毛須偉，景文博，王曉曼，劉學(xué)，張姍姍，張茂楨

（1.長(zhǎng)春理工大學(xué)　電子信息工程學(xué)院，長(zhǎng)春　130022；2.長(zhǎng)春理工大學(xué)　光電工程學(xué)院，長(zhǎng)春　130022）

?

一種基于眼部狀態(tài)的疲勞駕駛檢測(cè)方法

毛須偉1，景文博2，王曉曼1，劉學(xué)1，張姍姍1，張茂楨1

（1.長(zhǎng)春理工大學(xué)電子信息工程學(xué)院，長(zhǎng)春130022；2.長(zhǎng)春理工大學(xué)光電工程學(xué)院，長(zhǎng)春130022）

摘要：針對(duì)傳統(tǒng)的疲勞駕駛檢測(cè)準(zhǔn)確率低和實(shí)時(shí)性差的問題，提出了一種基于眼部狀態(tài)的疲勞駕駛檢測(cè)方法。利用CCD相機(jī)實(shí)時(shí)獲取駕駛員的臉部圖像，采用直方圖均衡化增強(qiáng)圖像的對(duì)比度；通過(guò)改進(jìn)的cascade（Hear分類器）的人臉檢測(cè)算法檢測(cè)出臉部區(qū)域；利用OTSU閾值分割和形態(tài)學(xué)運(yùn)算提取人眼區(qū)域，根據(jù)人眼的寬高比判定眼睛的閉合程度；依據(jù)PERCLOS-P80原理和眨眼頻率判斷駕駛員的疲勞狀態(tài)。實(shí)驗(yàn)結(jié)果表明：改進(jìn)的人臉檢測(cè)算法對(duì)每幀圖像的檢測(cè)時(shí)間約為45ms，在人臉檢測(cè)速度上提高了2.3倍，為整個(gè)疲勞駕駛檢測(cè)節(jié)省了大量的時(shí)間。研究疲勞駕駛檢測(cè)方法檢測(cè)一幀圖像的時(shí)間約為65ms，而且在不同的光照強(qiáng)度下的檢測(cè)均有較高的準(zhǔn)確率，滿足疲勞駕駛檢測(cè)對(duì)準(zhǔn)確性和實(shí)時(shí)性的要求。

關(guān)鍵詞：疲勞駕駛；人臉檢測(cè)；人眼檢測(cè)；PERCLOS-P80

隨著世界經(jīng)濟(jì)的快速發(fā)展，汽車的數(shù)量越來(lái)越多，由駕駛員疲勞駕駛造成的交通事故也越來(lái)越多，為了預(yù)防交通事故的發(fā)生，研究一種能有效檢測(cè)駕駛員疲勞并及時(shí)給出報(bào)警的方法有著重要的現(xiàn)實(shí)意義。

近年來(lái)，對(duì)于疲勞駕駛檢測(cè)技術(shù)國(guó)內(nèi)外取得了大量的研究成果。主要方法分為以下幾類：彭軍強(qiáng)通過(guò)檢測(cè)駕駛員的腦電信號(hào)和肌電信號(hào)等生理特征判定駕駛員的疲勞狀態(tài)［1］，但該方法需在駕駛員的身上安裝相應(yīng)的設(shè)備，影響正常駕駛；Jin L S提出通過(guò)檢測(cè)方向盤的狀態(tài)來(lái)判定駕駛員的疲勞程度［2］，但是該方法沒有確定的的判斷標(biāo)準(zhǔn)，易出現(xiàn)誤判或是漏判的情況；Lenskiy基于顏色和紋理特征實(shí)現(xiàn)了駕駛員眼部的準(zhǔn)確定位和分割［3］，但這種方法檢測(cè)速度慢，難以保證實(shí)時(shí)性；成波利用多重回歸對(duì)PERCLOS、平均睜眼程度以及最長(zhǎng)閉合時(shí)間3個(gè)指標(biāo)進(jìn)行融合實(shí)現(xiàn)了對(duì)疲勞狀態(tài)的檢測(cè)［4］，但該方法檢測(cè)的準(zhǔn)確率低且實(shí)時(shí)性差。

針對(duì)上述方法存在的問題，提出一種基于眼部狀態(tài)的疲勞駕駛檢測(cè)方法。通過(guò)CCD相機(jī)實(shí)時(shí)獲取駕駛員的臉部圖像，對(duì)圖像進(jìn)行直方圖均衡化預(yù)處理，增強(qiáng)圖像的對(duì)比度；該方法通過(guò)逐步縮小檢測(cè)區(qū)域進(jìn)行疲勞檢測(cè)。首先，利用改進(jìn)的cascade （Hear分類器）的人臉檢測(cè)算法檢測(cè)出臉部區(qū)域；然后在臉部區(qū)域的上半部分進(jìn)行人眼檢測(cè)，并計(jì)算眼睛的寬高比，利用眼睛的寬高比衡量眼睛的閉合程度；最后依據(jù)PERCLOS原理和眨眼頻率進(jìn)行疲勞判定。該方法能夠快速并準(zhǔn)確地檢測(cè)出駕駛員是否處于疲勞狀態(tài)，適用于對(duì)駕駛員疲勞程度的實(shí)時(shí)性檢測(cè)。

1　系統(tǒng)檢測(cè)原理

眼睛的閉合程度和眨眼頻率能直接反映一個(gè)人的疲勞程度，通過(guò)獲取駕駛員的眼部狀態(tài)判斷駕駛員是否疲勞駕駛。疲勞駕駛檢測(cè)系統(tǒng)由CCD相機(jī)、圖像處理單元和報(bào)警單元組成。如圖1所示，將CCD相機(jī)置于車內(nèi)的儀表盤附近，實(shí)時(shí)監(jiān)測(cè)駕駛員的眼部狀態(tài)，在圖像處理單元對(duì)圖像進(jìn)行實(shí)時(shí)處理和檢測(cè)，如果檢測(cè)到駕駛員處于疲勞駕駛狀態(tài)，則報(bào)警單元給予警示，避免因疲勞駕駛導(dǎo)致交通事故的發(fā)生。

圖1　疲勞駕駛檢測(cè)系統(tǒng)結(jié)構(gòu)圖

2　人臉檢測(cè)和人眼檢測(cè)

2.1直方圖均衡化處理

由于受到光照等天氣狀況的影響，導(dǎo)致采集到的駕駛員的圖像對(duì)比度差，影響圖像的閾值分割效果，使得人臉檢測(cè)和人眼檢測(cè)不準(zhǔn)確，為后續(xù)駕駛員的疲勞檢測(cè)帶來(lái)不便。因此，需要合理的圖像增強(qiáng)算法對(duì)駕駛員圖像進(jìn)行預(yù)處理。

直方圖均衡化是圖像增強(qiáng)中比較常用方法，與其它方法相比，該方法簡(jiǎn)單、執(zhí)行速度快并且能有效的增強(qiáng)圖像中目標(biāo)與背景的對(duì)比度，采用直方圖均衡化對(duì)采集到的駕駛員圖像進(jìn)行預(yù)處理。假定圖像中的總像素為N，灰度級(jí)總數(shù)為L(zhǎng)個(gè)，第k個(gè)灰度級(jí)的值為rk，圖像中具有灰度級(jí)rk的像素?cái)?shù)目為nk，則該圖像中灰度級(jí)rk的像素出現(xiàn)的概率為：

對(duì)其進(jìn)行均衡化處理的變換函數(shù)為：

圖2所示為根據(jù)直方圖均衡化的原理對(duì)獲取的圖像進(jìn)行預(yù)處理的結(jié)果。

圖2　直方圖均衡化

2.2人臉檢測(cè)

為了快速并精確的檢測(cè)人眼，首先需進(jìn)行人臉檢測(cè)，采用基于cascade（Hear分類器）的人臉檢測(cè)算法［5］，在圖像分辨率為768×576的情況下，檢測(cè)一幀圖像所用的時(shí)間為150ms，對(duì)人臉進(jìn)行實(shí)時(shí)檢測(cè)的幀頻小于7幀/s，不能滿足檢測(cè)的實(shí)時(shí)性，同時(shí)影響后續(xù)的疲勞判斷的準(zhǔn)確性，為了減少檢測(cè)過(guò)程中所花費(fèi)的時(shí)間，對(duì)上述算法進(jìn)行改進(jìn)和優(yōu)化，以減少對(duì)檢測(cè)臉部的計(jì)算復(fù)雜度。

在cascade（Hear分類器）人臉檢測(cè)算法中，有兩個(gè)參數(shù)將極大地影響計(jì)算時(shí)間，一個(gè)是感興趣區(qū)域（表示為FACE_ROI），另一個(gè)是最小搜索窗口（表示為MIN_WND）。在進(jìn)行第一幀檢測(cè)時(shí)，設(shè)置MIN_WND為一個(gè)較小的區(qū)域，使FACE_ROI覆蓋整個(gè)圖像，對(duì)人臉進(jìn)行檢測(cè)并用矩形框標(biāo)示出臉部區(qū)域。在正常駕駛的過(guò)程中，駕駛員的面部不會(huì)發(fā)生迅速的移動(dòng)，實(shí)時(shí)獲取的圖像也不會(huì)發(fā)生急劇的變化，因此，在后續(xù)的人臉檢測(cè)過(guò)程中，可將上一幀檢測(cè)到臉部區(qū)域按照一定比例分別進(jìn)行擴(kuò)展和縮小，并將擴(kuò)展后的臉部區(qū)域作為本次檢測(cè)的FACE_ROI，將縮小后的臉部區(qū)域作為本次檢測(cè)的MIN_WND，經(jīng)過(guò)反復(fù)試驗(yàn)得出：綜合考慮到檢測(cè)的精度和速度，通常將擴(kuò)展倍率設(shè)置為5/4，縮小的倍率設(shè)置為4/5，如果沒有檢測(cè)到臉部，對(duì)FACE_ROI進(jìn)行進(jìn)一步的擴(kuò)展，并對(duì)MIN_WND再次縮小直至臉部被檢測(cè)到或是區(qū)域擴(kuò)展和縮小達(dá)到邊界為止。利用該方法對(duì)人臉進(jìn)行檢測(cè)的流程如圖所示，經(jīng)過(guò)試驗(yàn)得到：該方法檢測(cè)一幀圖像所用時(shí)間為45ms，極大提高了臉部檢測(cè)速度。

圖3　人臉檢測(cè)流程

如圖4所示為使用改進(jìn)后的算法在不同光照強(qiáng)度下的人臉檢測(cè)的結(jié)果，圖4中的（b）為在正常光照下的人臉檢測(cè)結(jié)果，（a）為在強(qiáng)光下的人臉檢測(cè)結(jié)果，（c）為在弱光下的檢測(cè)結(jié)果。

圖4　不同光照條件下的人臉檢測(cè)結(jié)果對(duì)比

2.3眼部特征提取

在進(jìn)行人眼檢測(cè)過(guò)程中，可縮小檢測(cè)區(qū)域，在已檢測(cè)出的人臉區(qū)域的上半部分進(jìn)行人眼檢測(cè)。首先采用最大類間方差（OTSU閾值法）對(duì)圖像進(jìn)行分割，分離出頭發(fā)、眉毛和眼睛等特征區(qū)域。

設(shè)圖像的灰度值為0～m-1級(jí)，用T將其分成兩組C0=｛0～T-1｝和C1=｛T～m-1｝，C0產(chǎn)生的概率為ω0，C1產(chǎn)生的概率為ω1，C0的像素平均值為μ0，C1的像素平均值為μ1。

全部采樣的灰度平均值為：

兩組間的方差用下式求出：

從1～m -1之間改變T，求上式為最大值時(shí)的T，即求max δ2（T）時(shí)的T?值，此時(shí)，T?便是閾值。

按照上述原理將人臉的上半部分進(jìn)行OTSU閾值分割后，頭發(fā)、眉毛、眼睛等被分割出來(lái)，如圖5所示為分割效果。

圖5　圖像OTSU閾值分割

形態(tài)學(xué)中的開運(yùn)算能去掉邊緣的毛刺突起，去除點(diǎn)和細(xì)線的干擾。因此對(duì)分割后的圖像做形態(tài)學(xué)開運(yùn)算處理，使已分離的各部分特征更加清晰，處理后的圖像如圖6所示。

圖6　圖像的形態(tài)學(xué)運(yùn)算處理

通過(guò)上圖可知：經(jīng)過(guò)形態(tài)學(xué)運(yùn)算處理后的人眼和眉毛等區(qū)域邊界更加平滑，皮膚紋理、眉毛等毛刺突起基本消除，人眼圖像的形態(tài)學(xué)處理更有利于人眼狀態(tài)的檢測(cè)。

2.4眼睛閉合程度判斷

眼睛的閉合程度主要是通過(guò)眼睛的高度［6］或?qū)捀弑葋?lái)衡量的。但由于人眼的大小不盡相同，同時(shí)圖像的分辨率和像素大小等因素也會(huì)影響到眼睛高度的判定，因此通過(guò)人眼的高度判定駕駛員的疲勞狀態(tài)在嚴(yán)重干擾情況下誤差較大，存在一定的局限性。經(jīng)過(guò)大量的實(shí)驗(yàn)統(tǒng)計(jì)得知：當(dāng)人眼完全睜開或閉合時(shí)眼睛的寬高比穩(wěn)定在較小的范圍，且不易受到其他客觀因素的影響。采用積分投影法計(jì)算人眼的寬度和高度，根據(jù)人眼的寬高比判定眼睛的閉合程度。

積分投影是自動(dòng)定位特征時(shí)常用的一種技術(shù)。設(shè)G（x，y）表示圖像在（x，y）處的灰度值，在圖像［y1，y2］區(qū)域的水平積分投影表示為：

在圖像［x1，x2］區(qū)域的垂直積分投影表示為：

首先，對(duì)人臉上半部分的圖像作水平積分投影如圖7所示：

圖7　水平積分投影示意圖

由圖7可以看出：最下面的波谷對(duì)應(yīng)眼睛在垂直方向上的位置（即縱坐標(biāo)y），波谷的高度H即為眼睛的高度，上下兩個(gè)波谷之間的距離h為眉毛與眼睛之間的距離。為了避免水平積分投影時(shí)眉毛和頭發(fā)的影響［7］，將區(qū)域進(jìn)一步縮小，在人臉的上半部分區(qū)域取一個(gè)以y為中心，高度為h的條形區(qū)域，在該區(qū)域內(nèi)作垂直積分投影，投影曲線如圖8所示。

圖8　垂直積分投影示意圖

如圖8所示，由垂直積分投影曲線可以得到人眼的寬度W，計(jì)算人眼寬高比就可以判定人眼的閉合程度，人眼的閉合程度（The Closure Of Eye）可表示為：

由于不同駕駛員的眼睛形狀存在差異，在不同光照、天氣等情況下眼睛的狀態(tài)也不盡相同，直接采用TCOE判斷駕駛員的疲勞程度會(huì)增加判定的虛警率。假設(shè)駕駛員初始狀態(tài)是清醒的，此時(shí)眼睛的閉合程度為TCOEinit，將TCOE進(jìn)行修正：

根據(jù)修正后TCOE的閾值判定眼睛的閉合程度，有效的減少了眼睛形狀和外界條件的影響，提高了判定的準(zhǔn)確率。若人眼閉合80%時(shí)的TCOE的閾值用ThreshP80表示，則人眼的閉合狀態(tài)可根據(jù)下式判斷：

通過(guò)對(duì)大量人眼圖像的訓(xùn)練統(tǒng)計(jì)得知：當(dāng)人眼的閉合程度大于80%時(shí)，修正后TCOE的值大于4，故可將ThreshP80設(shè)定為4。

2.5眨眼頻率

眨眼頻率是指單位時(shí)間內(nèi)眨眼的次數(shù)。眨眼頻率能在一定程度上反映駕駛員疲勞程度。如果上一幀圖像人眼的TCOE≤ThreshP80，而當(dāng)前幀圖像人眼的TCOE≤ThreshP80，即視為一次眨眼過(guò)程；或者上一幀圖像人眼的TCOE≤ThreshP80，而當(dāng)前幀圖像人眼的TCOE≤ThreshP80，同樣也視為一次眨眼過(guò)程。

由于正常人每分鐘的眨眼次數(shù)在15～30次/分鐘，如果眨眼頻率小于15次/分鐘，則有可能是駕駛員在一段時(shí)間內(nèi)處于閉眼狀態(tài)，或者是在發(fā)呆、走神等等，也是疲勞的征兆；如果眨眼頻率大于30次/分鐘，則有可能是人眼在受到強(qiáng)光或風(fēng)吹的影響時(shí)，會(huì)出現(xiàn)快速眨眼的應(yīng)激反應(yīng)，不能判定為疲勞狀態(tài)。如圖9所示為眨眼頻率比值與疲勞關(guān)系。

圖9　眨眼頻率比值與疲勞關(guān)系

3　疲勞判定

PERCLOS（percentage of eyelid closure）為眼睛閉合程度超過(guò)某一閾值的時(shí)間占總時(shí)間的百分比。PERCLOS方法是當(dāng)前主流的駕駛員疲勞狀態(tài)判斷方法［8，9］。PERCLOS原理中的P80標(biāo)準(zhǔn)認(rèn)為眼睛閉合超過(guò)80%則認(rèn)為眼睛處于閉合狀態(tài)。PERCLOS-P80的測(cè)量原理［10］如圖10所示，圖11為眼睛睜開程度示意圖。

圖10　PERCLOS測(cè)量原理

圖11　眼睛睜開程度示意圖

如圖10所示，縱軸表示的是眼睛閉合的程度，橫軸表示時(shí)間，t1是眼睛從完全睜開到20%閉合所用時(shí)間，t2是眼睛從完全睜開到80%閉合所用時(shí)間，t3是眼睛從完全睜開到下一次80%閉合所用時(shí)間，t4是眼睛從完全睜開到下一次20%閉合所用時(shí)間。計(jì)算眼睛閉合時(shí)間所占百分比，即PERCLOS的值f：

若在某段時(shí)間采集的圖像幀數(shù)為N，其中眼睛閉合程度大于80%的幀數(shù)為K，則PERCLOS值f為：

依據(jù)PERCLOS-P80標(biāo)準(zhǔn)判別駕駛員的疲勞狀態(tài)，通過(guò)大量實(shí)驗(yàn)得出：當(dāng)駕駛員處于清醒狀態(tài)時(shí)，f值絕大多數(shù)大于0.18；當(dāng)駕駛員處于疲勞狀態(tài)時(shí)，f值絕大多數(shù)小于0.18，因此可將f=0.18定義為疲勞判定的閾值。人眼在受到強(qiáng)光或風(fēng)吹的影響時(shí)，會(huì)出現(xiàn)快速眨眼的應(yīng)激反應(yīng)。在這個(gè)過(guò)程中，f值很可能超過(guò)閾值，但這種異常情況并不是由駕駛員疲勞導(dǎo)致的，此時(shí)系統(tǒng)會(huì)出現(xiàn)誤判的情況，針對(duì)這種情況，引入眨眼頻率輔助PERCLOS-P80標(biāo)準(zhǔn)進(jìn)行疲勞程度判斷。

為了避免因人眼的應(yīng)激反應(yīng)導(dǎo)致的誤判，可首先計(jì)算眼睛的PERCLOS值，如果由PERCLOS值判定駕駛員處于疲勞狀態(tài)，此時(shí)對(duì)眨眼頻率進(jìn)行判定，若頻率大于30次/分鐘，則判定該情況為應(yīng)激反應(yīng)而非疲勞狀態(tài)；若頻率小于30次/分鐘則判定為疲勞狀態(tài)。

在眼睛定位出現(xiàn)錯(cuò)誤或跟蹤眼睛丟失時(shí)或攝像頭獲取圖像失敗，都會(huì)影響到對(duì)眼睛閉合程度和眨眼頻率的判定，最終導(dǎo)致對(duì)疲勞程度的判定出現(xiàn)偏差，由公式（11）可推導(dǎo)出判定誤差為：

其中ΔN為獲取圖像失敗造成的幀丟失數(shù)，ΔK為眼睛定位出現(xiàn)錯(cuò)誤或跟蹤眼睛丟失造成的眼睛檢測(cè)遺漏或錯(cuò)誤的幀數(shù)。由公式（12）可知，為了減小疲勞判定誤差，提高檢測(cè)的準(zhǔn)確率，應(yīng)選取性能好、幀頻高的相機(jī)；進(jìn)行疲勞判定時(shí)應(yīng)采集盡可能多的人臉圖像，并且提高眼部定位和疲勞判定算法的準(zhǔn)確性。

基于PERCLOSE-P80標(biāo)準(zhǔn)和眨眼頻率的疲勞判斷流程如圖12所示。

圖12　疲勞判斷流程

4　實(shí)驗(yàn)與結(jié)果分析

設(shè)計(jì)實(shí)驗(yàn)?zāi)M駕駛員開車的狀態(tài)，利用Mikrotron公司的EosensCL型相機(jī)獲取人臉視頻圖像并進(jìn)行疲勞程度的判斷，使用的相機(jī)分辨率為1280×1024，幀頻為500fps，該型號(hào)的相機(jī)具有圖像分辨率高、幀頻高的特點(diǎn)，采用該類型的相機(jī)采集人臉圖像減少了丟幀的可能性，提高了疲勞檢測(cè)的準(zhǔn)確率。為了減少疲勞判定過(guò)程中幀丟失帶來(lái)的誤差，依據(jù)公式（12）以及其理論分析，并綜合考慮實(shí)驗(yàn)設(shè)計(jì)的復(fù)雜度，實(shí)驗(yàn)過(guò)程中采集400幀圖像進(jìn)行統(tǒng)計(jì)分析，分別在強(qiáng)光、正常光照和弱光條件下進(jìn)行實(shí)驗(yàn)，并對(duì)每組圖像進(jìn)行檢測(cè)統(tǒng)計(jì)。

表1　不同光照條件下人臉檢測(cè)準(zhǔn)確率

對(duì)獲取的圖像進(jìn)行人臉檢測(cè)，實(shí)驗(yàn)中對(duì)采用基于cascade（Hear分類器）的人臉檢測(cè)算法和改進(jìn)算法的人臉檢測(cè)精度和速度進(jìn)行對(duì)比，表1為兩種算法在不同光照強(qiáng)度下人臉檢測(cè)成功率的對(duì)比。

由表1可知：兩種算法在不同光照情況下的檢測(cè)成功率基本一致，兩者均有較高的檢測(cè)準(zhǔn)確率。

如圖13所示為兩種人臉檢測(cè)算法在不同光照強(qiáng)度下的檢測(cè)時(shí)間對(duì)比。

圖13　兩種算法的檢測(cè)時(shí)間對(duì)比

由圖13可得出：采用傳統(tǒng)的基于cascade（Hear分類器）的人臉檢測(cè)算法檢測(cè)一幀圖像所需的平均時(shí)間約為150ms，而改進(jìn)的人臉檢測(cè)算法的平均檢測(cè)時(shí)間約為45ms，相比之下，改進(jìn)的算法檢測(cè)速度提高了2.3倍，為疲勞駕駛檢測(cè)節(jié)省了大量的時(shí)間。

成功檢測(cè)到人臉以后，對(duì)人眼進(jìn)行檢測(cè)并判定出眼睛的閉合程度和眨眼頻率，如表2所示為在不同光照強(qiáng)度下利用本文算法對(duì)眼睛的閉合程度和眨眼頻率判定的準(zhǔn)確率。

表2　不同光照條件下人眼檢測(cè)準(zhǔn)確率

從表2可以看出：在不同的光照條件下，該算法對(duì)人眼的閉合程度以及眨眼頻率的判定均有較高的準(zhǔn)確率。確保了后續(xù)對(duì)駕駛員疲勞程度判斷的準(zhǔn)確性。

如圖14所示為在不同光照強(qiáng)度下對(duì)人眼的閉合程度和眨眼頻率的判定所用時(shí)間的對(duì)比。

圖14　不同光照條件下對(duì)人眼的閉合程度和眨眼頻率判定時(shí)間對(duì)比

由圖14可知：在不同光照強(qiáng)度下對(duì)人眼的閉合程度和眨眼頻率的判定所用時(shí)間平均值約20ms，能夠在較短的時(shí)間內(nèi)完成對(duì)人眼的檢測(cè)及判定，為系統(tǒng)實(shí)時(shí)檢測(cè)駕駛員的疲勞狀態(tài)提供了可靠的保證。

綜合以上的實(shí)驗(yàn)數(shù)據(jù)可知：本文提出的疲勞駕駛檢測(cè)方法對(duì)每幀圖像的檢測(cè)時(shí)間約為65ms，而且在不同的光照條件下檢測(cè)均有較高的準(zhǔn)確率，滿足疲勞駕駛檢測(cè)對(duì)實(shí)時(shí)性和準(zhǔn)確性的要求。

5　結(jié)論

本文通過(guò)對(duì)基于cascade（Hear分類器）的人臉檢測(cè)算法進(jìn)行改進(jìn)和優(yōu)化，使得人臉檢測(cè)速度提高了2.3倍，采用PERCLOSE-P80原理并結(jié)合眨眼頻率對(duì)駕駛員的疲勞程度作出判斷，依據(jù)這種判定方式避免了因駕駛員的應(yīng)激反應(yīng)導(dǎo)致的誤判現(xiàn)象，提高了疲勞駕駛檢測(cè)的準(zhǔn)確率。通過(guò)大量的實(shí)驗(yàn)表明：在圖像分辨率為1280×1024的情況下，本文提出的疲勞駕駛檢測(cè)算法對(duì)每幀圖像的平均檢測(cè)時(shí)間約為65ms，且在不同的光照條件下檢測(cè)均有較高的準(zhǔn)確率。該方法操作簡(jiǎn)單易于實(shí)現(xiàn)，可用于對(duì)駕駛員疲勞程度的實(shí)時(shí)監(jiān)測(cè)。

參考文獻(xiàn)

［1］彭軍強(qiáng)，吳平東，殷罡.疲勞駕駛的腦電特性探索［J］.北京理工大學(xué)報(bào)，2007，27（7）：585-589.

［2］Jin L S，Niu Q N，Hou H J，et al. Driver cognitive distraction detection using driving performance measures［J］.Discrete Dynamics in Nature and Society，2012，30（10）：1555-1565.

［3］Lenskiy A A，Lee J S. Driver’s eye blinking detection using novel color and texture segmentation algorithms［J］.International Journal of Control Automation and Systems，2012，10（2）：317-327.

［4］成波，張廣淵，馮睿嘉，等.基于眼睛狀態(tài)識(shí)別的駕駛員疲勞實(shí)時(shí)檢測(cè)［J］.汽車工程，2008，30（11）：1001-1005.

［5］Paul Viola，Michael J Jones. Rapid object detection using a boosted cascade of simple features［A］. In：Proceeding of IEEE International Conference on Computer Vision and Pattern Recognition Hawaii：IEEE，2001：511-518.

［6］蔣建國(guó)，劉揚(yáng)，詹曙，等.灰度視頻序列中駕駛員疲勞實(shí)時(shí)檢測(cè)方法［J］.合肥工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，31（9）：1424-1427，1442.

［7］章玲，蔣建國(guó)，齊美彬.一種微分與積分投影相結(jié)合的眼睛定位方法［J］.合肥工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2006，29（2）：182-185.

［8］董占勛，孫守遷，吳群，等.心率變異性與駕駛疲勞相關(guān)性研究［J］.浙江大學(xué)學(xué)報(bào)：工學(xué)版，2010，44（1）：46-50.

［9］郁偉煒，吳卿.基于HMM的駕駛員疲勞識(shí)別在智能汽車空間的應(yīng)用［J］.計(jì)算機(jī)應(yīng)用于軟件，2011，28（10）：43-46.

［10］宋正河，周一鳴.基于PERCLOS的機(jī)動(dòng)車駕駛員駕駛疲勞的識(shí)別算法［J］.中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2002，7（2）：104-109.

A Fatigue Driving Detection Method Based on Eye State

MAO Xuwei1，JING Wenbo2，WANG Xiaoman1，LIU Xue1，ZHANG Shanshan1，ZHANG Maozhen1
（1. School of Electronics and Information Engineering，Changchun University of Science and Technology，Changchun 130022；2. School of Optoelectronic Engineering，Changchun University of Science and Technology，Changchun 130022）

Abstract：According to the problem of low accuracy and poor real-time with traditional fatigue driving detection method，a fatigue driving detection method based on eye state was proposed. Using the CCD camera to capture face image of driver in real time，using histogram equalization to enhance image contrast；The face area was detected by improved face detection method based on cascade；Extracting the eye area with OTSU threshold and morphology operation，The eye closure degree is determined by the aspect ratio of eye；Using PERCLOS-P80 and blink frequency to judge whether Driver is fatigue. Experimental results show that Detecting a frame needs about 45ms with Improved face detection algorithm，The face detection speed increased by 2.3 times，to save a lot of time for the entire fatigue driving detection. The fatigue driving detection method in this paper needs about 65ms per frame，and it has high accuracy at different light intensities，which meets the requirements of the precision and real-time for the fatigue driving detection.

Key words：fatigue driving；face detection；eye detection；PERCLOSE-P80

中圖分類號(hào)：TP391.41

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1672-9870（2016）02-0125-06

收稿日期：2015-06-15

作者簡(jiǎn)介：毛須偉（1991-），男，碩士研究生，E-mail：1291056753@qq.com

通訊作者：景文博（1980-），男，博士，副教授，E-mail：wenbojing@sina.com