摘"要：隨著交通行業(yè)的迅猛發(fā)展，疲勞駕駛已經(jīng)成為引發(fā)交通事故的重大隱患。為了減少駕駛者在長時間連續(xù)駕駛或睡眠不足的情況下，因身體和心理疲勞導致的駕駛能力下降、反應遲鈍、判斷失誤等現(xiàn)象，本文利用Dlib人臉檢測模型，通過EAR算法、MAR算法綜合分析眼睛閉合程度、眨眼頻率、嘴巴張開程度與打哈欠次數(shù)等多個人臉特征參數(shù)來判斷駕駛員的狀態(tài)，并向司機發(fā)出警報，從而能在疲勞初期及時提醒駕駛員休息，顯著提升了駕駛安全性，以減少發(fā)生不測的概率。

關(guān)鍵詞：EAR；MAR；疲勞檢測

在交通運輸行業(yè)快速發(fā)展的同時，道路運輸?shù)姆泵Τ潭群蛷碗s程度也越來越高。作為交通活動的主要參與者之一，駕駛者的安全意識和駕駛狀態(tài)直接關(guān)系到道路交通的安全與暢通。近年來，由于駕駛者疲勞駕駛導致的交通事故頻發(fā)，引起了社會各界的高度關(guān)注。疲勞駕駛，即駕駛者在長時間連續(xù)駕駛或睡眠不足的情況下，駕駛員身心發(fā)生變化，從客觀上表現(xiàn)為感知、判斷、反應等能力下降，操作失誤的概率上升。重度疲勞時，往往還會有昏睡的情況發(fā)生，使駕駛?cè)藛T無法正確駕駛車輛，從而引發(fā)交通事故，這已經(jīng)成為一個亟須解決的道路交通安全問題。

一、相關(guān)方法

疲勞駕駛的客觀檢測分為三種：以車輛駕駛方式為基礎，以駕駛員生理特征為基礎，以駕駛員面部特征為基礎。

（1）以車輛駕駛方式的檢測為基礎。通過在車內(nèi)安裝傳感器，對駕駛員的駕駛狀態(tài)進行分析，通過采集數(shù)據(jù)，如方向盤的轉(zhuǎn)動角度、車輛的車速變化、車輛的行駛軌跡等。蔡素賢等［1］通過車輛運行數(shù)據(jù)檢測駕駛員疲勞駕駛狀態(tài)，但真實的交通狀況復雜多變，且受個人駕駛習慣差異影響較大，因此準確度不高。

（2）以駕駛員生理特征為基礎。通過司機佩戴相關(guān)設備，通過司機生理數(shù)據(jù)的變化，直接得到司機的駕駛狀態(tài)，從而采集司機的心電、腦電、眼電等數(shù)據(jù)。張鴻［2］研究疲勞駕駛偵測及其預警方式，以駕駛?cè)松黼娦盘柎a為基礎，雖然精確度較高，但由于采集資料需駕駛?cè)伺宕鞑杉b置，因此會對駕駛?cè)税踩{駛造成一定影響。

（3）以駕駛員面部特征為基礎。通過攝像機捕捉分析駕駛員眨眼次數(shù)、打哈欠次數(shù)、點頭次數(shù)等信息，判斷駕駛員疲勞狀態(tài)。在對車手疲勞狀態(tài)的測試中，這樣的做法已經(jīng)成為一種主流的潮流。李慶臣［3］研究疲勞駕駛偵測，以MTCNN、PERCLOS為藍本，針對司機面部特征，但偵測精確度與實時性尚有欠缺。

因此，針對以上檢測方法中影響駕駛員駕駛精準度不高的問題，通過Dlib庫+OpenCV來實現(xiàn)對駕駛員面部的檢測，結(jié)合EAR算法和MAR算法來判斷駕駛員的駕駛狀態(tài)，一旦超出閾值就會發(fā)出警報。

二、Dlib工作原理

Dilb是一個用于機器學習算法和面部坐標顯示的一個開源學習工作包。Dlib檢測出面部的68個特征點如圖1所示，其中最為關(guān)鍵的如眼睛、鼻子、嘴巴被很清晰地標識出來。左右兩只眼睛分別采用6個特征點進行判斷是否眨眼，嘴巴則采用20個特征點來判斷是否有打哈欠發(fā)生，鼻子采用9個特征點來識別疲勞駕駛程度。文章僅僅闡述眼睛和嘴巴關(guān)鍵點的作用。

三、檢測方法

（一）人臉疲勞特征分析

研究表明，隨著疲勞程度的增加，眼部周圍肌肉逐漸放松，眼皮會呈現(xiàn)下垂的狀態(tài)。正常情況下，眼睛睜開時眼皮與眼球有一定的相對位置關(guān)系，而疲勞時眼皮可能會遮蓋更多的眼球部分影響視野范圍。當身體疲勞時，頸部肌肉力量減弱，難以長時間支撐頭部直立狀態(tài)，因此頭部會不自覺地向下垂，往往還會伴隨著打哈欠的情況。所以通過眼睛張開程度、眨眼頻率、點頭次數(shù)、打哈欠次數(shù)就能判斷司機的疲勞程度。相比較而言，人在疲勞狀態(tài)下打哈欠嘴巴張大，點頭打瞌睡姿勢發(fā)生變化，個體差異較大的特點會影響疲勞檢測的準確性，因此文章將其作為輔助條件，對駕駛員的疲勞狀態(tài)進行判斷。

（二）眼部疲勞檢測算法

Dlib模型如圖1所示，通過人眼高度和寬度之間縱橫比例，即EAR參數(shù)來計算單位時間內(nèi)的眨眼次數(shù)［4］，使用Dlib庫可以提取到左右眼的12個特征點。其中P37～P42為左眼地標，P43～P48為右眼地標。

左眼的EAR值計算公式如下：

EARL=P38-P42+P39-P412P37-P40

右眼的EAR值計算公式如下：

EARR=P44-P48+P45-P472P43-P46

在眨眼的過程當中，人眼是同時運動的，所以可以通過求左右眼EAR的平均值最終算得EAR的值。

EAR平均值計算公式如下：

EAR=EARL+EARR2

當人眼正常睜開時，EAR值短時間內(nèi)變化不大，波動幅度在0.2附近［5］。人眼在閉合的時候，EAR值下降很快，完全閉合的時候EAR值接近于零。通過多次模擬實驗對比發(fā)現(xiàn)，0.17的初始閾值設置可以滿足本實驗要求。為此對于攝像頭捕捉到的每一幀EAR值，將其與閾值0.17進行比較，當EAR由某一數(shù)值迅速降至0.17及其以下，再迅速升至0.17以上時，判定為眨眼。

（三）嘴部疲勞檢測算法

文章通過嘴巴的長度寬度縱橫比，即MAR值來計算單位時間內(nèi)的打哈欠次數(shù)，使用Dlib庫可以提取到嘴巴的20個特征點，其Dlib模型如圖2所示。其中P49到P55的距離為嘴巴長度，用P51、P59、P53、P57這四個點來判斷嘴巴的縱坐標。通過這6個特征點的坐標差值變化來判斷打哈欠時嘴巴的張開程度。

其MAR值計算公式如下：

MAR=P51-P59+P53-P572P49-P55

通過計算MAR值來判斷是否打哈欠，當人們打哈欠時張口幅度明顯大于人們平時說話，但是由于打哈欠時嘴部的開合程度存在很大的個體差異，因此文章將該特征作為疲勞特征的次要檢測點。由于吃飯、說話和打哈欠有明顯的不同，經(jīng)過多次實驗比對分析，最終文章設定檢測到MAR值大于閾值0.85且1分鐘內(nèi)超過8次判定為疲勞駕駛。

（四）綜合檢測流程

首先，讀取攝像頭中的畫面，利用一種基于頭部姿態(tài)的估測算法，獲取二維人臉的特征點坐標，將這些特征點與3D人臉模型進行匹配，從而確定3D特征點和相應的2D特征點之間的變化情況，最終利用旋轉(zhuǎn)矩陣對人臉的傾斜度進行確認，對俯仰角和滾動角進行計算，判斷是否超出閾值，從而判斷攝像頭是否能檢測到人臉。其次，根據(jù)提取到的嘴部信息和眼部信息，計算EAR和MAR的值，當一分鐘內(nèi)檢測到EAR或者MAR的值小于閾值的次數(shù)分別超過8次的時候，就可以判斷其為疲勞駕駛且發(fā)出警報。具體綜合檢測流程如圖2所示。

四、疲勞駕駛檢測結(jié)果分析

表1、表2、表3、表4、表5、表6分別為從戴眼鏡閉眼檢測較亮環(huán)境、戴眼鏡閉眼檢測較暗環(huán)境、不戴眼鏡閉眼檢測較亮環(huán)境、不戴眼鏡閉眼檢測較暗環(huán)境、打哈欠檢測較亮環(huán)境和打哈欠檢測較暗環(huán)境六方面來進行檢測。戴眼鏡閉眼較亮環(huán)境下，Dilb檢測出的人臉68個特征點較為準確；當人出現(xiàn)困意時，眼睛睜開程度會減小甚至閉合，出現(xiàn)打哈欠的情況，此時系統(tǒng)經(jīng)過EAR算法和MAR算法進行判定人處于疲勞狀態(tài)，并在系統(tǒng)中發(fā)出提示，從而提醒駕駛員。具體檢測數(shù)據(jù)如表1、表2、表3、表4、表5、表6所示。

為了驗證系統(tǒng)的準確性，實驗的時間由高到低再變高，從而盡可能地排除偶然性。在較亮的環(huán)境下，無論是否戴眼鏡疲勞檢測結(jié)果較為準確。然而，模擬的隧道等較暗環(huán)境中眼鏡對于人臉的定位影響較大，從而導致對疲勞檢測結(jié)果產(chǎn)生影響。

結(jié)語

本文實現(xiàn)了一個基于Dlib的疲勞駕駛檢測系統(tǒng)，采用了EAR眼部縱橫比檢測、MAR嘴部縱橫比檢測等判斷方法，對駕駛員的駕駛狀態(tài)進行了實時的監(jiān)控，并在檢測到疲勞時對他進行報警提醒。這套系統(tǒng)相比于其他檢測方法具有更高的可行性，比如，生理信號檢測、駕駛狀態(tài)檢測有了更高的可行性。通過系統(tǒng)經(jīng)實驗驗證，能夠準確、及時地識別駕駛員的疲勞狀態(tài)，預防發(fā)生交通事故。未來工作將聚焦于提升系統(tǒng)的魯棒性與準確性，以及探索更多維度的疲勞評估指標，以進一步保障道路交通的安全與順暢。本研究的成功實施，為智能交通安全領(lǐng)域的發(fā)展貢獻了一份新的力量。

參考文獻：

［1］蔡素賢，杜超坎，周思毅，等.基于車輛運行數(shù)據(jù)的疲勞駕駛狀態(tài)檢測［J］.交通運輸系統(tǒng)工程與信息，2020，20（04）：7782.

［2］張鴻.基于駕駛員生理信號的疲勞駕駛檢測及其預警方法研究［D］.長春：吉林大學，2021.

［3］李慶臣.基于面部特征的疲勞駕駛檢測系統(tǒng)設計［D］.鄭州：鄭州大學，2019.

［4］王丹卿.基于面部特征與深度學習的疲勞檢測算法的研究［D］.鎮(zhèn)江：江蘇大學，2023.

［5］王梅霞，徐怡彤，楊照宇，等.基于Dlib與OpenCV的疲勞駕駛檢測系統(tǒng)［J］.中阿科技論壇：中英文，2023（03）：8892.

課題項目：南通理工學院“優(yōu)秀本科畢業(yè)設計（論文）培育計劃”（BS202406）

作者簡介：李王蔚（2002—"），男，漢族，四川成都人，本科在讀，研究方向：信號處理。

*通信作者：周麗麗（1989—"），女，漢族，江蘇南通人，碩士研究生，講師，研究方向：信號處理。