本文摘要：摘要：针对目前疲劳驾驶检测技术无法很好地平衡算法准确性和实时性的问题，本文在人脸特征点定位方面采用了实时性较好的基于回归的局部二值特征法(LBF算法)。同时为了提高检测精度，改进了该算法的初始化策略。并且在建立LBF随机森林时使用归一化的像素特征
摘要：针对目前疲劳驾驶检测技术无法很好地平衡算法准确性和实时性的问题，本文在人脸特征点定位方面采用了实时性较好的基于回归的局部二值特征法(LBF算法)。同时为了提高检测精度，改进了该算法的初始化策略。并且在建立LBF随机森林时使用归一化的像素特征取代原始特征，从而提升分类效果。通过眼部宽高比检测人眼闭合程度，并提出将人眼视线方向应用于疲劳驾驶检测算法中，判断注意力是否分散，以便在驾驶员陷入深度疲劳之前对其预警。利用上述得到的多特征综合检测疲劳程度，实验结果表明该技术提高了算法的准确性。
关键词：疲劳驾驶;LBF算法;随机森林;眼部信息;PERCLOS值;瞳孔定位;视线方向;分神检测
1疲劳驾驶造成的影响是恶劣的，因此通过研究一种实时精准的疲劳驾驶预警系统，以便及时对驾驶员预警使其重新获得对车辆的控制权，这对社会安全具有重大的意义。当今疲劳检测方式主要分为基于生理指标、操作行为、车辆状态和视觉特征这四种方式[1]。其中最后一种方式利用人体可视化特征在清醒状态下和疲劳状态下的不同表现来检测疲劳，并且无须穿戴任何设备，有着很好的研究空间[2]。所以该方法变成疲劳驾驶检测领域的研究重点。目前，国内外技术学者针对视觉特征已经开展了更深入的研究。张长隆使用多传感器采集眼部、嘴部以及方向盘特征，使用Fisher线性判别分类来检测疲劳[3]。
而DeviMS在提取眼部和嘴部信息后，采用了模糊逻辑算法来确定疲劳程度[4]。柳龙飞使用基于梯度提高学习的回归树(ERT)定位人脸特征点后判断驾驶员是否疲劳[5]。但是在实际应用中基于视觉特征的方法还需进一步完善，因为这些方法在准确性和实时性两个方面无法做到很好的平衡。有的方法注重准确性，但是忽略了实时性要求。有的方法能够做到快速检测，但是又面临精度较差的问题。本文针对上述问题，通过改进人脸特征点定位算法提升运算速度，利用多特征检测来提高运算精度。并且通过求解驾驶员视线方向辨别注意力是否分散，以便在驾驶员陷入深度疲劳前就对其预警，更加保证安全性。
1疲劳驾驶检测系统初始化
本文在驾驶员面前架设摄像头得到人脸图像，为验证训练与测试结果的真实性，自建一个小型数据集。其中共有驾驶员8位，每个人在清醒的时候收集10分钟视频，在疲劳的时候收集5分钟视频。它的采样帧率是15fps，大小是640*480像素。除此之外，本文还使用了如下公开的数据集：人脸姿态数据集CAS-PEAL的POSE组[6]，该组数据集包含1042个人的21种不同角度的人脸姿态图像，用于后续人脸朝向估计算法。人脸特征点数据集helen和lfpw集，包含3721幅人脸图像及其特征点位置。系统运行的第一步是对图像进行预处理。首先在R-G-B颜色空间使用2g-r-b算子对驾驶员图像灰度化[7]，使用自适应中值滤波减少噪声[8]。之后使用haar-like特征进行人脸识别[9]。
因为摄像头位置固定，而且驾驶员所在位置一旦上电之后基本不变，所以前后两次人脸识别框的位置偏移较小。所以在第一次识别到人脸后，下一次只在这次的识别位置附近判断即可，以加快算法运行，提高实时性。在上电之后的5分钟内，本文认为驾驶员是清醒的。此时需要记录系统运行各个阶段的检测结果，将它们作为驾驶员清醒状态下的指标。其中包括该驾驶员的眼睛宽高比、PERCLOS值和眼睛注视区域分布，以便在之后的系统检测过程中发现上述值出现异常时更准确的判断其疲劳程度。
2改进人脸特征点定位算法
在疲劳驾驶检测过程中，往往影响系统运行快慢的是人脸特征点定位的速度，这也是制约算法实时性的一大难点。由于在检测过程当中，驾驶员图像会由于光照、遮挡等复杂情况而降低定位的精度。所以本文使用精确度较高、速度很快的基于回归的局部二值特征法(LBF)来进行人脸特征点定位[10]。LBF算法需要在开始时输入一个人脸特征点初始化模型，然后通过不断的回归使得该模型越来越逼近真实位置[11]。为提高检测精度与速度，对LBF算法优化，采用不同的初始化策略。不再简单地使用标准平均人脸来进行初始化，而是首先判断人脸朝向，从而使用不同的人脸特征点初始化模型。
2.1人脸朝向估计
本文需要为驾驶员人脸朝向角度训练一个分类器。选取HOG特征作为参数[12]，之后使用SVM进行分类[13]。本文使用人脸姿态数据集CAS-PEAL中的POSE组作为输入图片，图片大小均为360*480像素。所以HOG特征提取时的窗口有10*10=100个，HOG的每个窗口里block有36/12*48/16=9个。1个block有4个cell，其特征描述子长度是9维，所以最终得到的HOG特征向量维数是100*9*9*4=32400维。
因为CAS-PEAL数据集的POSE组中包含1042个人的21种不同角度的人脸图像，但是本文只选取其中5种角度，分别是无偏转正向人脸、向左偏转22度人脸、向左偏转45度人脸、向右偏转22度人脸以及向右偏转45度人脸。所以在训练数据集文件夹中新建5个文件夹，分别命名为0、-1、-2、1、2并将对应的图片存入其中。在SVM训练时将图片所在文件夹的名称作为分类标签，提取HOG特征向量作为SVM输入参数，得到人脸朝向粗估计分类器。本文为验证算法精确度，使用了含有500张图片的测试样本集来计算该分类器的识别率，其中包含CAS-PEAL数据集中的320张图片和自建数据集中的180张图片，经计算识别率为95.38%。
3判断人眼闭合程度
利用LBF改进算法定位到特征点后，通过眼睛位置的先验知识[15]，截取出眼部图像，供下一步判断人眼闭合程度以及求解视线方向。
4驾驶员注视区域求解
由于本文采用红外摄像头采集图像，因此驾驶员的瞳孔与虹膜的灰度值具有明显不同。根据位于驾驶员面前的4个红外LED灯在眼睛反射得到的普尔钦光斑[18]与瞳孔中心[19]关系求解注视方向。
5结论
本文主要研究了疲劳驾驶检测技术，在对驾驶员图像进行预处理和人脸识别之后，改进了LBF算法的初始化策略，提高了人脸特征点定位精度。使用归一化特征提高了随机森林的分类效果。然后建立了一套以人眼闭合程度这一眼部特征作为基础的PERCLOS疲劳检测模型，提出了将驾驶员注视区域频率和PERCLOS检测法相结合的算法。实验证明，该算法提高了疲劳驾驶检测在实时性与准确性两个方面的平衡性能。在后续的研究中，考虑将驾驶员头部姿态角度加入到检测参数中，以适应更复杂的测试环境。
参考文献:
[1]SinghA,MinskerBS,BajcsyP.Image-BasedMachineLearningforReductionofUserFatigueinanInteractiveModelCalibrationSystem[J].JournalofComputinginCivilEngineering,2010,24(3):241-251.
相关论文范文阅读：汽车驾驶员的心理素质安全分析
这篇心理健康论文发表了汽车驾驶员的心理素质安全分析，对于汽车驾驶员来说，保证安全最重要的是心理素质的把控，论文首先分析了人们在汽车驾驶中的常见心理状态，这些负面的心理状态给安全驾驶带来威胁，那么如何提高驾驶员的心理素质，提高安全行车的具体措施呢?
转载请注明来自发表学术论文网：http://www.fbxslw.com/jjlw/22197.html
