周 未，王凌云，張桐瑄，王存睿，吳 旭

(1．大連民族大學(xué) 計算機(jī)科學(xué)與工程學(xué)院，遼寧 大連 116605；(2.大連市民族文化數(shù)字技術(shù)重點(diǎn)實驗室，遼寧 大連 116605)

基于嵌入式平臺的人臉疲勞檢測算法

周 未1,2，王凌云1,2，張桐瑄1,2，王存睿1,2，吳 旭1,2

(1．大連民族大學(xué) 計算機(jī)科學(xué)與工程學(xué)院，遼寧 大連 116605；(2.大連市民族文化數(shù)字技術(shù)重點(diǎn)實驗室，遼寧 大連 116605)

提出一種基于眼部和嘴部相結(jié)合的人臉疲勞檢測算法，利用深度學(xué)習(xí)對人臉特征點(diǎn)進(jìn)行定位，并通過眼部特征點(diǎn)計算PERCLOS參數(shù)，計算過程中詳細(xì)討論了不同特征對于PERCLOS參數(shù)提取的精確性，最后用角度特征來計算PERCLOS參數(shù)，同時將PERCLOS的時序信號進(jìn)行頻域分析，進(jìn)而檢測眼部代表的疲勞程度。與眼部協(xié)同的嘴部也是疲勞的重要指標(biāo)，詳細(xì)論述并提出了一種眼部和嘴部的疲勞協(xié)同參數(shù)。實驗結(jié)果表明本文提出的方法是有效的，可以定量反映人的疲勞程度。同時將其部署在移動端用于車載疲勞檢測和使用手機(jī)過程中的疲勞檢測。

PERCLOS；疲勞檢測；人臉特征

疲勞是由于過渡的體力或腦力勞動引起的一種生理現(xiàn)象，是人體正常的生理活動規(guī)律。在醫(yī)學(xué)上，疲勞被定義為人體困頓，倦怠的感覺，是需要休息和放松的信號[1]。瞌睡，眼睛疲勞加上頻繁打哈欠，以及精力不集中，都表現(xiàn)出一個人出現(xiàn)了疲勞的特征。在出現(xiàn)疲勞時，人的反映往往減慢，神經(jīng)活動減弱，交感神經(jīng)增強(qiáng)等。當(dāng)人出現(xiàn)疲勞特征時我們可以利用科學(xué)的指標(biāo)來測定實驗結(jié)果。例如 P70、P80、腦電圖算法、頭位置測量法、眨眼監(jiān)測法等。在測試疲勞的時候，有60%的疲勞信息是從眼部得到的，人如果處于疲勞狀態(tài)的時候眨眼頻率會增加，眼皮會逐漸的增加覆蓋眼睛的面積，大多數(shù)研究成果中判斷人的疲勞狀態(tài)往往都是通過眼睛的生理特征來檢測人是否處于疲勞。雖然通過測量眼睛閉合，眼睛運(yùn)動和眼睛生理特征來檢測疲勞比較普遍，如果眼部疲勞檢測和嘴部打哈欠疲勞檢測結(jié)合起來判斷疲勞，準(zhǔn)確性，可靠性會提高不少。

1 PERCLOS疲勞檢測概述

Wierwille[2-3]等人通過研究慢閉眼動作提出了PERCLOS(percentage of eyelid closure over the pupil over time)疲勞檢測算法，其中P80標(biāo)準(zhǔn)與疲勞程度的相關(guān)性最高[4]，該標(biāo)準(zhǔn)被廣泛地應(yīng)用到機(jī)器視覺系統(tǒng)中進(jìn)行疲勞判斷。

在長期研究和實踐的過程中，目前發(fā)現(xiàn)了研究過程中的遇到的問題：

(1) 在實際測量的環(huán)境中，PERCLOS比較適用于靜態(tài)統(tǒng)計指標(biāo)，它對于動態(tài)眨眼的過程刻畫不夠充分；其次，對于不同的測試者來說這個指標(biāo)會有不同程度的影響，如果要想精確測量出疲勞的特征，就需要嚴(yán)格控制眼睛閉合開度的閥值，以及檢測距離等因素然后通過對這些因素進(jìn)行考慮和合理的控制，最后再對眼睛的張開程度測量出角度，然而這在實際中是非常難以控制的。

(2) 在實驗中，從一系列標(biāo)準(zhǔn)的眨眼狀態(tài)中采集出四種最穩(wěn)定的眨眼典型過程,并且利用記錄下來的時間求出PERCLOS的值，但是在求PERCLOS值的時候出現(xiàn)了很大的誤差，這些誤差直接導(dǎo)致最后判斷疲勞的情況，而且判斷疲勞的時候無法按照既定的標(biāo)準(zhǔn)去對比。在很多研究中PERCLOS方法的疲勞判定閥值存在不同的標(biāo)準(zhǔn)，由表1可以看出通過12種有效的實驗利用4種方法都可以測出疲勞，而PERCLOS的P80標(biāo)準(zhǔn)與疲勞Pearson相關(guān)系數(shù)則可以預(yù)測疲勞，郭永彩[5]在研究中PERCLOS的值在15%為疲勞狀態(tài)，鄭培[6]則是PERCLOS的值在40%判定為疲勞狀態(tài)，而韓相軍[7]認(rèn)為PERCLOS的值大于80%時判定為疲勞狀態(tài)。李貞[8]采用了PERCLOS方法中的P70標(biāo)準(zhǔn)，認(rèn)為PERCLOS值達(dá)到12%時為疲勞狀態(tài)，造成這些閥值不同的原因在于對眼睛疲勞程度認(rèn)知不同，操作PERCLOS方法的細(xì)節(jié)不同。

表1 PERCLOS與其他測評方法的Pearson相關(guān)系數(shù)

其中，PERCLOS為眼睛閉合時間占特定時間70%、80%、50%的百分比為標(biāo)準(zhǔn)；腦電圖算法為加強(qiáng)研究有限公司的腦電圖算法及馬克基醫(yī)生的腦電圖算法；頭位置測量法為使用監(jiān)視裝置測量頭部位置，使用高級點(diǎn)陣傳感器測量頭部位置；眨眼監(jiān)測法為使用MTI研究所的警覺監(jiān)視器，使用IM系統(tǒng)有限公司的眨眼儀。

(3) 當(dāng)測試者的頭部與采集設(shè)備之間的距離不斷發(fā)生變化的情況下，PERCLOS的值將會產(chǎn)生很大的誤差，見表2。因為隨著物體距離不斷的在改變，眼睛角度也會不斷改變，因此會導(dǎo)致眼睛角度的測量和時間的統(tǒng)計會受到影響，最終導(dǎo)致PERCLOS的值產(chǎn)生很大波動。但是，如果測試者能靜止保持姿勢不動的話，眼睛的角度能夠準(zhǔn)確的度量出來，PERCLOS算法的精度將會大幅度提高。而測試者刻意保持靜止姿勢，會影響PERCLOS的值，使結(jié)果不真實。因此基于P80標(biāo)準(zhǔn)提出了將眼部特征信息度量的精度進(jìn)行放寬，并著眼于如何去結(jié)合 “打哈欠”的嘴部疲勞特征以此提高檢測面部疲勞的準(zhǔn)確度。

表2 對PERCLOS計算結(jié)果

2 眼部疲勞特征的檢測

2.1 眨眼過程提取

利用眼部特征點(diǎn)所成的角度來判斷眼部狀態(tài)特征。首先采集一段視頻序列得到其眼部狀態(tài)變化的特征序列，其次從這段特征序列中找到多個最穩(wěn)定的眼部特征模板。雖然要從事先拍攝的連續(xù)多組標(biāo)準(zhǔn)眨眼樣本序列中尋找，但眨眼的特征還是會有一定差別，因為所要找的眨眼過程是作為模板使用，因此，盡可能找到標(biāo)準(zhǔn)眨眼序列中最穩(wěn)定的序列來分別提取所代表清醒和疲勞兩種狀態(tài)的典型眨眼過程，同時能從穩(wěn)定的序列中提取出兩類眨眼過程記錄的時間。

在采用PERCLOS方法檢測疲勞時改進(jìn)了獲取眼睛部位圖像的方法，再利用圖像分析和模式識別方法，判斷眼睛是否處于閉合狀態(tài)。如圖1以眼角三個特征點(diǎn)位呈90°為標(biāo)準(zhǔn)，當(dāng)角度從90°變化到72°時定位為眼睛最大睜開到閉合80%瞳孔開度的時間；當(dāng)角度從72°變化到18°時定義為眼睛最大睜開到閉合20%瞳孔開度所用的時間，利用相同的方法測出從閉合到睜開80%與20%的時間。最終利用公式(1)來獲取PERCLOS量，判斷疲勞特征狀態(tài)。

圖1 PERCLOS測量原理

P80標(biāo)準(zhǔn)下PERCLOS值f 80計算公式：

(1)

式中，f為眼睛閉合時間占某一特定時間的百分率，即PERCLOS值，t1是眼睛最大睜開到閉合80%瞳孔開度所用時間，t2是眼睛最大睜開到閉合20%瞳孔開度所用的時間，t3是眼睛最大睜開到睜開20%瞳孔開度所用時間。

2.2 眼部定位實驗及分析方法

眼睛的閉合情況主要基于眼睛最大與最小睜開狀態(tài)確定。眼睛在正常狀態(tài)時會無意識眨動，男性大約每2.8 s眨一次眼，女性大約每4 s眨一次眼，每次眨眼的持續(xù)時間在0.3 s到0.4 s之間[9]，在清醒狀態(tài)情況下，眨眼過程中的瞳孔變化速度較快，而在疲勞狀態(tài)時瞳孔變化速度較慢。

通過對多組疲勞視頻模板進(jìn)行疲勞檢測時發(fā)現(xiàn)，圖3a，3b為不穩(wěn)定視頻模板，圖3c，3d為穩(wěn)定視頻模板。圖3a，3b測試者的表情狀態(tài)與面部特征疲勞檢測算法檢測結(jié)果相反，首先通過對圖3a，3b視頻模板進(jìn)行反復(fù)檢測后得出的結(jié)果仍然為疲勞狀態(tài)，這與實際的結(jié)果相違背，說明當(dāng)前檢測結(jié)果不可靠。其原因是模板面部特征的快速變化和眼間距的大小是影響結(jié)果的因素，因此，導(dǎo)致實驗結(jié)果出現(xiàn)了反差。于是利用眼睛睜開到最大位置時采取對眼角取平均值的方法進(jìn)行估算，于是得出圖3c，3d視頻模板的檢測結(jié)果正確。檢測中發(fā)現(xiàn)，通過這樣的方法在對眨眼過程每一個位置進(jìn)行采樣時，會使得頭部移動和眼間距的影響對檢測結(jié)果的影響較小。

其次，針對圖3c，3d篩選出兩種分別反映疲勞狀態(tài)和清醒狀態(tài)的典型眨眼過程,并進(jìn)行角度的轉(zhuǎn)換，而轉(zhuǎn)換后的數(shù)據(jù)表分別如圖4、圖5。

從圖4、圖5可以看到，兩種眨眼過程角度變化存在不同。圖4中當(dāng)出現(xiàn)疲勞狀態(tài)時眨眼角度從標(biāo)準(zhǔn)90°直線下降到20°以下，說明眼部的疲勞趨于明顯狀態(tài)。而在圖5中眨眼角度雖然略微下降但是沒有圖4中疲勞狀態(tài)時眨眼角度變化的明顯，而其角度會逐漸趨于平穩(wěn)而不會再次下降，接下來，需要在不同測試視頻上利用數(shù)據(jù)來說明對應(yīng)片段上表現(xiàn)為疲勞的差異。當(dāng)出現(xiàn)一次眨眼情況時就記錄一次時間，但PERCLOS值屬于后續(xù)處理，因此沒有將其列在表中。從圖4中眼睛變化角度的表現(xiàn)可以看到，圖3c一個是高度疲勞狀態(tài)，其眨眼的頻率和眼部特征點(diǎn)角度變化波動大，video4為無疲勞狀態(tài)，眨眼頻率較高以及眼部特征點(diǎn)角度變換穩(wěn)定。計算PERCLOS疲勞數(shù)值，其結(jié)果如圖6。

圖3 視頻模板

圖4 疲勞狀態(tài)眨眼過程的角度變化曲線

圖5 清醒狀態(tài)眨眼過程角度變化曲線

圖6 PERCLOS增長曲線

從圖6中可以發(fā)現(xiàn)，當(dāng)視頻中測試者處于清醒狀態(tài)時，其PERCLOS疲勞數(shù)值相對較低，當(dāng)測試者隨著時間的增加疲勞特征也逐漸的明顯，PERCLOS疲勞數(shù)值也隨之增加，說明PERCLOS疲勞數(shù)值是能夠?qū)ζ诔潭冗M(jìn)行刻畫的。通過實驗分析PERCLOS方法應(yīng)用于頭部的轉(zhuǎn)移和偏轉(zhuǎn)有著很好的穩(wěn)定性，當(dāng)測試者頭部與測設(shè)設(shè)備的距離拉大的情況下，PERCLOS方法得出的數(shù)值將會失去意義。因此，從實驗中分析出了，當(dāng)距離改變時，設(shè)備在成像中眼睛的閉合程度與眼部特征點(diǎn)角度也會改變，這對于后面的眼睛閉合統(tǒng)計自然會受到影響。雖然PERCLOS疲勞數(shù)值能夠反映出疲勞的程度，但將其它表現(xiàn)疲勞的特征契合在一起的話，判斷疲勞特征的準(zhǔn)確性會有很大的提高。

在眼部疲勞檢測實驗內(nèi)容中，為了描述疲勞狀態(tài)眨眼過程與清醒狀態(tài)眨眼過程的區(qū)別，在實驗中使用的是一段連續(xù)的視頻，實際上還可以考慮將單幀圖像檢測疲勞加入其中，將差異更大更精細(xì)的眼部疲勞特征加以統(tǒng)計，這樣能夠進(jìn)一步提高對疲勞狀態(tài)判斷的精度。另外，在實驗中描述的方法中實際上是在某種程度上將之前著眼于單幀圖像的眼部狀態(tài)識別，引申到一個眨眼過程的識別，從而將單幀處理方式向序列處理方式進(jìn)行擴(kuò)展，從這個角度思考，還需進(jìn)一步的進(jìn)行研究。

3 嘴部疲勞特征檢測

3.1 嘴角點(diǎn)定位

研究表明，疲勞時人體血液中二氧化碳的含量上升，大腦運(yùn)作逐步變緩慢[10],打哈欠是疲勞狀態(tài)的特征之一，不僅可以緩解疲勞，而且能刺激大腦從而讓肌肉得到放松。

打哈欠作為反映疲勞的另一種疲勞特征狀態(tài)，是對眨眼檢測疲勞的補(bǔ)充。目前打哈欠檢測的研究中，打哈欠的識別多數(shù)以嘴部張開程度來判斷的，這與眼角度數(shù)變化檢測方法一樣。但如果對嘴部劃分不夠準(zhǔn)確，會導(dǎo)致打哈欠和說話無法區(qū)分，降低識別精度。因此這樣的測試方法不夠準(zhǔn)確，Saradadevi[11]利用Haar小波特征進(jìn)行哈欠識別的精度也只有80%左右。

本文提出的基于序列特征的哈欠過程分類方法，實際上就是一個典型的模式分類過程，可以提高嘴部變化的識別精度[12]。包括區(qū)域定位、特征提取、特征選擇以及分類四個主要部分。嘴部特征點(diǎn)的定位與眼部特征點(diǎn)定位類似[13-14]。差別在于嘴部的特征處于不同狀態(tài)時就會出現(xiàn)不同的外表特征，將嘴部圖像分成三種類別的話可以減小嘴部圖像的外表變化誤差。通過實驗測出不同角度間距之間所對應(yīng)的嘴部特征變化。將打哈欠過程同其他兩種狀態(tài)的表現(xiàn)區(qū)分出來，本質(zhì)上是一個序列分類的問題[15]。具體的研究思路也很明確，首先提取單幀圖像特征，從而得到序列特征，依靠序列特征完成對哈欠過程的分類，嘴部定位效果對比如圖7。

圖7 嘴部定位效果對比

3.2 嘴角點(diǎn)定位實驗及疲勞判斷

在嵌入式平臺上針對疲勞視頻進(jìn)行了反復(fù)的實驗，視頻所采用的格式為MP3格式，視頻幀寬度為1280，幀高度為720。視頻長度為1-2 min，幀圖像的特征提取與疲勞判決部分過程，開始檢測嘴部特征是否屬于三種特征角度的范疇如圖8，第一行屬于疑似哈欠的角度范圍，若超過開合度范疇屬于第二行的角度范圍，當(dāng)角度范疇繼續(xù)增加達(dá)到了第三行的開合度范疇基本可以判定為當(dāng)前是打哈欠狀態(tài)，若符合前兩種角度范疇卻不符合第三種范疇的話，系統(tǒng)將角度范疇收縮，做二次判別，從而減少了哈欠的誤判率，提高了可靠性。

圖8 嘴部定位過程

本文通過實驗得出了隨著時間的增長，嘴部張開度是區(qū)別哈欠深淺的主要判別方法。經(jīng)過多次的測試，將嘴部張開持續(xù)3s左右定義為淺度哈欠，4-5s定義為深度哈欠。在這期間，嘴部輪廓幾個特征點(diǎn)所成的角度將會持續(xù)擴(kuò)大，當(dāng)打哈欠出現(xiàn)這種連續(xù)性增長時，如果增長時間超過3s以上時，可以認(rèn)定出現(xiàn)了打哈欠，并記錄一次打哈欠的次數(shù)。如果不能出現(xiàn)局部連續(xù)性時，并沒有達(dá)到3s以上的情況，不能作為打哈欠的特征。

只要出現(xiàn)2次以上哈欠就可以根據(jù)頻率和時間，按照公式(2)，在設(shè)定哈欠頻率的標(biāo)準(zhǔn)為10%情況下，當(dāng)哈欠特征頻率≥10%時(為一次深度哈欠，或多次淺度哈欠)，可以完全確認(rèn)出現(xiàn)了疲勞特征。

(2)

式中，Y為哈欠特征頻率，X為哈欠特征次數(shù)，T設(shè)為30秒。

具體步驟如下。

步驟1:提取單幀圖像的人臉；

步驟2:提取嘴部特征點(diǎn)，根據(jù)基本公式計算出角度大小，如果角度大于40度并開啟記錄時間，如果時間超過3秒進(jìn)入步驟3，沒有返回步驟1；

步驟3:統(tǒng)計哈欠特征 Count=Count+1。并根據(jù)公式2計算出哈欠特征頻率。如果在30秒中內(nèi)計算的哈欠特征頻率超過鎖定標(biāo)準(zhǔn)，可以認(rèn)為當(dāng)前為疲勞狀態(tài)。

圖9 嘴部特征曲線

從一段疲勞視頻中提取到的嘴部特征值曲線圖如圖9。按照本文檢測嘴部特征疲勞的方法分析，在40-150幀之間出現(xiàn)了一次深度哈欠，在250-400幀之間出現(xiàn)了一次淺度哈欠以及在450-550幀也出現(xiàn)了一次淺度哈欠。根據(jù)公式2在800幀(30秒左右內(nèi))得出疲勞特征頻率為為10%，說明能夠成功的檢測到嘴部疲勞狀態(tài)。

4 結(jié)論

對兩類比較新穎的疲勞檢測方法進(jìn)行了結(jié)合。將疲勞檢測方法移植到嵌入式平臺中利用其內(nèi)置攝像頭檢測眼部疲勞的同時也能檢測到嘴部疲勞，一定程度上提高了疲勞檢測效率以及擴(kuò)展了嵌入式平臺的開發(fā)前景，首先將眨眼的動態(tài)特征引入到疲勞檢測中來，并利用PERCLOS算法識別出眼部的的疲勞程度[16-18]。其次通過對嘴部特征的局部連續(xù)性來檢測打哈欠并區(qū)別說話和打哈欠，根據(jù)哈欠的特征頻率來進(jìn)行疲勞的判斷。雖然改進(jìn)了嘴部檢測方法，但在復(fù)雜環(huán)境下并不能十分準(zhǔn)確的判斷是否疲勞，因此下一步的工作就是要進(jìn)入新的算法來提高實驗結(jié)果的穩(wěn)定性。通過結(jié)合檢測眼部疲勞特征和打哈欠的特征的方法來提高檢測疲勞的可靠性，從整體上取得了比較理想的效果。

[1] DAUGMAN J.Uncertainty relation for resolution in space,spatial frequency and orientation Optimized by two-dimensional visual cortical filters[J].Journal of the Optical Society of America A,1985,2(7):1160-1169.1.

[2] WIERWILLE W W,ELLSWORT L A,WREGGIT S S, et al.Research on vehicle-based driver status performance monitoring;development,validation,and refinemen of algorithms for detection of driver drowsiness,DOT HS s 808 247[R].[S.1.]：Office of Crash Avoidance Research National Highway Traffic Safety Administration,1994.

[3] KNIPLING R R,WIERWILLE W W.Vehicle-based drowsy driver detection:current status and future prospect[C]//IVHS America Fourth Annual Meeting,Atlanta,GA,1994.

[4] DINGES D F,MALLIS M M.A final report:evaluation of techniques for ocular measurement as an index of fatigue and as the basis for alertness management DOT HS 808 762[R].[S.1]:National Highway Traffic Safety Administration,1998.

[5] 永彩,李文濤，高潮，基于PERCLOS的駕駛員疲勞檢測算法[J],計算機(jī)系統(tǒng)應(yīng)用,2009(8):54-57.

[6] 鄭培.機(jī)動車駕駛員駕駛疲勞測評方法的研究[D].北京：中國農(nóng)業(yè)大學(xué)，2002.

[7] 韓相軍.基于DSP的駕駛疲勞實時檢測系統(tǒng)研究[D].北京：北京首都師范大學(xué),2006.

[8] 李貞.基于計算機(jī)視覺的駕駛員安全駕駛狀態(tài)監(jiān)控系統(tǒng)研究[D]西安：西北工業(yè)大學(xué),2007.

[9] MITAS A,BUGDOL M,RYGULA A.Computer aid assement of driver’s fatigue during driving based on eye movements analysis[J].Journal of Medical Informatics & Technologies, 2002,12:195-200.

[10] LAL S K L, CRAIG A. A critical review of the psychophusiology of driver fatigue[J]. Biological Psychology, 2001:55(3):173-194.

[11] SARADADEVI M, BAJAJ P. Driver Fatigue Detection Using Mouth and Yawning Analysis[J]. International Journal of Computer Science and Network Secutity(IJCSNS 2008),2008,8(6):183-188.

[12] 李剛,高政.人臉自動識別方法綜述[J].計算機(jī)應(yīng)用研究.2003,8:4-9.

[13] 王磊，吳曉娟，巴本冬,等.一種基于視覺的PERCLOS特征提取方法[J].計算機(jī)工程與科學(xué),2006,28(6):52-54.

[14] 苑瑋琦，袁英.基于PERCLOS的眼睛張開程度檢測算法研究[J].微計算機(jī)信息.2010,26:46-48.

[15] MITCHELL TOM M，MACHINE L，中譯本：機(jī)器學(xué)習(xí)[M].曾華軍，張銀奎,譯.北京:機(jī)械工業(yè)出版社，2003.

[16] 夏芹，宋義偉，朱學(xué)峰.基于PERCLOS的駕駛疲勞監(jiān)控方法進(jìn)展[J].自動化技術(shù)與應(yīng)用，2008，11:81-83.

[17] 苑瑋琦，滕紅艷.眼睛疲勞程度判定方法研究[J].計算機(jī)工程與應(yīng)用，2013,49(17)：199-133.

[18] 杜春華.人臉特征點(diǎn)定位與識別的研究[D].上海：上海交通大學(xué)，2008.

(責(zé)任編輯 王楠楠)

FaceFatigueDetectionAlgorithmBasedonEmbeddedPlatform

ZHOUWei1,2，WANGLing-yun1,2，ZHANGTong-xuan，WANGCun-rui1,2，WUXu1，2

(1.SchoolofComputerScienceandEngineering,DalianMinzuUniversity,DalianLiaoning116605,China; 2.DalianKeyLabofDigitalTechnologyforNationalCulture,DalianMinzuUniversity,DalianLiaoning116605,China)

A face fatigue detection algorithm based on the combination of eye and mouth is proposed. The deep learning method is used to locate the facial feature points and PERCLOS parameters are calculated by the eye feature points. The accuracy of different features for PERCLOS parameter extraction is discussed in detail. Finally, using the angle characteristics to calculate PERCLOS parameters and analyzing the PERCLOS timing signal in frequency domain, the fatigue degree of the eye is detected. The mouth associated with the eye is also an important indicator of fatigue. We discuss and put forward an eye and mouth fatigue coordination parameter. The experimental results show that the proposed method is effective and can quantitatively reflect the degree of human fatigue. It can be deployed in the mobile side for vehicle fatigue testing and mobile phone using fatigue testing.

PERCLOS; fatigue testing; face features

2017-03-28；最后

2017-04-24

塞爾網(wǎng)絡(luò)下一代互聯(lián)網(wǎng)技術(shù)創(chuàng)新項目(NGII20160612);中央高?；究蒲袠I(yè)務(wù)費(fèi)專項資金資助(DC201502100401)。

周未(1991-)男，安徽阜陽人，大連民族大學(xué)計算機(jī)科學(xué)與工程學(xué)院碩士研究生，主要從事人臉識別研究。

2096-1383(2017)03-0268-06

TU

A