū)域灰度比較法,即使得眼睛 狀態(tài)分析具有基于知識建模方法的連續(xù)性、參數(shù)可調(diào)性，而且不需要精確的幾何模型,同時也 使得狀態(tài)分析具有不錯的魯棒性。4 基于貝葉斯網(wǎng)絡(luò)的駕駛

53、疲勞程度識別模型4.1基于貝葉斯網(wǎng)絡(luò)模型的駕駛疲勞程度識別駕駛疲勞作為一個不可直接觀測的硏究對象，其影響因素非常多且難以定星，各類度臺 指標(biāo)對駕駛疲勞的界走又沒有統(tǒng)一的標(biāo)準(zhǔn)。因此，判斷駕駛疲勞程度是一個非常復(fù)雜的系統(tǒng) 問題。與酒后駕駛的檢測指標(biāo)不同，所有用來檢測駕駛疲勞的指標(biāo)在獲取過程中均會受到不 同程度的干擾。目前，還沒有一種方法能夠?qū)︸{駛疲勞程度進(jìn)行準(zhǔn)確無誤的檢測。因此，使 用概率論的方法對駕駛疲勞程度進(jìn)行識別具有一走的合理性。貝葉斯網(wǎng)絡(luò)模型的基本思想是：在信息不完備的情況下,通過可觀察隨機(jī)變臺（證據(jù)變 呈）推斷不可觀察隨機(jī)變呈（隱含變呈）進(jìn)行概率推理。利用貝葉斯網(wǎng)絡(luò)求解駕駛疲勞程度識別的

54、問題可以表述為：在已知疲勞度量指標(biāo)測走結(jié)果的情況下，利用貝葉斯網(wǎng)絡(luò)方法求解在 走影響因素條件下,疲勞狀態(tài)處于各種程度（清醒、輕度疲勞、重度疲勞）時的概率。駕駛疲勞貝葉斯網(wǎng)絡(luò)的構(gòu)建包括兩個主要容：1）確走網(wǎng)絡(luò)節(jié)點；2）計算節(jié)點間的先驗概 率。其中,網(wǎng)絡(luò)節(jié)點的選擇取決于疲勞的各種特征及影響因素,而節(jié)點先驗概率的確走則依 賴于某個特征或因素對判斷疲勞程度的可能性。4.2駕駛疲勞程度識別模型4.2.1駕駛疲勞貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)駕駛疲勞作為系統(tǒng)的核心，其復(fù)雜的影響因素即該系統(tǒng)的輸入，在生理、眼動及駕駛績 效等方面表現(xiàn)出來的特征即該系統(tǒng)的輸出。將駕駛疲勞的影響因素分為三類:駕駛壞境屬性、駕駛?cè)藗€體屬性以及原始

55、疲勞屬性。各類影響因素的具體度量指標(biāo)見圖lo其中，溫度、天氣等變呈是駕駛壞境變呈的父節(jié)點,相應(yīng)的駕駛環(huán)境變呈是溫度、天氣等變呈的子節(jié)點,以此類推。a駕駛環(huán)境屬性b駕駛?cè)藗€休展性c原始疲勞屬性圖1駕駛疲勞影響因素4.2.2貝葉斯網(wǎng)絡(luò)條件探率表的確定在建立的駕駛疲勞貝葉斯網(wǎng)絡(luò)模型中，條件概率分為兩類：一類是輸入層變臺與隱含層 變星之間的條件概率,另一類是隱含層變量與輸出層變呈之間的條件概率。4.2.3駕駛獗勞程度貝葉斯網(wǎng)絡(luò)識別模型輸入層變臺和輸出層變呈統(tǒng)稱為貝葉斯網(wǎng)絡(luò)中的證據(jù)變臺。利用貝葉斯網(wǎng)絡(luò)建立駕駛疲 勞程度識別模型的原理是在已知網(wǎng)絡(luò)中各節(jié)點先驗概率的前提下，結(jié)合證據(jù)變星的取值，根 據(jù)貝葉斯公

56、式計算不同駕駛疲勞程度的后驗概率。4.3模型有效性驗證采用模擬駕駛的方法逬行實驗設(shè)計。實驗設(shè)備包括模擬駕駛仿真實驗平臺一AS1300卡 車駕駛模擬系統(tǒng)、多通道生物生理記錄儀、攝像機(jī)等。同時采用斯坦福嗜睡呈表(Stanford SI eepi ness Scale, SSS)對駕駛?cè)说闹饔^疲勞狀況進(jìn)行問卷調(diào)查,以了解駕駛過程中駕駛?cè)藢?疲勞的主觀感受。5基于FPGA的疲勞駕駛檢測系統(tǒng)設(shè)計5-1疲勞駕駛檢測系統(tǒng)總體設(shè)計方案511系統(tǒng)紅外光源原理主動紅外光源理論的容:人眼視網(wǎng)膜對不同波長紅外光的反射率不同,對850nm波長紅 外光的反射率是90%,對940nm紅外光的反射率是40%,紅外波長在880

57、 80nm圍之時, 人臉的其他部分對于紅外光的反射程度基本一致。這樣通過控制這兩組LED燈的閃爍頻率 得到亮瞳孑LKI暗瞳孔圖像，將這兩幅圖像經(jīng)過差分獲得瞳孔明顯的幾乎沒有背景干擾的以人 臉為主體的差分圖像，大大簡化了整體算法的復(fù)雜度。如圖2.1所示:獲得了差分圖像后,對其在水平和垂直方向上進(jìn)行投影，通過確走人臉的上、下.左、右邊界來走位出人臉區(qū)域。依據(jù)人眼和人臉的固定幾何關(guān)系來走位出人眼的大 致區(qū)域，接著在此區(qū)域利用復(fù)雜度算法檢測到瞳孔。人眼睛睜開時瞳孔面積大,當(dāng)人閉眼時， 瞳孔面積隨閉眼程度變化，當(dāng)完全閉眼時瞳孔面積為0,所以通過統(tǒng)計瞳孔面積可以判斷當(dāng)前 采集到圖像中駕駛員是睜眼還是閉眼。最后通過統(tǒng)計一段時間閉眼幀數(shù)占總幀數(shù)的比例得到 眨眼頻率進(jìn)行駕駛員是否疲勞的判斷。P80疲勞算法走義了閉眼的標(biāo)準(zhǔn)