李巧茹，石 宇

(河北工業(yè)大學土木與交通學院，天津 300400)

1 引言

疲勞駕駛指睡眠不足或連續(xù)駕駛時間較長導致的反應力下降的情況，通常體現在打瞌睡、操作失誤等方面，對司機的警覺性與反應能力均有嚴重影響。為最大程度避免此類交通事故，研究一種可靠的疲勞駕駛預警方法具有重要意義。

閔建亮等人提出基于前額腦電多尺度小波對數能量熵的疲勞駕駛預警方法。對駕駛室進行模擬，利用腦電帽獲取清醒駕駛與疲勞駕駛的前額腦電信號；并使用MATLAB對獲取的信號進行預處理，分別構建兩種不同狀態(tài)的數據集合；通過多尺度熵提取腦電信號小波對數能量熵，完成疲勞駕駛人員的腦電信號特征，根據該特征實現預警。鄭偉成等人將深度學習算法應用在疲勞駕駛預警中，使用攝像頭實時采集駕駛員人臉圖像，通過深度學習模型檢測人臉關鍵區(qū)域，從中獲取特征參數；通過特征融合獲取駕駛員疲勞狀態(tài)，進而實現有效預警。

上述兩種方法雖然取得了一定的成果，但同時也存在不足。其中文獻[1]方法是通過采集駕駛人員生理信號來獲取信息，在此過程中司機需佩戴信號感應器，屬于接觸式測量，方法自身會對安全行駛帶來一定隱患；而文獻[2]方法雖然避免了接觸測量，但圖像預處理效果不佳，影響特征提取效果。為此，本文在連續(xù)駕駛條件下，提出一種基于保局投影的疲勞駕駛預警方法。保局投影可以生成顯式投影矩陣，便于疲勞特征提取，降低特征維數。通過提高特征提取效果，進一步改善疲勞狀態(tài)識別的精度，提高預警性能。

2 圖像采集與預處理

2.1 采集流程分析

本文使用的圖像采集方法是通過CAM8100-U型號的攝像頭對駕駛人員進行實時采集。在采集過程中，設置攝像頭和駕駛員的距離為0.5米，該距離符合實際駕駛要求。

圖像采集的主要流程如圖1所示。當攝像頭開啟后，若檢測到人臉，則對圖像進行預處理；反之給出錯誤信息。

圖1 圖像采集流程圖

2.2 圖像預處理

2.2.1 自適應中值濾波去噪

受到噪聲影響的圖像會降低清晰度，甚至破壞重要信息，影響疲勞狀態(tài)的識別。所以首先需通過濾波算法去除圖像噪聲，改善圖像質量。本文采用中值濾波算法實現圖像自適應去噪，對于噪聲部分做平滑處理，而沒有噪聲的部分則不對其濾波，此種方法可將噪聲影響降低到最小。

根據上述規(guī)則，將濾波過程分為如下兩步：

2

.

2

.

2 圖像光照均衡

去噪處理并不會改善圖像光照強度，由于駕駛環(huán)境的不同，采集到的圖像亮度也不同，圖像過亮或過暗均會影響預警效果，不利于對人臉重要部位的識別?；诖耍疚氖褂米赃m應閾值光照均衡方法將圖像引入到YCbCr空間中，并探究圖像在子空間內表現出的特征，確定參考白點，實現光照調整。

步驟一：將采集到的圖像通過下述公式從RGB(紅、綠、藍)空間引入到YCbCr空間中

(1)

YCbCr與RGB均是人為規(guī)定的彩色模型。

步驟二：若

Mb

與

Mr

分別表示藍色和紅色色度分量，

Cb

、

Cr

為它們的平均值，則利用下述公式獲取其均方差

Db

、

Dr

(2)

(3)

式中，

N

表示圖像被劃分的子區(qū)域數量，(

i

，

j

)為像素點，若某區(qū)域的均方差太小，表明該區(qū)域不存在較為顯著的顏色變化，需放棄此區(qū)域。使用式(4)和(5)獲得與白色區(qū)域相近的全部像素點。|

Cb

(

i

，

j

)-(

Mb

+

Db

×

sign

(

Mb

))|<1

.

5

Db

(4)

|

Cr

(

i

，

j

)-(1

.

5

Mr

+

Dr

×

sign

(

Mr

))|<1

.

5

Dr

(5)

結合亮度值特性，將和白色區(qū)域像素值相同的像素點當作參考白點。為了確保圖像整體亮度不變，通過亮度最高值獲取信道增益，公式如下

(6)

式中，

Y

表示圖像全部像素中最高亮度值，

R

、

G

與

B

分別表示參考白點在

R

、

G

、

B

不同信道中的平均值。

步驟三：利用式(7)同時完成圖像調整，確保圖像實現白平衡。

(7)

通過以上處理后，獲得質量較高的駕駛員信息圖像，通過該圖像進行特征提取與狀態(tài)識別，并對顯示出的疲勞狀態(tài)實現預警。

3 連續(xù)駕駛條件下疲勞駕駛預警

3.1 基于保局投影的疲勞特征提取

因此，保局投影準則函數

f

的計算公式如下

(8)

(9)

式中，

D

屬于對角矩陣，

L

=

D

-

S

為拉普拉斯矩陣，獲得最小化的保局投影矢量

w

(10)

(11)

3.2 疲勞狀態(tài)預警

在連續(xù)駕駛的情況下，駕駛員的疲勞狀態(tài)主要體現在閉眼、打哈欠、點頭等動作上。本文對上述提取到的駕駛員關鍵特征進行識別，通過多個指標對疲勞狀態(tài)進行判斷，以此實現疲勞預警。

3

.

2

.

1 眼部疲勞

眨眼又被叫做瞬目反射，本文通過下述三個指標來判斷眼部疲勞狀態(tài)。

1)連續(xù)閉眼時長

(12)

2)眨眼頻率

(13)

如果

F

<

F

，表明眨眼頻率較低，需對駕駛員進行疲勞預警。

3)PERLCOS準則

此準則是判斷駕駛員警覺性的方法，代表累計閉眼時間占某一指定時間的百分比。本文通過常用的

P

80標準進行判斷，此標準指閉眼程度高于80

%

的累計時間和單位時間之間的比值。當駕駛員出現疲勞狀態(tài)時，眼瞼下垂，累計閉眼時長會增加，因此，評價指標

F

會出現顯著變化，

F

的表達式如下

(14)

根據眼睛近似張角算法，對采集到的圖像中眼睛張角的極大值與極小值

α

、

α

進行計算，并與眼睛完全睜開、閉合的張角相互對應。假設

α

′代表第

m

′幅圖像內駕駛員眼睛的近似張角，此時若

α

′符合式(15)，則斷定閉眼程度符合

P

80相關規(guī)定。

α

′≤0

.

2(

α

-

α

)

(15)

綜合連續(xù)閉眼時長、眨眼頻率以及PERLCOS準則三種預警標準，確定眼部疲勞的綜合判斷條件如下：

(16)

3

.

2

.

2 嘴部疲勞

人在疲勞時除了有較為明顯的眼部特征外，也會不斷地打哈欠，以此提醒大腦已經出現疲勞感，需要進行休息。相關研究表明，人打哈欠的持續(xù)時間通常在6秒上下，體現出的具體特征是：嘴巴張開較大、張嘴時間長、打哈欠頻率較快。根據以上特征，嘴部疲勞的判斷公式為

(17)

3

.

2

.

3 點頭瞌睡

當人出現打瞌睡狀態(tài)時，大腦反應靈敏度下降，對頭部的控制能力有所減弱，主要表現在頭部低垂、頻繁點頭或仰頭。

結合眼睛和嘴巴的識別方式，分別設定雙眼部位的中心點

E

與嘴巴部位的中心點

M

，確定這兩點之間的中點，并將其當作頭部檢測的標準點，再對頭部運行軌跡進行跟蹤。如果標準點發(fā)生突然的位移運動，表明司機出現點頭瞌睡現象。利用下述公式獲取標準點位移在一段時間內的變化頻率，以此識別出司機是否疲勞駕駛。

(18)

如果

k

大于設定的閾值

K

，則發(fā)生瞌睡點頭現象。對點頭次數進行統(tǒng)計，并利用下述公式計算一段時間內點頭頻率

F

。

(19)

如果

F

值高于設定閾值

F

，則識別出頭部疲勞。對于眼部、嘴部與頭部的疲勞判斷，無論哪一項的判斷值高于設定閾值，均會給出疲勞駕駛預警信息。

4 仿真數據分析與研究

本次仿真選取一個小型實驗系統(tǒng)，使用的主要硬件設備如下：

1)計算機：為實驗方便，選用PC機，其主頻為2.6GHz，內存為4G，操作系統(tǒng)為Window7。

2)攝像機：雅虎攝像頭，500萬像素，RGB241420輸出格式，具備USB輸出接口，儲存方式為單幀捕獲。實驗軟件參數如表1所示。

表1 軟件技術參數表

在上述實驗環(huán)境下，對比不同方法的圖像預處理效果。將攝像頭設置于駕駛人員正前方，模擬駕駛情況進行拍攝，采集圖像信息。由于文獻[1]是采集駕駛人員生理信號，只有文獻[2]方法涉及圖像處理內容，因此使用文獻[2]與本文方法對采集到的任意一幅圖像進行預處理，處理效果如圖2所示。

圖2 不同方法圖像預處理結果對比圖

由圖2能夠看出，本文圖像預處理效果最佳，處理后的圖像非常清晰，能夠清晰地看出駕駛員的面部特征。這是因為中值濾波與光照均衡相結合的圖像處理方法不僅可以平滑噪聲，還能通過最佳光照強度使圖像更加清晰。下面是利用三種不同方法在連續(xù)駕駛條件下對5名駕駛員的疲勞駕駛預警的測試結果。

表2 駕駛員實際狀態(tài)

表3 本文方法疲勞預警測試結果表

表4 文獻[1]方法疲勞預警測試結果表

表5 文獻[2]方法疲勞預警測試結果表

由表2-5可知，本文方法預警出的狀態(tài)與駕駛員的實際狀態(tài)相符。這是因為所提方法通過保局投影方式準確提取出駕駛員的信息特征，并去除干擾信息，降低特征維數，使疲勞識別更加準確，進而得出精準的預警結果。

5 結論

近年來，因疲勞駕駛引發(fā)的交通事故不斷出現，對人們生命安全造成嚴重威脅。為有效避免此種事故，本文在連續(xù)駕駛條件下，提出一種基于保局投影的疲勞駕駛預警算法。通過對采集到的圖像信息做預處理，提高圖像質量，再對駕駛員眼部、嘴部與頭部進行疲勞識別，給出最終預警結果。仿真結果表明，該方法可以準確預警出駕駛員的真實狀態(tài)，能夠及時提醒司機進行適當休息。在今后研究中應考慮在遮擋狀態(tài)下如何保證預警效果，例如駕駛員佩戴墨鏡時對眼部狀態(tài)的識別。