引 言

雖然汽車在日常生活中帶給人們諸多便利，但也帶來了越來越多的交通事故，使得廣大家庭和社會(huì)遭受巨大的傷害和損失。事故中，由疲勞駕駛所引發(fā)的事故數(shù)量占絕大多數(shù)，因此研發(fā)一款用來監(jiān)測(cè)駕駛?cè)藛T有無疲勞的系統(tǒng)具有重大意義

目前，檢測(cè)疲勞駕駛的方法主要分為如下三類

(1) 生理信號(hào)法 ：借助醫(yī)療儀表和設(shè)備生理指標(biāo)對(duì)疲勞狀況進(jìn)行分析 [1]

(2) 利用傳感器監(jiān)測(cè)車輛運(yùn)行狀態(tài)參數(shù)來判斷其是否正常行駛，并分析駕駛員是否疲勞

(3) 針對(duì)駕駛?cè)藛T的反應(yīng)特征，采用圖像檢測(cè)與分割算法找到嘴巴和眼睛等器官 [2,3]，根據(jù)嘴巴和眼睛識(shí)別人體疲勞狀態(tài)的反應(yīng)特征[4,5]，并通過這些反應(yīng)特征判斷駕駛員是否疲勞駕駛

本文提出了一種基于人臉特征的駕駛員疲勞檢測(cè)算法，采用Adaboost 級(jí)聯(lián)分類器對(duì)人臉進(jìn)行檢測(cè)，在提取的人臉圖像基礎(chǔ)上再進(jìn)行人眼和嘴巴定位，并對(duì)其狀態(tài)進(jìn)行檢測(cè)，將睜閉眼和嘴巴張合度進(jìn)行信息融合，精確判斷駕駛?cè)藛T有無疲勞駕駛情況

1 疲勞檢測(cè)系統(tǒng)總體方案設(shè)計(jì)

疲勞駕駛檢測(cè)系統(tǒng)主要由圖像采集模塊、人臉檢測(cè)模塊特征定位及狀態(tài)分析模塊、信息融合模塊構(gòu)成，其系統(tǒng)流程如圖 1 所示

2 人臉檢測(cè)

采用 Adaboost 算法進(jìn)行檢測(cè)，首先獲得不同的弱分類器再把其線性組合成為強(qiáng)分類器，最后通過級(jí)聯(lián)方式構(gòu)建最終的級(jí)聯(lián)分類器，算法主要包含以下重要的部分

(1) 利用 Haar特征描述人臉的共有屬性

(2) 建立一種名為積分圖像的特征，快速獲取幾種不同的圖像矩形特征

(3) 利用 Adaboost 算法進(jìn)行訓(xùn)練

(4) 建立層級(jí)分類器

3 眼睛和嘴部狀態(tài)檢測(cè)

3.1 眼睛狀態(tài)檢測(cè)

對(duì)眼睛區(qū)域定位的同時(shí)可判斷人眼的狀況，實(shí)現(xiàn)以檢代測(cè)的效果，對(duì)眼睛睜閉情形進(jìn)行區(qū)分的流程如圖 2 所示

人眼狀態(tài)的檢測(cè)針對(duì)視頻中每一幀的圖像進(jìn)行，人眼的疲勞狀態(tài)是一個(gè)時(shí)間段內(nèi)的狀態(tài)，因此檢測(cè)采用PERCLOS Percentage of Eyelid Closure over the Pupil over Time PERCLOS）方法來判定 [6]，當(dāng)眼睛張開度大于 20％認(rèn)為是睜眼，小于等于 20％認(rèn)為是閉眼。在實(shí)際情況中可以根據(jù)圖像來判斷有無睜閉眼。PERCLOS 計(jì)算依據(jù)式（1）

3.2 嘴部狀態(tài)檢測(cè)

嘴巴的狀態(tài)有很多種，其中打哈欠是一種疲勞狀態(tài)的體現(xiàn)，因此只要將打哈欠的嘴巴狀態(tài)與其他狀態(tài)進(jìn)行區(qū)分，就能判別駕駛員是否疲勞。通過嘴巴的幾何形狀來計(jì)算其張開度 O，將嘴巴用矩形框標(biāo)記位置，用嘴巴的高 H 與寬 W 之比計(jì)算嘴巴的張開度 ：

不同的 O 值代表嘴巴處在不同的張開狀況，當(dāng)嘴巴處于全張開狀態(tài)時(shí)，O 值約為 0.8，將該值作為閾值以判別駕駛員是否打哈欠，從而可以確定其是否處于疲勞狀態(tài)。

4 疲勞狀態(tài)判定

將兩種信息融合以減小誤差，其中嘴部特征（打哈欠比眼睛特征（PERCLOS）更優(yōu)。此外，由于打哈欠持續(xù)的時(shí)間較久，約為 5 s，對(duì)比疲勞時(shí)眨眼的時(shí)間更長(zhǎng)，因此受外界影響更小。一旦出現(xiàn)打哈欠較長(zhǎng)的狀況，就能判定駕駛員處于疲勞狀態(tài)。

根據(jù)檢測(cè)兩眼狀態(tài)采用的 PERCLOS 標(biāo)準(zhǔn)可將其分為兩類 ：清醒狀態(tài)（PECRCLOS 參數(shù)值＜ 20%）和疲勞狀態(tài)（PECRCLOS 參數(shù)值≥ 20%）；根據(jù)有無打哈欠將嘴巴張開大小分為兩種 ：疲勞狀態(tài)（打哈欠）和清醒狀態(tài)（未打哈欠）。本文綜合上述兩種標(biāo)準(zhǔn)最終判定駕駛員是否處于疲勞狀態(tài)。

5 實(shí)驗(yàn)結(jié)果與分析

5.1 人臉檢測(cè)

通過 OpenCV 開源庫對(duì)大量圖片進(jìn)行訓(xùn)練，得到人臉分類器，實(shí)現(xiàn)對(duì)人臉的檢測(cè)定位，結(jié)果如圖 3 所示。

5.2 疲勞檢測(cè)

眼睛狀態(tài)測(cè)試結(jié)果見表 1 所列。在疲勞時(shí)通過眼睛狀態(tài)來判斷的準(zhǔn)確度達(dá) 80.83％，表明以眼睛狀況來檢測(cè)疲勞的方法可行。同時(shí)從誤檢的結(jié)果可知，只從眼睛狀況來檢測(cè)有無疲勞仍存在問題。

6 結(jié) 語

本文基于 Adaboost 級(jí)聯(lián)分類器的人臉檢測(cè)算法來檢測(cè)人眼、嘴巴，減少搜索范圍，提高速度。通過分析提取的駕駛員人眼、嘴巴特征，實(shí)現(xiàn)對(duì)有無疲勞的準(zhǔn)確檢測(cè)。測(cè)試表明，在不同環(huán)境下，本文提出的方法在每個(gè)階段基本都能實(shí)現(xiàn)疲勞駕駛的檢測(cè)。但本文所用方法的檢測(cè)時(shí)間較長(zhǎng)，檢測(cè)效率較低，如何提高檢測(cè)效率將是下一階段研究的重點(diǎn)。