詹紅梅

（廈門瑞為信息技術有限公司，福建廈門，361004）

基于復雜駕駛環(huán)境下面部特征識別技術的防疲勞駕駛系統(tǒng)

詹紅梅

（廈門瑞為信息技術有限公司，福建廈門，361004）

本課題闡述基于面部特征識別技術的防疲勞駕駛系統(tǒng)研究、開發(fā)。通過后臺管理系統(tǒng)進行大數(shù)據(jù)分析，研究駕駛員疲勞規(guī)律、預測駕駛員可能出現(xiàn)的疲勞，方便管理人員有針對性的重點關注“常疲勞”的駕駛員，實現(xiàn)精細化管理，盡早預防、盡量避免疲勞駕駛，為行車安全把好關。

基于面部特征識別；防疲勞駕駛；智能化；大數(shù)據(jù)分析；精細化管理

1　國內外概況及發(fā)展趨勢

關于駕駛人疲勞及注意分散等安全狀態(tài)的監(jiān)測預警技術，由于它在交通事故預防方面的發(fā)展前景而受到各國高度的重視，研究人員根據(jù)駕駛人疲勞時在生理和操作上的特征進行了多方面的研究，一些研究成果已形成產品并開始進入市場。

駕駛人疲勞狀態(tài)的檢測方法可大致分為基于駕駛人生理信號、基于駕駛人操作行為、基于車輛狀態(tài)信息的檢測方法。

1.1基于駕駛人生理信號的檢測方法。針對疲勞的研究最早始于生理學。相關研究表明，駕駛人在疲勞狀態(tài)下的生理指標會偏離正常狀態(tài)的指標。因此可以通過駕駛員的生理指標來判斷駕駛人是否進入疲勞狀態(tài)。目前較為成熟的檢測方法包括對駕駛人的腦電信號EEG、心電信號ECG等的測量。

1.2基于駕駛人操作行為的檢測方法?；隈{駛人操作行為的駕駛人疲勞狀態(tài)識別技術，是指通過駕駛人的操作行為如方向盤操作等操作推斷駕駛人疲勞狀態(tài)。

目前利用駕駛人操作行為進行疲勞識別的深入研究成果較少且誤報率較高。駕駛人的操作除了與疲勞狀態(tài)有關外，還受到個人習慣、行駛速度、道路環(huán)境、操作技能的影響，車輛的行駛狀態(tài)也與車輛特性、道路等很多環(huán)境因素有關，因此如何提高駕駛人狀態(tài)的推測精度是此類間接測量技術的關鍵問題。

1.3基于車輛行駛軌跡的檢測方法。利用車輛行駛軌跡變化和車道線偏離等車輛行駛信息也可推測駕駛人的疲勞狀態(tài)。這項技術在當今的汽車中最為常見，它是通過前置的攝像頭檢測路上的行車線，以判斷汽車是否偏離車道。當駕駛員精力不集中或打盹時，車輛偏離車道的話，系統(tǒng)會以聲音或者震動的方式提醒駕駛員。為獲得更加準確的分析識別結果，深入研究并開發(fā)基于復雜駕駛環(huán)境下的駕駛員生理反應特征的檢測方法尤為重要?；隈{駛人的生理反應特征的檢測方法是指利用駕駛人的眼動特性、頭部運動特性等推斷駕駛人的疲勞狀態(tài)。

利用面部識別技術定位眼睛、鼻尖和嘴角位置，將眼睛、鼻尖和嘴角位置結合起來，再根據(jù)對眼球的追蹤可以獲得駕駛人注意力方向，并判斷駕駛人的注意力是否分散。

基于駕駛人生理反應特征的檢測方法一般采用非接觸式測量，對疲勞狀態(tài)的識別精度和實用性上都較好。該技術的成功研究，對于預防由疲勞駕駛引發(fā)的交通事故是非常必要的。

2　主要研究內容

防疲勞駕駛系統(tǒng)中最主要的兩個功能是駕駛員疲勞駕駛預警及駕駛員身份驗證。由于在實際駕駛環(huán)境中，車輛快速移動，車輛周邊的環(huán)境快速變化，駕駛室內的光照也隨之快速改變，造成駕駛員面部光照不均勻。完成本系統(tǒng)除了要克服傳統(tǒng)的模式識別難題外，復雜的環(huán)境因素增加了系統(tǒng)的實現(xiàn)難度。以下是系統(tǒng)的主要研究內容：

2.1駕駛環(huán)境下的人臉定位算法

2.1.1復雜條件下的人臉定位算法研究。人臉定位是對輸入的圖像或者視頻進行分析，判斷其中中是否存在人臉，并確定其位置與大小。人臉定位是人臉識別系統(tǒng)中完成的首要任務，定位效果好壞將直接影響后續(xù)的特征點定位效果，因此對后續(xù)眼睛定位和人臉識別也將產生很大影響。本項目研究和解決實際駕駛環(huán)境下的人臉定位系統(tǒng)存在的難題：（1）人臉是非剛性的，有相貌、臉型、表情、膚色等方面的變化；（2）人臉上經常會存在一些不同的遮擋，例如像眼鏡、頭發(fā)和頭飾等物體；（3）姿態(tài)變化，如俯仰、旋轉角度等；（4）外界環(huán)境的光照變化、采集設備間的差異等方面的原因。

2.2嵌入式開發(fā)環(huán)境下的人臉定位算法優(yōu)化研究

本研究主要解決多姿態(tài)人臉定位問題，并將提高檢測精度做為本研究的主要任務。由于檢測精度高的算法運算復雜度過高，無法達到嵌入式系統(tǒng)實時性的要求，而檢測速度快的算法精度又不好。經過近十多年的研究，涌現(xiàn)了許多的檢測方法，例如使用輪廓、膚色、深度、運動等方法來加速檢索的過程及提高檢測精度，神經網(wǎng)絡與統(tǒng)計學習的方法在其中的應用也提高了檢測精度。為了滿足車載環(huán)境對系統(tǒng)穩(wěn)定性的要求，本系統(tǒng)采用基于ARM核心的CPU作為硬件平臺，但是與常見的X86平臺相比，ARM處理器的運算資源相對比較少。因此，人臉定位算法在ARM處理器上的性能優(yōu)化成為系統(tǒng)成敗的關鍵。目前學術界主要使用Adaboost算法處理人臉定位的分類問題，Adaboost算法不需要構造復雜的特征描述方法，只需要級聯(lián)多個運算簡單的弱分類器，構成一個強分類器，就可以獲得比較好的分類效果。 本研究提出一種基于Adaboost和C5.0決策樹相結合的算法。和傳統(tǒng)的Adaboost算法比較，該算法具有層級少，分類速度快，精度高的特點。另外，本系統(tǒng)還需要針對ARM處理器進行平臺相關的性能優(yōu)化，ARM平臺的優(yōu)化主要包括：（1）緩存命中及存儲空間相關的優(yōu)化；（2）將通用指令集轉換為多媒體指令集相關的優(yōu)化；（3）提升CPU流水線飽和度相關的優(yōu)化；

2.3駕駛環(huán)境下的眼睛定位算法

2.3.1駕駛環(huán)境下的眼睛圖像采集系統(tǒng)研究。在駕駛環(huán)境中，人眼的圖像信息受到多方面因素的影響，其中包括汽車行駛過程中受到不同方向光照的影響、駕駛員佩戴眼鏡及墨鏡對眼睛遮擋的影響、駕駛員不同姿態(tài)、表情的影響等。因此，為了保證人眼定位具有足夠的精度，必須為防疲勞駕駛系統(tǒng)制定專門的圖像采集系統(tǒng)。

為了滿足運營防疲勞駕駛系統(tǒng)全天候的使用要求，本系統(tǒng)計劃在圖像采集系統(tǒng)加入了主動光源進行照明，主動光源類型選擇940nm近紅外LED燈，LED光源具有功耗低、效率高、體積小、穩(wěn)定時間長等特點，同時，對于波長大于780nm的光照，人眼的敏感度非常低，因此，使用近紅外LED燈進行補光可以避免對駕駛員造成干擾。在機器視覺中，通過濾光片可以對不同波長的光線進行篩選。本系統(tǒng)采用中心波長為940nm、半高寬為30nm的近紅外帶通濾光片，與主動LED光源配合使用，在實際駕駛環(huán)境中可以排除其他波長的光照干擾，增強主動光源的作用，提高圖像質量的穩(wěn)定性。同時，在戴墨鏡的情況下，由于近紅外波段的光線可以穿透墨鏡，濾光片濾除墨鏡上可見光的反射光線，因此，鏡頭可以對戴墨鏡情況下的眼睛進行成像，排除戴墨鏡無法檢測的情況。

2.3.2基于自適應形狀模型的人眼定位算法研究。由于系統(tǒng)根據(jù)一段時間內眼睛閉合的情況來判斷司機駕駛疲勞，所以精確的定位人眼是非常關鍵的一步。在駕駛環(huán)境下，周邊光線變化比較復雜，駕駛員的姿態(tài)也在不停的進行調整，傳統(tǒng)的人眼定位方法都存在不同程度的缺陷，誤驗率較高。經過前期實驗和可行性分析，本系統(tǒng)提出了一種基于自適應形狀模型的人臉定位算法。本算法以數(shù)據(jù)為驅動，主要依賴于訓練樣本建立的人臉外觀特征模型和特征點之間的幾何約束關系，因此，訓練樣本數(shù)量越大，樣本表現(xiàn)出的眼睛部位的變化就越多，人眼定位的準確性就越高。

3　防疲勞駕駛系統(tǒng)產品

經過筆者公司團隊一年多的研究、開發(fā)，基于復雜環(huán)境下面部特征識別技術的防疲勞駕駛系統(tǒng)已產品化，目前在廈門公交集團BRT車、公交車、客運車、貨運車小量測試，對于復雜道路環(huán)境、氣候變化、光線變化，疲勞預警誤報、漏報很少。

［1］ 楊述斌，金璐，章振保.疲勞駕駛檢測中的快速人眼定位方法［J］.武漢理工大學學報，2013，35（6）

［2］ 耿磊.基于 DSP 的疲勞檢測算法及應用優(yōu)化研究［D］.濟南：山東大學，2006.

［3］ 袁健.基于面部特征的駕駛員疲勞檢測［D］.杭州：浙江工業(yè)大學，2008.

Anti fatigue driving system based on the technique of feature recognition under complex driving environment

Zhan Hongmei
（Xiamen Rui for Information Technology Co.， Ltd.， Xiamen Fujian， 361004）

This paper describes characteristic recognition technology based on the face of anti-fatigue driving system research and development.Large data through background management system analysis，research pilot fatigue rules，predict driver fatigue may occur，to facilitate the management of targeted focus "often fatigue，"the driver，to achieve fine management，early prevention to avoid fatigue driving，driving safety for the good pass.

facial feature recognition；anti fatigue driving；intelligent；large data analysis；fine management