司機(jī)疲勞駕駛檢測(cè)系統(tǒng)設(shè)計(jì).doc

精選資料司機(jī)疲勞駕駛檢測(cè)系統(tǒng)設(shè)計(jì)摘要：隨著社會(huì)經(jīng)濟(jì)的發(fā)展，商用長(zhǎng)途運(yùn)輸車越來越多，司機(jī)為了追求經(jīng)濟(jì)效益，經(jīng)常罔顧交通法的規(guī)定疲勞駕駛，而一些私家車也因?yàn)楦鞣N各樣的原因經(jīng)常鋌而走險(xiǎn)疲勞駕駛，釀成很多人間慘劇。為了減少減輕司機(jī)的精神壓力并對(duì)疲勞及時(shí)提示預(yù)警，本論文以計(jì)算機(jī)視覺技術(shù)為主體，設(shè)計(jì)實(shí)用操作簡(jiǎn)單的疲勞駕駛檢測(cè)系統(tǒng)，輔助駕駛員安全駕駛。司機(jī)疲勞駕駛實(shí)時(shí)檢測(cè)系統(tǒng)在實(shí)際應(yīng)用中有很重要的意義。設(shè)計(jì)了一個(gè)利用圖像分析的方法，通過測(cè)量PERCLOS指標(biāo)值來進(jìn)行疲勞判斷的該類系統(tǒng)。系統(tǒng)首先對(duì)圖像進(jìn)行預(yù)處理，然后采用基于YCbCr顏色空間膚色模型進(jìn)行人臉粗定位，根據(jù)人臉特征，逐次進(jìn)行人眼區(qū)域縮??；最后通過對(duì)邊緣信息進(jìn)行先驗(yàn)知識(shí)結(jié)合積分投影的方法進(jìn)行人眼定位和閉合度測(cè)量。考慮到視頻圖像序列幀與幀之間的相關(guān)性，采用線性運(yùn)動(dòng)預(yù)測(cè)的方法對(duì)人眼進(jìn)行跟蹤，減少了系統(tǒng)的運(yùn)算量。實(shí)驗(yàn)結(jié)果表明系統(tǒng)能實(shí)時(shí)、準(zhǔn)確地反映司機(jī)的疲勞狀態(tài)。關(guān)鍵詞：疲勞駕駛 人臉檢測(cè)膚色檢測(cè) 交通安全 疲勞判斷目錄摘要Abstract1.疲勞駕駛檢測(cè)系統(tǒng)研究背景與意義2.疲勞駕駛檢測(cè)系統(tǒng)研究與實(shí)現(xiàn)2.1國(guó)內(nèi)外疲勞駕駛檢測(cè)系統(tǒng)研究現(xiàn)狀2.1.1國(guó)外疲勞駕駛檢測(cè)系統(tǒng)的研究成果2.1.2國(guó)內(nèi)疲勞駕駛檢測(cè)系統(tǒng)的研究現(xiàn)狀2.2疲勞駕駛檢測(cè)系統(tǒng)淺析2.3駕駛員疲勞檢測(cè)系統(tǒng)的研究2.3.1人臉檢測(cè)2.3.2人眼定位2.3.3疲勞程度的綜合判定3.基于人臉特征的列車司機(jī)疲勞駕駛檢測(cè)與識(shí)別系統(tǒng)研究3.1研究?jī)?nèi)容及目標(biāo)3.1.1基于人臉特征的疲勞駕駛檢測(cè)與識(shí)別算法開發(fā)3.1.2疲勞駕駛檢測(cè)與識(shí)別算法OSP移植3.2基于Adaboost算法的人臉檢測(cè)3.2.1人臉檢測(cè)技術(shù)概述3.2.2Adaboost人臉檢測(cè)算法3.3基于Adaboost算法的人臉檢測(cè)軟件實(shí)現(xiàn)3.3.1.樣本訓(xùn)練過程3.3.2人臉檢測(cè)程序3.4人眼檢測(cè)與人眼狀態(tài)分析算法3.4.1基于Adaboost的人眼檢測(cè)算法3.4.2人眼級(jí)聯(lián)分類器效果分析3.4.3人眼狀態(tài)分析算法4.基于貝葉斯網(wǎng)絡(luò)的駕駛疲勞程度識(shí)別模型4.1基于貝葉斯網(wǎng)絡(luò)模型的駕駛疲勞程度識(shí)別4.2駕駛疲勞程度識(shí)別模型4.2.1駕駛疲勞貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)4.2.2貝葉斯網(wǎng)絡(luò)條件概率表的確定4.2.3駕駛疲勞程度貝葉斯網(wǎng)絡(luò)識(shí)別模型4.3模型有效性驗(yàn)證5.基于FPGA的疲勞駕駛檢測(cè)系統(tǒng)設(shè)計(jì)5.1疲勞駕駛檢測(cè)系統(tǒng)總體設(shè)計(jì)方案5.1.1系統(tǒng)紅外光源原理5.1.2系統(tǒng)總體設(shè)計(jì)5.2系統(tǒng)硬件設(shè)計(jì)與實(shí)現(xiàn)5.2.1系統(tǒng)硬件總體架構(gòu)5.2.2圖像采集電路設(shè)計(jì)5.2.3主控板設(shè)計(jì)5.2.4輔助電路設(shè)計(jì)5.2.5系統(tǒng)硬件電路的物理測(cè)試6.基于 NiosII 多核駕駛疲勞檢測(cè)系統(tǒng)設(shè)計(jì)6.1系統(tǒng)介紹6.2系統(tǒng)關(guān)鍵模塊設(shè)計(jì)6.2.1圖像采集模塊設(shè)計(jì)6.2.2圖像處理算法6.2.3圖像處理算法硬件加速的實(shí)現(xiàn)6.2.4數(shù)據(jù)存儲(chǔ)模塊設(shè)計(jì)7.疲勞駕駛預(yù)警系統(tǒng)的研究進(jìn)展7.1預(yù)警系統(tǒng)的組成及工作原理7.2典型的疲勞駕駛預(yù)警系統(tǒng)7.3疲勞駕駛預(yù)警系統(tǒng)比較7.4發(fā)展趨勢(shì)8.新型多功能駕駛員狀態(tài)監(jiān)測(cè)系統(tǒng)設(shè)計(jì)8.1無線腦電信號(hào)采集和分析8.1.1情緒預(yù)警8.1.2疲勞監(jiān)測(cè)8.1.3突發(fā)疾病監(jiān)測(cè)8.2酒精監(jiān)測(cè)9.多源信息融合在駕駛疲勞檢測(cè)中的應(yīng)用9.1駕駛疲勞特征9.1.1PERCLOS值的計(jì)算9.1.2行駛方向改變與駕駛員反應(yīng)不一致情況9.1.3方向盤動(dòng)作狀態(tài)9.1.4連續(xù)駕駛時(shí)間9.1.5實(shí)際時(shí)間參數(shù)9.2模糊神經(jīng)網(wǎng)絡(luò)疲勞識(shí)別9.2.1疲勞度量化9.3智能控制技術(shù)在汽車疲勞駕駛監(jiān)控中的應(yīng)用研究9.3.1硬件描述結(jié)束語參考文獻(xiàn)1.研究背景與意義 駕駛疲勞川是指駕駛員由于睡眠不足或長(zhǎng)時(shí)間持續(xù)駕駛造成的反應(yīng)能力下降，這種下降表現(xiàn)在駕駛員困倦、打磕睡、駕駛操作失誤或完全喪失駕駛能力。美國(guó)印第安那大學(xué)對(duì)交通事故原因的調(diào)查研究發(fā)現(xiàn)85%的事故與駕駛員有關(guān)，車輛和環(huán)境因素只占15%。駕駛員在事故發(fā)生前一瞬間的行為和故障直接導(dǎo)致了事故的發(fā)生，這些行為包括知覺的延遲、對(duì)環(huán)境的決策錯(cuò)誤、對(duì)危險(xiǎn)情況的處理不當(dāng)?shù)?。在所有的駕駛員錯(cuò)誤中，最常見的是知覺延遲和決策錯(cuò)誤，這些錯(cuò)誤會(huì)產(chǎn)生注意力不集中、反映遲鈍、操作不當(dāng)?shù)?，產(chǎn)生這些錯(cuò)誤的根本原因就是駕駛疲勞。 隨著我國(guó)生活水平的提高，人們的衣食住行等方面有了很大的改善，在交通方面更是有了質(zhì)的飛躍。四通八達(dá)的道路、便捷的交通工具大大地縮短了人與人的距離，其中汽車保有量更是與日俱增，一個(gè)家庭擁有兩輛以上的小車已經(jīng)不是什么新鮮的事情。但是，汽車在帶給人們方便的同時(shí)，隨之而來的交通事故也源源不斷。據(jù)統(tǒng)計(jì)，我國(guó)交通事故死亡人數(shù)己連續(xù)10多年居世界第一。我國(guó)在滾滾車輪下喪生的人數(shù)，短短十幾年間己從每年5萬多人增長(zhǎng)到10多萬人，是交通事故死亡人數(shù)居世界第二位國(guó)家的兩倍。其中，駕駛員疲勞造成交通事故的占總數(shù)的20%左右，占特大交通事故的40%以上。同樣，在國(guó)外情況也不容樂觀。據(jù)美國(guó)國(guó)家公路交通安全委員會(huì)的估計(jì)，在美國(guó)大約發(fā)生56000次與睡眠有關(guān)的交通事故，其中約40000人次受傷和1550人死亡。1965年美國(guó)俄克拉荷馬州收費(fèi)公路局發(fā)表了1953年至1964年2128名機(jī)動(dòng)車駕駛員發(fā)生車輛碰撞事故的調(diào)查結(jié)果:22%的駕駛員打噸駕駛，48%的交通事故歸結(jié)于疲勞駕駛疲勞。由此可以知道，疲勞駕駛正逐漸成為交通事故的主要原因之一，成為馬路上的“第一殺手”，如果我們能積極開展疲勞檢測(cè)的工作，提醒駕駛者，很大程度上就能預(yù)防和減少交通事故的發(fā)生，使得公民的出行更加安全。因此，研究出一套疲勞檢測(cè)的系統(tǒng)對(duì)社會(huì)和民眾都有不可估量的社會(huì)意義和經(jīng)濟(jì)價(jià)值。 一套好的檢測(cè)系統(tǒng)必須要有成熟而完善的算法。本文對(duì)疲勞檢測(cè)系統(tǒng)的實(shí)現(xiàn)方法進(jìn)行研究，以期提高疲勞檢測(cè)的速度和準(zhǔn)確度。如果能將好的算法應(yīng)用于疲勞檢測(cè)系統(tǒng)之中，無疑能更有效的預(yù)防駕駛員疲勞駕駛而引起不必要的人員傷亡和經(jīng)濟(jì)損失。2. 疲勞駕駛檢測(cè)系統(tǒng)研究與實(shí)現(xiàn)2.1國(guó)內(nèi)外疲勞駕駛檢測(cè)系統(tǒng)研究現(xiàn)狀對(duì)疲勞駕駛的研究在國(guó)外最早可以追溯到20世紀(jì)30年代，但實(shí)際上，投入真正研究的卻還是從上世紀(jì)RO年代美國(guó)國(guó)會(huì)通過的汽車駕駛狀態(tài)與交通安全之間的關(guān)系研究開始的。進(jìn)入上世紀(jì)90年代，疲勞駕駛的科研工作得到了人們更大的重視，取得了一系列卓有成效的成果。2.1.1國(guó)外疲勞駕駛檢測(cè)系統(tǒng)的研究成果 早期的疲勞駕駛測(cè)評(píng)主要是從醫(yī)用角度出發(fā)，借助醫(yī)療器件進(jìn)行生理特征測(cè)量的。疲勞駕駛的實(shí)質(zhì)性的研究工作是從20世紀(jì)80年代由美國(guó)國(guó)會(huì)批準(zhǔn)交通部研究交通安全和機(jī)動(dòng)車駕駛的關(guān)系，并健全汽車安全管理?xiàng)l例開始的。由此把疲勞駕駛的研究提高到了立法高度，保證了開展疲勞駕駛研究的有效性、合法性和持續(xù)性。其研究工作大概可以分為兩大類:一是研究疲勞磕睡產(chǎn)生的原因和其他誘發(fā)因素，尋找能夠降低這種危險(xiǎn)的方法:二是研制智能報(bào)警系統(tǒng)，防止駕駛員磕睡狀態(tài)下駕駛。20世紀(jì)90年代，美國(guó)對(duì)疲勞駕駛電子裝置的研發(fā)工作發(fā)展的較快。在各國(guó)研制的裝置中具有代表性的成果有: (1)美國(guó)研制的打磕睡駕駛員偵探系統(tǒng)DDDS(The Drowsy Driver DetectionSystem)。采用多普勒雷達(dá)和信號(hào)處理方法，可獲取駕駛員煩躁不安的情緒活動(dòng)、眨眼頻率和持續(xù)時(shí)間等疲勞數(shù)據(jù)，用以判斷駕駛員是否打磕睡或睡著。該系統(tǒng)可制成體積較小的儀器，安裝在駕駛室內(nèi)駕駛員頭頂上方，完全不影響正常的駕駛活動(dòng)。 (2)美國(guó)華盛頓大學(xué)通過自行開發(fā)的專用照相機(jī)、腦電圖儀和其他儀器來精確測(cè)量頭部運(yùn)動(dòng)瞳孔直徑變化和眨眼頻率，用以研究駕駛行為問題。一般情況下入們眼睛閉合的時(shí)間在0. 2-0. 3 s之間，駕駛時(shí)若眼睛閉合時(shí)間達(dá)到0. 5秒就很容易發(fā)生交通事故。 (3)卡內(nèi)基梅隆研究所的Copilot裝置。研究所的Grace等人采用特制的紅外LED裝置，根據(jù)人的視網(wǎng)膜對(duì)不同波長(zhǎng)紅外光的反射量不同所表現(xiàn)出生理特征，使用850nm和950nm波長(zhǎng)的紅外光源，在同一時(shí)間內(nèi)得到兩幅眼部具有微小差別的圖像，然后將這兩幅圖像進(jìn)行差分相減，就可以提取出眼部瞳孔的位置和大小。再用PERCLOS法則計(jì)算眼睛的閉合程度來判斷疲勞的程度。使用此裝置能比較準(zhǔn)確地定位出人眼然后進(jìn)行疲勞判斷。 (4)2000年1月明尼蘇達(dá)大學(xué)計(jì)算機(jī)科學(xué)與工程系的Nikolaos P.Papanikolopoulos教授成功開發(fā)了一套駕駛員眼睛的追蹤和定位系統(tǒng)，通過安置在車內(nèi)的一個(gè)CCD攝像頭監(jiān)視駕駛員的臉部，用快速簡(jiǎn)單的算法確定駕駛員眼睛在臉部圖像中的確切位置，追蹤多幅圖像來監(jiān)控駕駛員是否駕駛疲勞。同年3月，他對(duì)上述系統(tǒng)進(jìn)行了改進(jìn)，改用紅外線彩色攝像頭并加濾波器濾除圖像的噪聲和非臉部的圖像，使搜索臉部圖像的次數(shù)減少，加快了處理圖像的速度。 (5)日本成功研制了電子“清醒帶”，固定在駕駛員頭部，將其一端的插頭插入車內(nèi)點(diǎn)煙器的插座，裝在帶子里的半導(dǎo)體溫差電偶使平展在前額部位的鋁片變涼，使駕駛員睡意消除，精神振作。 (6)日本先鋒公司最近開發(fā)出防止駕駛員開車打磕睡的系統(tǒng)。它可通過心跳感應(yīng)器每隔巧秒檢測(cè)司機(jī)的心跳速度，監(jiān)測(cè)司機(jī)駕駛員是否打磕睡，在睡意來臨巧分鐘前提醒司機(jī)注意，防止發(fā)生事故。先鋒公司還研究了通過測(cè)量眨眼頻率和車體搖晃頻率監(jiān)測(cè)司機(jī)是否磕睡的系統(tǒng)。 (7)西班牙的防磕睡系統(tǒng)(Anti-Drowsiness System)，測(cè)量駕駛時(shí)手對(duì)方向盤的握力，一旦檢測(cè)到疲勞發(fā)生，利用汽車的燈不停的閃爍，提醒周圍的交通車輛。 (8)澳大利亞的頭部位置測(cè)量跟蹤系統(tǒng)與沃爾沃合作，通過測(cè)量頭部位置、閉眼和眨眼評(píng)估疲勞駕駛，但是它要求在司機(jī)的臉上作一些標(biāo)記，給司機(jī)帶來極大的不便。 (9) 2005年，澳大利亞的研究人員們推出了一款眼鏡，它可以檢測(cè)出司機(jī)是否已經(jīng)處于疲勞狀態(tài)，并及時(shí)提出警告。原理是通過紅外線傳感器監(jiān)測(cè)司機(jī)的眼瞼活動(dòng)和眨眼頻率，據(jù)此判斷司機(jī)是否己經(jīng)處于疲勞狀態(tài)。 (10)轉(zhuǎn)向盤監(jiān)視系統(tǒng)S. A. M(Steering Attention Monitor)，一種監(jiān)測(cè)方向盤非正常運(yùn)動(dòng)的傳感器系統(tǒng)，當(dāng)方向盤正常運(yùn)動(dòng)時(shí)傳感器系統(tǒng)不報(bào)警，若轉(zhuǎn)向盤4s不運(yùn)動(dòng)就會(huì)發(fā)出報(bào)警聲直到轉(zhuǎn)向盤繼續(xù)正常運(yùn)止。該系統(tǒng)固定在車內(nèi)錄音機(jī)旁，轉(zhuǎn)向盤下面的桿上裝有一條磁性帶，用以監(jiān)測(cè)轉(zhuǎn)向盤的運(yùn)動(dòng)。 (11)頭部位置測(cè)量?jī)x(ASCI Advanced Safety Concepts Inc研制)。傳感器設(shè)計(jì)安裝在司機(jī)座位上方，每個(gè)傳感器都能輸出司機(jī)頭部距離傳感器的位置，利用三角代數(shù)算法就可以計(jì)算出頭在X, Y, Z三維空間中的位置，也能夠?qū)崟r(shí)跟蹤頭部的位置，同時(shí)利用各個(gè)時(shí)間段頭部位置的變化特征，可以表現(xiàn)出司機(jī)處于清醒還是磕睡狀態(tài)。該傳感器物理特點(diǎn)基于傳感器電極屏蔽之間的電容，通過人這個(gè)高導(dǎo)體可以改變電極之間的電容，通過測(cè)量電壓計(jì)算頭部與傳感器之間的距離。當(dāng)人進(jìn)入電容區(qū)域時(shí)，臨近的電容改變同距離之間的關(guān)系是，利用3個(gè)傳感器，就可利用三角代數(shù)計(jì)算出頭的X, Y, Z的坐標(biāo)。并對(duì)司機(jī)的頭部位置進(jìn)行實(shí)時(shí)跟蹤，并且根據(jù)頭部位置的變化規(guī)律判定司機(jī)是否磕睡，發(fā)現(xiàn)點(diǎn)頭的動(dòng)作和磕睡有非常好的相關(guān)性。 (12)法國(guó)圖盧茨西門子汽車公司投資1700萬法郎研制的一整套疲勞檢測(cè)系統(tǒng)。他們?cè)谄嚿涎b上5種傳感器:汽車速度傳感器(監(jiān)測(cè)汽車是否超速)、腳踏板傳感器(監(jiān)控腳踏板上壓力的情況，是否在預(yù)定時(shí)間內(nèi)沒有壓力變化)、方向盤傳感器(監(jiān)測(cè)方向盤情況)、車尾CCD傳感器(測(cè)量汽車和馬路上旁側(cè)或中間的白線距離)、眼睛傳感器(專門監(jiān)控眼部的疲勞特征)。這套系統(tǒng)主要是從多方面情況來聯(lián)合監(jiān)控駕駛員的情況，運(yùn)用傳感器融合的原理來綜合判斷駕駛員的情況，在實(shí)時(shí)性、準(zhǔn)確性上有很大的保障。2.1.2國(guó)內(nèi)疲勞駕駛檢測(cè)系統(tǒng)的研究現(xiàn)狀 國(guó)內(nèi)的疲勞駕駛預(yù)警系統(tǒng)的研究還處于起步階段，相對(duì)國(guó)外來說還比較落后。我國(guó)對(duì)疲勞駕駛的研究最早始于20世紀(jì)60年代，其中主要以高校居多。到目前為止，還沒有很成熟的產(chǎn)品問世。目前的檢測(cè)方法主要有: (1)江蘇大學(xué)汽車與交通工程學(xué)院的葛如海教授等5人設(shè)計(jì)的一套疲勞監(jiān)控系統(tǒng)，運(yùn)用圖像差分、灰度直方圖等一系列圖像處理方法，定位駕駛員眼睛睜開閉合狀態(tài)，再用PERCLOS指標(biāo)衡量駕駛員的疲勞狀態(tài)。 (2)上海交通大學(xué)石堅(jiān)、吳遠(yuǎn)鵬等人通過在車上安裝傳感器來測(cè)量方向盤、踏板壓力等情況間接或許駕駛員的疲勞信息，當(dāng)踏板或方向盤長(zhǎng)時(shí)間不動(dòng)的時(shí)候，駕駛員可能有疲勞的跡象，但是這和駕駛員的駕駛經(jīng)驗(yàn)和習(xí)慣有關(guān)，準(zhǔn)確性不高。 (3)中南大學(xué)對(duì)駕駛員駕駛時(shí)的疲勞檢測(cè)方法進(jìn)行了研究，設(shè)計(jì)出了一套眼睛跟蹤系統(tǒng)，可達(dá)到實(shí)時(shí)的跟蹤效果，同時(shí)研究了疲勞時(shí)眼睛的閉眼時(shí)間、快眨眼次數(shù)、慢眨眼時(shí)間和次數(shù)的特征模式。 (4)航空醫(yī)學(xué)研究所的俞夢(mèng)孫、周俞斌等司利用人眼在特定波長(zhǎng)的紅外光照射下的不同成像特點(diǎn)，設(shè)計(jì)了適用于全天候的疲勞檢測(cè)系統(tǒng)。 (5)西南大學(xué)的姜德美提取駕駛員駕駛時(shí)的反應(yīng)時(shí)間和方向盤轉(zhuǎn)動(dòng)角度作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入，來進(jìn)行仿真驗(yàn)證。 (6)浙江大學(xué)正在研究駕駛防磕睡裝置，該裝置通過實(shí)時(shí)監(jiān)測(cè)一段時(shí)間內(nèi)駕駛?cè)藛T眼睛的活動(dòng)如眼睛的閉合時(shí)間、閉合頻率等參數(shù)，來判斷當(dāng)前駕駛?cè)藛T的注意力程度，從而識(shí)別駕駛員是否疲勞。 (7)中國(guó)農(nóng)業(yè)大學(xué)車輛與交通工程學(xué)院正在進(jìn)行機(jī)動(dòng)車駕駛員疲勞測(cè)評(píng)方法的研究，他們使用CCD攝像頭來采集圖像數(shù)據(jù)，數(shù)據(jù)采集到計(jì)算機(jī)后，先利用高斯膚色模型進(jìn)行駕駛員人臉定位，然后根據(jù)人臉圖像的灰度分布檢測(cè)出眼睛在圖像中的具體位置，最后利用模板匹配技術(shù)判斷出人眼的開閉狀態(tài)，并計(jì)算出眼睛的閉合時(shí)間和PERCLOS，當(dāng)眼睛的持續(xù)閉合時(shí)間大于3秒，PERCLOS大于80%時(shí)，就認(rèn)為駕駛員處于疲勞駕駛狀態(tài)，發(fā)出警告。 (8)吉林大學(xué)的王榮本等與中國(guó)業(yè)大學(xué)鄭培等，利用機(jī)器視覺的方法對(duì)駕駛員的眼睛特征進(jìn)行實(shí)時(shí)跟蹤從而判斷駕駛員的精神狀態(tài)。 (9)深圳長(zhǎng)途汽車公司的周鵬應(yīng)用人體生理學(xué)、現(xiàn)代神經(jīng)學(xué)、電子工程學(xué)分析了駕駛員疲勞事故隱患的起因，提出了消除疲勞事故隱患必須消除司機(jī)開車時(shí)的異常疲勞和大腦麻痹。根據(jù)這一思想他研究了佩戴于司機(jī)小腿部與手腕部的“司機(jī)疲勞事故預(yù)防器”。 (10)中國(guó)的金吉公司制造了一種像戒指一樣的測(cè)量裝置，利用人的皮膚阻抗的變化，司機(jī)磕睡時(shí)，通過聲音提醒司機(jī)當(dāng)前的狀態(tài)，由于特異性和準(zhǔn)確度不高，誤報(bào)率和漏報(bào)率都很高。 綜合國(guó)內(nèi)外的現(xiàn)狀來看，能做到實(shí)時(shí)、有效、簡(jiǎn)單地檢測(cè)駕駛員的疲勞情況是目前研究的重點(diǎn)和熱點(diǎn)，但是目前市場(chǎng)上還沒有非常成熟的產(chǎn)品投入到市場(chǎng)上進(jìn)行實(shí)際的應(yīng)用，這主要存在著以下的困難:首先產(chǎn)品的投入成本比較高，汽車廠商研制出了較好的預(yù)警系統(tǒng)但是卻無法很好地進(jìn)行商業(yè)化的推廣;其次目前疲勞的判斷沒有確切的定義，因此在進(jìn)行疲勞檢測(cè)的時(shí)候可能會(huì)出現(xiàn)誤判等情況:再者諸如EEG,“清醒帶”、監(jiān)測(cè)眼鏡等方法的有效性良好，但是由于是接觸性的裝置，大大影響了駕駛員了自由活動(dòng);最后還因?yàn)閭€(gè)體和環(huán)境的差異(諸如男女性別、近視眼鏡、光照情況、路況等)受到不同的影響。 總體看來，駕駛員疲勞檢測(cè)是個(gè)復(fù)雜的過程，我國(guó)的駕駛疲勞檢測(cè)的方法同發(fā)達(dá)國(guó)家相比，還存在較大的差距。研究表明，眼睛狀態(tài)和疲勞有很大的關(guān)聯(lián)性，現(xiàn)階段隨著數(shù)碼相機(jī)和網(wǎng)絡(luò)攝像頭的價(jià)格越來越便宜，通過監(jiān)測(cè)駕駛員的眼睛狀態(tài)來判斷駕駛員是否疲勞的技術(shù)正逐步成為熱點(diǎn)。因此，研究如何利用機(jī)器視覺技術(shù)、圖像處理技術(shù)、人臉識(shí)別技術(shù)PERCLOS疲勞檢測(cè)方法相結(jié)合，開發(fā)出一種車載的、非接觸式的、實(shí)時(shí)的員疲勞檢測(cè)系統(tǒng)是當(dāng)前的一個(gè)研究熱點(diǎn)，這就是本課題研究的初衷。2.2疲勞駕駛檢測(cè)系統(tǒng)淺析經(jīng)過幾十年的研究疲勞檢測(cè)技術(shù)仍遠(yuǎn)未達(dá)到成熟、完善的地步國(guó)內(nèi)外主要研究成果如下(1)利用方向盤內(nèi)置傳感器感應(yīng)駕駛員對(duì)航向糾正的速率若對(duì)方向的掌控遲鈍則判為疲勞駕駛并發(fā)出警報(bào)但這個(gè)系統(tǒng)并未充分考慮長(zhǎng)距直路、路況好的情況。( 2)利用內(nèi)置攝像頭偵測(cè)駕駛員眼部狀態(tài)包括:眼瞼、瞳孔變化及眨眼頻率等來判斷駕駛員是否疲勞。但這個(gè)系統(tǒng)并未充分考慮人眼特征差異，比如:眼眼小的人、睡覺睜眼的人戴眼鏡的人等。( 3)利用連續(xù)駕車時(shí)間來判斷駕駛員是否疲勞。這種方法很難扼制短暫停車?yán)^續(xù)駕駛的人。(4)利用后視鏡傳感器檢測(cè)車輛是否偏離車道若車輛非線性行駛則判為疲勞駕駛并發(fā)出警報(bào)。該系統(tǒng)不適合崎嶇、顛簸的道路。( 5)利用駕駛員臉部膚色變化來判斷是否疲勞駕駛這種方法受光照強(qiáng)度的影響很大。其他如通過檢測(cè)心跳、血壓、明視持久度、能見度、調(diào)節(jié)時(shí)間變動(dòng)率、閃光融合頻率、腦電圖、心電圖、肌電圖等判定疲勞的方法形式單一多信息融合系統(tǒng)隨之產(chǎn)生擔(dān)其準(zhǔn)確性、可靠性有待完善。 2.2.1神經(jīng)傳導(dǎo)速度測(cè)定方法 疲勞直接反映了神經(jīng)的傳導(dǎo)時(shí)間人在疲勞時(shí)房使神經(jīng)傳導(dǎo)時(shí)間明顯延時(shí)。所以神經(jīng)傳導(dǎo)速度可作為反應(yīng)駕駛員是否疲勞駕馬史的基本生理參數(shù)。 1.感覺神經(jīng)傳導(dǎo)速度測(cè)定方法 疲勞早期駕駛員主要是感覺障礙基本無運(yùn)動(dòng)障礙和肌肉萎縮問此時(shí)測(cè)定感覺神經(jīng)傳導(dǎo)速度對(duì)于預(yù)防疲勞駕駛、避免交通事故的發(fā)生具有重要意義。根據(jù)如下公式計(jì)算出感覺神經(jīng)傳導(dǎo)速度:檢測(cè)方法如下(以撓神經(jīng)為例)使用指環(huán)電極作為刺激電極，使用表面電極作為記錄電極，刺激位置為拇指接近虎口的指關(guān)節(jié)，記錄位置選擇手腕撓測(cè)或前臂下1 /3a測(cè)出刺激點(diǎn)與記錄點(diǎn)之間的距離S并測(cè)出刺激開始至感覺神經(jīng)收縮產(chǎn)生動(dòng)作電位的潛伏期T。 2.運(yùn)動(dòng)神經(jīng)傳導(dǎo)速度測(cè)定方法 運(yùn)動(dòng)神經(jīng)傳導(dǎo)速度檢查能直接測(cè)定運(yùn)動(dòng)神經(jīng)的傳導(dǎo)性。根據(jù)刺激點(diǎn)與記錄電極之間的距離差及潛伏期間隔來推算該段距離內(nèi)的運(yùn)動(dòng)神經(jīng)傳導(dǎo)速度。 根據(jù)如下公式計(jì)算出運(yùn)動(dòng)神經(jīng)傳導(dǎo)速度： 2.2.2系統(tǒng)設(shè)計(jì)本系統(tǒng)主要靠檢測(cè)、計(jì)算出的神經(jīng)傳導(dǎo)速度與參考值作比較來判斷駕駛員是否疲勞。通過內(nèi)嵌在方向盤內(nèi)的電極及腕、肘部的電極來測(cè)得神經(jīng)傳導(dǎo)速度的關(guān)鍵參數(shù)并傳入控制系統(tǒng),由控制系統(tǒng)通過計(jì)算、與參考值進(jìn)行比較最終對(duì)是否疲勞作出裁決廠旦認(rèn)定疲勞駕駛,便啟動(dòng)聲、光報(bào)警系統(tǒng)甚至自動(dòng)剎車系統(tǒng),以避免交通事故的發(fā)生。2.3駕駛員疲勞檢測(cè)系統(tǒng)的研究 為了減少由于駕駛員疲勞駕駛引起的交通事故，提出駕駛員疲勞狀態(tài)檢測(cè)系統(tǒng)的方案。使用33中值濾波去除噪聲和光照對(duì)圖像的影響，通過對(duì)AdaBoost算法的強(qiáng)分類器訓(xùn)練算法改進(jìn)、級(jí)聯(lián)分類器優(yōu)化實(shí)現(xiàn)人臉的快速檢測(cè)，在檢測(cè)到的人臉區(qū)域，通過積分灰度投影和從粗到細(xì)改進(jìn)的模板匹配方法對(duì)人眼進(jìn)行準(zhǔn)確定位；通過PERCLOS、眼睛閉合時(shí)間、眼睛眨眼頻率、嘴巴張開程度、頭部運(yùn)動(dòng)的計(jì)算，進(jìn)行駕駛員疲勞程度的綜合判定。實(shí)驗(yàn)結(jié)果表明，該方法準(zhǔn)確率高，兼具了良好的實(shí)時(shí)性和魯棒性。2.3.1人臉檢測(cè) 1.圖像預(yù)處理 由于自然條件下的噪聲和光照影響等一些因素，會(huì)給人臉圖像的處理帶來一定的干擾，所以需要找到合適的方法濾除噪聲和改善非均勻光照的影響。經(jīng)實(shí)驗(yàn)驗(yàn)證，33中值濾波法可達(dá)到很好的預(yù)處理效果。 2.改進(jìn)的 AdaBoost 檢測(cè)方法 1995 年，F(xiàn)reend 和 Schapire 提出 AdaBoost 算法，ViolaP 和 Jones M 提出的與基于積分圖的 Haar-like 特征快速計(jì)算算法相結(jié)合的 AdaBoost算法，在歷史上第一次真正實(shí)現(xiàn)目標(biāo)的實(shí)時(shí)檢測(cè)。這個(gè)算法的基本思想就是將大量的分類能力一般的弱分類器通過一定方法疊加起來，構(gòu)成一個(gè)分類能力很強(qiáng)的強(qiáng)分類器，且算法不需要任何關(guān)于弱分類器性能的先驗(yàn)知識(shí)，很容易應(yīng)用到實(shí)際問題中。AdaBoost算法流程如圖2所示。 Viola P 和 Jones M 提出的基于 AdaBoost 的快速目標(biāo)檢測(cè)方法，雖然得到了廣泛的應(yīng)用，但是該算法還存在很多問題。如：雖然 AdaBoost系統(tǒng)檢測(cè)速度很高，但是由于AdaBoost 算法本身訓(xùn)練比較耗時(shí)，整個(gè)系統(tǒng)的訓(xùn)練時(shí)間非常驚人。根據(jù)文獻(xiàn)7，其系統(tǒng)在訓(xùn)練上花費(fèi)了數(shù)周的時(shí)間。在分析這些問題的基礎(chǔ)之上，本文提出了改進(jìn)的AdaBoost目標(biāo)檢測(cè)算法，極大降低了檢查的時(shí)間。 （1）強(qiáng)分類器訓(xùn)練改進(jìn)算法 基于 AdaBoost的快速目標(biāo)檢測(cè)算法在計(jì)算 Haar-like特征時(shí)使用積分圖的方式進(jìn)行了快速計(jì)算，根據(jù)文獻(xiàn)8的統(tǒng)計(jì)，2424的搜索窗口雖然有18萬的特征，但是過半的矩形特征面積非常小（小于 22），這些特征在實(shí)際目標(biāo)檢測(cè)的性能很差，使訓(xùn)練的特征不具有很好的泛化能力。本文在進(jìn)行特征選取的時(shí)候?qū)⑦@些小面積矩形特征進(jìn)行過濾，避免了此類特征的計(jì)算，在保證分類器檢測(cè)率的同時(shí)，提高了分類器的訓(xùn)練速度。由AdaBoost訓(xùn)練強(qiáng)分類器的訓(xùn)練算法可以看出，該算法是選擇單個(gè)特征作為弱分類器，且選擇弱分類器的標(biāo)準(zhǔn)是弱分類的檢測(cè)準(zhǔn)確率略大于隨機(jī)猜測(cè)（即略大約0.5），則將該弱分類器保留。但是在訓(xùn)練的過程中，很可能出現(xiàn)非常相似的特征，這類相似的特征對(duì)分類器的性能沒有提高的作用，而且不利于分類器的泛化能力。 （3）級(jí)聯(lián)檢測(cè)技術(shù)的優(yōu)化AdaBoost 算法能夠完成實(shí)時(shí)性檢測(cè)的原因除了通過積分圖進(jìn)行快速特征計(jì)算之外，另一個(gè)重要原因是該算法在進(jìn)行檢測(cè)目標(biāo)時(shí)采用了級(jí)聯(lián)分類器。級(jí)聯(lián)結(jié)構(gòu)分類器如圖3所示。在將訓(xùn)練出強(qiáng)分類器串聯(lián)在一起形成層疊分類器時(shí)，應(yīng)遵循“先重后輕”的分級(jí)分類器思想，將由重要特征構(gòu)成的結(jié)構(gòu)較簡(jiǎn)單強(qiáng)分類器放在前面。這樣可以先排除大量假樣本，從而提高檢查速度。AdaBoost 算法在進(jìn)行級(jí)聯(lián)分類器訓(xùn)練的時(shí)候，對(duì)每一級(jí)強(qiáng)分類器都進(jìn)行了重新訓(xùn)練，訓(xùn)練比較耗時(shí)。已經(jīng)證明：“隨著弱分類器數(shù)量的增加，通過AdaBoost構(gòu)建的強(qiáng)分類器的檢測(cè)率也會(huì)不斷提高”。本文為了提高訓(xùn)練速度，在對(duì)級(jí)聯(lián)分類器訓(xùn)練時(shí)，后一級(jí)的強(qiáng)分類器會(huì)重復(fù)利用前一級(jí)已經(jīng)訓(xùn)練好的弱分類器，并在此基礎(chǔ)上通過增加弱分類器的數(shù)量來提高強(qiáng)分類器的性能。這樣可以大大減少強(qiáng)分類器的訓(xùn)練時(shí)間。2.3.2人眼定位1.灰度積分投影確定準(zhǔn)眼睛區(qū)域在準(zhǔn)確定位臉部位置后，根據(jù)人臉的面部器官的分布，人眼在臉部的上半部，所以首先截取人臉區(qū)域是上半部進(jìn)行處理。人臉圖像中眼睛部位的灰度值通常比周圍區(qū)的灰度值小，利用該特征常使用積分投影的方法來定位眼睛。最為常用的投影函數(shù)是積分投影函數(shù)。 2.改進(jìn)的模板匹配精確定位眼睛 模板匹配方法是假設(shè)待搜索圖像 S 的尺寸為 W H ，模板 T 的尺寸為 M N ，通過一定的算法在大圖像（即待搜索圖像S）中搜索與模板T具有相近的尺寸、方向和圖像的子圖，并確定其坐標(biāo)位置?；谙嗨贫鹊哪０迤ヅ渌惴ㄒ愿骶植繄D像作為模板，先在人臉集中手工提取各種狀態(tài)的眼睛圖像作為模板。一幅眼睛圖片為一個(gè)模板，即一個(gè)二維矩陣，利用眼睛模板與人臉圖像作相關(guān)匹配，匹配函數(shù)如下：當(dāng)模板匹配的相關(guān)系數(shù) R(ij) 等于 1的時(shí)候，說明搜索子圖與模板完全匹配。這只是一個(gè)理想值，模板匹配的過程中主要是尋找相關(guān)系數(shù)的最大值，此時(shí)它所對(duì)應(yīng)的搜索子圖便是所要尋找的目標(biāo)子圖。顯然，用這種公式做圖像匹配計(jì)算量大、速度慢?？梢允褂昧硗庖环N算法來衡量T和 Sij的誤差，其公式為：計(jì)算兩個(gè)圖像的向量誤差，可以增加計(jì)算速度，根據(jù)不同的匹配方向選取一個(gè)誤差閥值 E0，當(dāng) E(ij) E0時(shí)就停止該點(diǎn)的計(jì)算，繼續(xù)下一點(diǎn)的計(jì)算。2.3.3疲勞程度的綜合判定 駕駛員疲勞的判定會(huì)因錯(cuò)誤檢查帶來不良影響，本文采用 PERCLOS、眼睛閉合時(shí)間、眼睛眨眼頻率、嘴巴張開程度、頭部運(yùn)動(dòng)的計(jì)算，進(jìn)行疲勞程度的綜合判定，準(zhǔn)確、有效地進(jìn)行駕駛員疲勞的檢測(cè)。1.PERCLOSPERCLOS（Percentage of eyelid Closure over thepupil overtime）是指眼睛閉合時(shí)間占某一特定時(shí)間的百分率。PERCLOS 方法有 P70，P80 和 EM 三種判定標(biāo)準(zhǔn)。研究表明P80與疲勞程度間具有最好的相關(guān)性。2.嘴巴張開程度嘴巴的狀態(tài)通常有三種，閉合，說話及打哈欠，在疲勞狀態(tài)下，人會(huì)頻繁地打哈欠。在人臉下半部分進(jìn)行水平灰度投影，觀察不同單人圖像的水平灰度投影曲線，會(huì)發(fā)現(xiàn)該區(qū)域下半部分的水平灰度投影曲線有一個(gè)波谷，即為嘴唇間位置。對(duì)人臉下半部分區(qū)域二值化，從嘴唇間向上、下計(jì)算連通區(qū)域（連通區(qū)域可以防止鼻孔及胡須對(duì)計(jì)算帶來影響）的像素值，即可得到嘴巴的張開程度。3.眼睛高度 D 及嘴巴高度 H 補(bǔ)償在上眼瞼到下眼瞼的垂直距離 D 及上嘴唇到下嘴唇的垂直距離為H時(shí)，由于駕駛員頭部相對(duì)于檢測(cè)設(shè)備有位置移動(dòng)，因此為了實(shí)現(xiàn)駕駛員眼睛高度和嘴巴高度的準(zhǔn)確計(jì)算，需要修正眼睛、嘴巴與檢測(cè)設(shè)備距離相對(duì)變化引起的D及H變化。4. 眼睛閉合時(shí)間 眼睛閉合時(shí)間，一般用眼睛閉合到睜開所經(jīng)歷的時(shí)間來表示。人處于正常清醒狀態(tài)時(shí)，眼睛閉合時(shí)間是很短的，會(huì)迅速睜開眼。而當(dāng)疲勞時(shí)，眼睛閉合時(shí)間會(huì)明顯變長(zhǎng)，因此眼睛閉合時(shí)間能直接反映駕駛員的精神狀態(tài)。本文采用計(jì)算從眼睛閉合 D/3 到睜開 D/3 的最大幀數(shù)，幀數(shù)越多，閉合時(shí)間就越長(zhǎng)，則疲勞程度就越嚴(yán)重。 5.眼睛眨眼頻率 人在疲勞狀態(tài)下，眨眼頻率會(huì)比清醒狀態(tài)下頻率高。本文也將其作為一項(xiàng)參數(shù)作為疲勞判斷的依據(jù)。眼睛閉合 D/3 到睜開 D/3 為眨眼一次。累加一段時(shí)間內(nèi)眨眼次數(shù)，作為疲勞判斷的一項(xiàng)參數(shù)。 6.頭部運(yùn)動(dòng)的疲勞參數(shù) 駕駛員在疲勞狀態(tài)下會(huì)出現(xiàn)頻繁點(diǎn)頭，頭部向前傾。本文通過水平灰度積分投影得到眼睛瞳孔、嘴角的水平位置。 d1為瞳孔水平位置到采集圖片的上邊緣距離，d2為嘴角的水平位置到采集圖片的下邊緣距離。在駕駛員疲勞出現(xiàn)點(diǎn)頭情況，則 d1增大且 d2減小。駕駛員疲勞時(shí)，頭部向前傾，則 d1增大且 d2增大。點(diǎn)頭和頭部向前傾可以作為疲勞判斷的一項(xiàng)重要的依據(jù)。3.基于人臉特征的列車司機(jī)疲勞駕駛檢測(cè)與識(shí)別系統(tǒng)研究3.1研究?jī)?nèi)容及目標(biāo) 本章的目標(biāo)是開發(fā)一套基于人臉特征識(shí)別的非接觸式列車司機(jī)疲勞駕駛實(shí)時(shí)檢測(cè)預(yù)警裝置。本文的研究?jī)?nèi)容為:結(jié)合列車司機(jī)駕駛的特點(diǎn)和規(guī)律,利用模式識(shí)別與圖像處理知識(shí)分析列車司機(jī)疲勞駕駛時(shí)的臉部特征,研究適合于列車運(yùn)行時(shí)駕駛室光照情況復(fù)雜多變及高頻低幅振動(dòng)環(huán)境下的列車司機(jī)疲勞檢測(cè)和識(shí)別算法,并在以DSP數(shù)字信號(hào)處理芯片為核心的硬件平臺(tái)上實(shí)現(xiàn)檢測(cè)與識(shí)別算法,以達(dá)到系統(tǒng)實(shí)時(shí)檢測(cè)的性能要求。主要完成以下研究?jī)?nèi)容:1.實(shí)現(xiàn)由攝像頭實(shí)時(shí)捕捉視頻數(shù)據(jù);2.提出適合列車駕駛室環(huán)境的人臉檢測(cè)算法,使其對(duì)振動(dòng)環(huán)境和光照變化有較強(qiáng)的魯棒性;3.提出人眼檢測(cè)算法,及判斷眼睛睜開/閉合的狀態(tài)識(shí)別分析算法;4.根據(jù)眼睛睜開/閉合數(shù)據(jù),基于PERCLOS的P80模型,給出列車司機(jī)疲勞駕駛的判定算法;5.在以DSP為核心的硬件平臺(tái)上,將列車司機(jī)疲勞駕駛檢測(cè)與識(shí)別算法移植到DSP芯片中,提高算法的檢測(cè)速度。 本識(shí)別系統(tǒng)的開發(fā)主要分為兩大階段進(jìn)行:1.檢測(cè)與識(shí)別算法開發(fā):在PC上進(jìn)行基于人臉特征的列車司機(jī)疲勞檢測(cè)與識(shí)別算法開發(fā)。主要完成基于Adaboost算法的人臉與人眼分類器訓(xùn)練,以及人眼狀態(tài)識(shí)別算法開發(fā);2.基于DSP的疲勞檢測(cè)與識(shí)別算法移植:將PC上的非實(shí)時(shí)疲勞駕駛檢測(cè)與識(shí)別算法移植到基于DSP的高速數(shù)據(jù)處理嵌入式系統(tǒng),使算法達(dá)到實(shí)時(shí)檢測(cè)與識(shí)別的要求。3.1.1基于人臉特征的疲勞駕駛檢測(cè)與識(shí)別算法開發(fā)本階段的主要任務(wù)是:結(jié)合列車司機(jī)駕駛的特點(diǎn)和規(guī)律,分析列車司機(jī)疲勞駕駛時(shí)的臉部特征,研究適合于列車運(yùn)行時(shí)駕駛室光照情況復(fù)雜多變及高頻低幅振動(dòng)環(huán)境下的列車司機(jī)疲勞駕駛檢測(cè)與識(shí)別算法。整個(gè)檢測(cè)與識(shí)別系統(tǒng)必須準(zhǔn)確地檢測(cè)和定位眼睛,根據(jù)查閱的相關(guān)技術(shù)資料,最終確定本階段算法開發(fā)分為三個(gè)步驟進(jìn)行:l)檢測(cè)視頻中的人臉;2)在人臉區(qū)域中定位人眼;3)對(duì)人眼狀態(tài)進(jìn)行識(shí)別,確定其狀態(tài),睜開或閉合。采用先檢測(cè)人臉,再檢測(cè)人眼的策略,可以減少檢測(cè)算法的計(jì)算量,同時(shí)提高人眼檢測(cè)的準(zhǔn)確率。3.1.2疲勞駕駛檢測(cè)與識(shí)別算法OSP移植根據(jù)國(guó)內(nèi)外研究人員發(fā)表的論文或技術(shù)資料顯示:采用Adaboost算法開發(fā)的人臉檢測(cè)系統(tǒng),計(jì)算量大,在對(duì)視頻進(jìn)行檢測(cè)時(shí),實(shí)時(shí)性方面表現(xiàn)不盡理想,而且本系統(tǒng)在人臉與人眼檢測(cè)階段均采用Adaboost算法,同時(shí)考慮到本系統(tǒng)設(shè)備便攜式的要求,所以將算法移植到具有高速數(shù)據(jù)處理性能的DSP嵌入式系統(tǒng)中,提高系統(tǒng)檢測(cè)與識(shí)別速度。 疲勞駕駛檢測(cè)算法的DSP移植及優(yōu)化,首先完成基于DSP舊105最小視頻輸入輸出系統(tǒng)程序,然后將疲勞檢測(cè)算法從PC移植到.DSP系統(tǒng),并完成移植過程涉及到的相關(guān)算法優(yōu)化及線性匯編優(yōu)化等工作,使系統(tǒng)達(dá)到實(shí)時(shí)檢測(cè)與識(shí)別的要求。3.2基于Adaboost算法的人臉檢測(cè)整個(gè)疲勞檢測(cè)系統(tǒng)首先必須準(zhǔn)確地檢測(cè)到人眼位置,我們采用先確定人臉區(qū)域,然后在人臉區(qū)域內(nèi)進(jìn)一步檢測(cè)、定位人眼的方法,這樣可以使得人眼的檢測(cè)與定位更準(zhǔn)確一些。3.2.1人臉檢測(cè)技術(shù)概述 人臉檢測(cè)采用的方法大致可分為基于統(tǒng)計(jì)和基于知識(shí)兩種類型5。基于統(tǒng)計(jì)的方法將人臉圖像視為一個(gè)多維向量,從而將人臉檢測(cè)問題轉(zhuǎn)化為多維空間中分布信號(hào)的檢測(cè)問題;而基于知識(shí)的方法則利用人臉特征先驗(yàn)知識(shí)定義若干規(guī)則,建立相應(yīng)的數(shù)學(xué)模型,從而將人臉檢測(cè)問題轉(zhuǎn)化為假設(shè)和驗(yàn)證問題,比如利用人臉膚色和幾何結(jié)構(gòu)等。 從表2一1可以看出,每種人臉檢測(cè)方法都有一定的優(yōu)缺點(diǎn)以及應(yīng)用場(chǎng)合?；谥R(shí)建模的方法,一般對(duì)建模的假設(shè)條件依賴性強(qiáng),而基于統(tǒng)計(jì)的方法,一般精度較高、魯棒性強(qiáng),但運(yùn)算量大。對(duì)于本系統(tǒng),列車駕駛室光照環(huán)境變化迅速,同時(shí)帶有一定程度的震動(dòng),很難保證一個(gè)穩(wěn)定的建模假設(shè)環(huán)境。例如,列車的光照環(huán)境不能保證基于膚色的檢測(cè)算法要求的光照穩(wěn)定的建模條件,而列車的震動(dòng)環(huán)境也不能保證基于運(yùn)動(dòng)的檢測(cè)算法要求的背景穩(wěn)定的建模條件?；诮y(tǒng)計(jì)的檢測(cè)方法,通過模式識(shí)別的訓(xùn)練過程,提取人臉樣本中的大量人臉本質(zhì)特征,在光照不理想的情況下,即使缺失少部分特征,仍可以正確識(shí)別人臉。t一般來說,基于統(tǒng)計(jì)的人臉檢測(cè)方法只需要當(dāng)前幀圖像,對(duì)振動(dòng)環(huán)境并不是很敏感,帶來的只是少許圖像噪聲,對(duì)算法檢測(cè)性能影響不大。由于本系統(tǒng)采用高速DSP數(shù)字信號(hào)處理芯片,在很大程度上解決了基于統(tǒng)計(jì)的人臉檢測(cè)算法計(jì)算量大的問題。 從上面的分析,可以看出基于統(tǒng)計(jì)的算法對(duì)列車復(fù)雜多變的光照、振動(dòng)環(huán)境都有較強(qiáng)的適應(yīng)性。在基于統(tǒng)計(jì)的人臉檢測(cè)算法中,我們最終選擇了基于Adaboost算法的人臉檢測(cè)算法。3.2.2Adaboost人臉檢測(cè)算法 1.集成學(xué)習(xí)算法 集成學(xué)習(xí)中一個(gè)關(guān)鍵問題就是弱分類器的集成問題。大部分機(jī)器學(xué)習(xí)算法只是通過單個(gè)分類器的生成來對(duì)新的樣本做出預(yù)測(cè),而集成學(xué)習(xí)則是多個(gè)弱分類器的結(jié)合,每一個(gè)弱分類器都可能是一種傳統(tǒng)的機(jī)器學(xué)習(xí)模型。對(duì)一個(gè)新樣本分類,集成分類器把這個(gè)新樣本交給其多個(gè)弱分類器,再把各個(gè)弱分類器對(duì)新樣本的分類結(jié)果通過某種方式(比如投票或求均值)組合來得到集成學(xué)習(xí)的預(yù)測(cè)結(jié)果。Hansen等研究發(fā)現(xiàn),集成學(xué)習(xí)算法生成的分類器要比參與集成的那些單分類器的準(zhǔn)確度高許多。我們也可以說成集成學(xué)習(xí)的優(yōu)點(diǎn)是集成分類器的性能比單個(gè)弱分類器具有更好的表達(dá)能力。在眾多的集成學(xué)習(xí)算法中,Adaboost算法因其有以下優(yōu)點(diǎn)而被廣泛使用:（1）算法速度快;（2）除了訓(xùn)練輪數(shù)參數(shù)T外,不需要調(diào)節(jié)任何參數(shù);（3）不需要知道任何關(guān)于弱分類器的先驗(yàn)知識(shí);（4）對(duì)弱分類器的性能要求不高,只需要比隨機(jī)猜測(cè)性能稍好即可,這種弱分類器在實(shí)際情況下很容易獲得,從而降低了算法的復(fù)雜度,提高了效率;（5）在弱分類器的構(gòu)成上可以兼容多種方法,這些弱分類器可以是神經(jīng)網(wǎng)路、決策樹、最近鄰域分類器、經(jīng)驗(yàn)規(guī)則等;（6）訓(xùn)練數(shù)據(jù)可以是文本、數(shù)字、離散值等,并且Adaboost算法很容易被推廣到多類目標(biāo)的分類問題中去。 2.Adaboost算法Adaboost算法的訓(xùn)練過程是一個(gè)樣本權(quán)重的迭代更新過程。在Adaboost算法中每個(gè)樣本的權(quán)重值表示該樣本被錯(cuò)分次數(shù)的多少,在每一輪權(quán)重更新的過程中,被錯(cuò)分樣本的權(quán)重會(huì)變大,在下一輪循環(huán)中算法就會(huì)更加關(guān)注上一輪被分錯(cuò)的樣本。如果一個(gè)樣本被錯(cuò)分了很多次,那么這個(gè)樣本的權(quán)重就會(huì)越來越大,我們就稱這樣的樣本為“困難樣本”。通過這樣的方式Adaboost算法能夠“聚集于”那些困難(更富有信息)的樣本上。下面按照集成學(xué)習(xí)算法的兩個(gè)關(guān)鍵問題介紹Adaboost算法,首先是Adaboost算法應(yīng)用于人臉檢測(cè)的弱分類器Hlike特征,然后介紹Adaboost的集成方法,即由Haar一like特征組成的弱分類器生成強(qiáng)分類器,最終獲得級(jí)聯(lián)分類器的方法。 3.3基于Adaboost算法的人臉檢測(cè)軟件實(shí)現(xiàn) Adaboost分類器實(shí)現(xiàn)主要分兩部分:Haar一like特征的選擇過程,即樣本訓(xùn)練過程;檢測(cè)過程,即利用得到的Haar一like特征進(jìn)行人臉檢測(cè)。下面分別給出樣本訓(xùn)練過程及檢測(cè)過程的軟件邏輯實(shí)現(xiàn)。 3.3.1.樣本訓(xùn)練過程樣本訓(xùn)練過程的主要目的是從過完全的弱特征中獲取分類能力較好的少量弱特征,進(jìn)而生成強(qiáng)分類器和級(jí)聯(lián)分類器。下面詳細(xì)介紹樣本訓(xùn)練過程。在樣本訓(xùn)練過程中,首先需要解決的就是人臉樣本庫的選擇及預(yù)處理。3.3.2人臉檢測(cè)程序 人臉檢測(cè)程序主要是利用基于Adaboost學(xué)習(xí)算法訓(xùn)練得到的人臉級(jí)聯(lián)分類器,進(jìn)行實(shí)際的人臉檢測(cè)。人臉檢測(cè)程序流程包括圖像預(yù)處理、積分圖生成、特征值計(jì)算、級(jí)聯(lián)分類器判斷等步驟。下面給出級(jí)聯(lián)分類器人臉檢測(cè)程序的流程圖,以及程序關(guān)鍵代碼。3.4人眼檢測(cè)與人眼狀態(tài)分析算法3.4.1基于Adaboost的人眼檢測(cè)算法 人眼訓(xùn)練過程需要人眼庫,因?yàn)闆]有現(xiàn)成的人眼庫,所以只能自己收集人眼樣本,建立人眼庫。人眼樣本,主要裁剪自人臉庫樣本以及一些互聯(lián)網(wǎng)下載人臉圖片中。樣本被統(tǒng)一縮放到20x12像素,樣本庫共包括1000個(gè)人眼樣本和1500個(gè)非人眼樣本3.4.2人眼級(jí)聯(lián)分類器效果分析 利用人眼檢測(cè)程序進(jìn)行了大量圖片檢測(cè),發(fā)現(xiàn)人眼檢測(cè)正確率非常高,只要能夠正確定位人臉,人眼檢測(cè)幾乎可以達(dá)到100%。經(jīng)過分析,可以發(fā)現(xiàn),這是由人眼特征決定的。首先,人眼特征簡(jiǎn)單、變化小,不像人臉特征多、變化大。其次人眼搜索區(qū)域小,人眼的搜索區(qū)域?yàn)橄惹岸ㄎ坏娜四槄^(qū)域,而人臉?biāo)阉鲄^(qū)域?yàn)檎鶊D像。特征簡(jiǎn)單、搜索區(qū)域小,導(dǎo)致人眼檢測(cè)正確率高,基本不會(huì)出現(xiàn)漏檢和誤檢。3.4.3人眼狀態(tài)分析算法人眼狀態(tài)分析是疲勞狀態(tài)識(shí)別最關(guān)鍵的步驟,也是一個(gè)主觀的定義過程。人眼狀態(tài)分析算法可以分為基于統(tǒng)計(jì)和基于知識(shí)建模兩種方法。因?yàn)槿搜坶_閉狀態(tài)連續(xù),狀態(tài)確定主觀,而基于統(tǒng)計(jì)的人眼狀態(tài)分析方法(模板匹配,Fisher法等)固有的離散特點(diǎn),使得基于統(tǒng)計(jì)的方法樣本選擇難度大,使用靈活性很差,因此本系統(tǒng)優(yōu)先考慮基于知識(shí)建模的方法,該方法最大的特點(diǎn)就是模型參數(shù)可調(diào),所以可以通過調(diào)節(jié)參數(shù),盡量達(dá)到PERCLOS的P80模型的要求。最常見的兩種基于知識(shí)建模的人眼狀態(tài)分析基本方法是:Hough找圓法和灰度投影法。 1.Hough找圓法 Hough變換是圖像處理中從圖像中識(shí)別幾何形狀的基本方法之一。Hough變換的基本原理在于利用點(diǎn)與線的對(duì)偶性,將原始圖像空間給定的曲線通過曲線表達(dá)形式變?yōu)閰?shù)空間的一個(gè)點(diǎn)。這樣就把原始圖像中給定曲線的檢測(cè)問題轉(zhuǎn)化為尋找參數(shù)空間中的峰值問題。 簡(jiǎn)而言之,Hough變換思想為:比如檢測(cè)圖像中的一條直線,在原始坐標(biāo)系下的一個(gè)點(diǎn)對(duì)應(yīng)了參數(shù)坐標(biāo)系中的一條直線,同樣參數(shù)坐標(biāo)系的一條直線對(duì)應(yīng)了原始坐標(biāo)系下的一個(gè)點(diǎn)。原始坐標(biāo)系下呈現(xiàn)直線的所有點(diǎn),它們的斜率和截距是相同的,所以它們?cè)趨?shù)坐標(biāo)系下對(duì)應(yīng)于同一個(gè)點(diǎn)。這樣在將原始坐標(biāo)系下的各個(gè)點(diǎn)投影到參數(shù)坐標(biāo)系下之后,看參數(shù)坐標(biāo)系下有沒有聚集點(diǎn),這樣的聚集點(diǎn)就對(duì)應(yīng)了原始坐標(biāo)系下的直線。 2.灰度投影法灰度投影法基本原理:若人眼睜開,黑色瞳孔未被眼瞼遮蓋,則其垂直灰度投影在瞳孔位置形成一個(gè)波峰。若人眼閉合,黑色瞳孔被眼瞼遮蓋,則其垂直灰度投影基本呈水平直線。對(duì)眼睛部位進(jìn)行垂直灰度投影,得到其灰度投影圖,然后判斷投影圖是否具有明顯的波峰,就可以判定眼睛狀態(tài)?；叶韧队胺ㄍ瑯用媾RHough找圓法同樣的問題,需要圖像的質(zhì)量較高和準(zhǔn)確的人眼定位,否則就不能獲得明顯的波峰,甚至可能出現(xiàn)兩個(gè)較小波峰的情況,導(dǎo)致灰度均值較大等異常情況,導(dǎo)致狀態(tài)分析錯(cuò)誤。其次灰度投影法需要較復(fù)雜的前處理步驟,以消除噪聲,才能得到很好的灰度投影圖(即明顯的單波峰,或小均值呈直線形式)。3.區(qū)域灰度特征比較法鑒于上述Hough找圓法、灰度投影法兩種基于知識(shí)建模方法固有的過分依賴其假設(shè)條件,需要精確幾何模型、魯棒性較差的缺點(diǎn),我們提出了一種區(qū)域灰度比較法,即使得眼睛狀態(tài)分析具有基于知識(shí)建模方法的連續(xù)性、參數(shù)可調(diào)性,而且不需要精確的幾何模型,同時(shí)也使得狀態(tài)分析具有不錯(cuò)的魯棒性。4.基于貝葉斯網(wǎng)絡(luò)的駕駛疲勞程度識(shí)別模型4.1基于貝葉斯網(wǎng)絡(luò)模型的駕駛疲勞程度識(shí)別駕駛疲勞作為一個(gè)不可直接觀測(cè)的研究對(duì)象，其影響因素非常多且難以定量，各類度量指標(biāo)對(duì)駕駛疲勞的界定又沒有統(tǒng)一的標(biāo)準(zhǔn)。因此，判斷駕駛疲勞程度是一個(gè)非常復(fù)雜的系統(tǒng)問題。與酒后駕駛的檢測(cè)指標(biāo)不同，所有用來檢測(cè)駕駛疲勞的指標(biāo)在獲取過程中均會(huì)受到不同程度的干擾。目前，還沒有一種方法能夠?qū)︸{駛疲勞程度進(jìn)行準(zhǔn)確無誤的檢測(cè)。因此，使用概率論的方法對(duì)駕駛疲勞程度進(jìn)行識(shí)別具有一定的合理性。貝葉斯網(wǎng)絡(luò)模型的基本思想是：在信息不完備的情況下，通過可觀察隨機(jī)變量(證據(jù)變量)推斷不可觀察隨機(jī)變量(隱含變量)，進(jìn)行概率推理。利用貝葉斯網(wǎng)絡(luò)求解駕駛疲勞程度識(shí)別的問題可以表述為：在已知疲勞度量指標(biāo)測(cè)定結(jié)果的情況下，利用貝葉斯網(wǎng)絡(luò)方法求解在一定影響因素條件下，疲勞狀態(tài)處于各種程度(清醒、輕度疲勞、重度疲勞)時(shí)的概率。駕駛疲勞貝葉斯網(wǎng)絡(luò)的構(gòu)建包括兩個(gè)主要內(nèi)容：1)確定網(wǎng)絡(luò)節(jié)點(diǎn)；2)計(jì)算節(jié)點(diǎn)間的先驗(yàn)概率。其中，網(wǎng)絡(luò)節(jié)點(diǎn)的選擇取決于疲勞的各種特征及影響因素，而節(jié)點(diǎn)先驗(yàn)概率的確定則依賴于某個(gè)特征或因素對(duì)判斷疲勞程度的可能性。4.2駕駛疲勞程度識(shí)別模型4.2.1駕駛疲勞貝葉斯網(wǎng)絡(luò)結(jié)構(gòu) 駕駛疲勞作為系統(tǒng)的核心，其復(fù)雜的影響因素即該系統(tǒng)的輸入，在生理、眼動(dòng)及駕駛績(jī)效等方面表現(xiàn)出來的特征即該系統(tǒng)的輸出。 將駕駛疲勞的影響因素分為三類:駕駛環(huán)境屬性、駕駛?cè)藗€(gè)體屬性以及原始疲勞屬性。各類影響因素的具體度量指標(biāo)見圖1。其中，溫度、天氣等變量是駕駛環(huán)境變量的父節(jié)點(diǎn)，相應(yīng)的駕駛環(huán)境變量是溫度、天氣等變量的子節(jié)點(diǎn)，以此類推。4.2.2貝葉斯網(wǎng)絡(luò)條件概率表的確定 在建立的駕駛疲勞貝葉斯網(wǎng)絡(luò)模型中，條件概率分為兩類：一類是輸入層變量與隱含層變量之間的條件概率，另一類是隱含層變量與輸出層變量之間的條件概率。4.2.3駕駛疲勞程度貝葉斯網(wǎng)絡(luò)識(shí)別模型 輸入層變量和輸出層變量統(tǒng)稱為貝葉斯網(wǎng)絡(luò)中的證據(jù)變量。利用貝葉斯網(wǎng)絡(luò)建立駕駛疲勞程度識(shí)別模型的原理是在已知網(wǎng)絡(luò)中各節(jié)點(diǎn)先驗(yàn)概率的前提下，結(jié)合證據(jù)變量的取值，根據(jù)貝葉斯公式計(jì)算不同駕駛疲勞程度的后驗(yàn)概率。4.3模型有效性驗(yàn)證 采用模擬駕駛的方法進(jìn)行實(shí)驗(yàn)設(shè)計(jì)。實(shí)驗(yàn)設(shè)備包括模擬駕駛仿真實(shí)驗(yàn)平臺(tái)AS1300卡車駕駛模擬系統(tǒng)、多通道生物生理記錄儀、攝像機(jī)等。同時(shí)采用斯坦福嗜睡量表(Stanford SI eepi ness Scale, SSS)對(duì)駕駛?cè)说闹饔^疲勞狀況進(jìn)行問卷調(diào)查，以了解駕駛過程中駕駛?cè)藢?duì)疲勞的主觀感受。5基于FPGA的疲勞駕駛檢測(cè)系統(tǒng)設(shè)計(jì)5.1疲勞駕駛檢測(cè)系統(tǒng)總體設(shè)計(jì)方案5.1.1系統(tǒng)紅外光源原理主動(dòng)紅外光源理論的內(nèi)容:人眼視網(wǎng)膜對(duì)不同波長(zhǎng)紅外光的反射率不同,對(duì)850nm波長(zhǎng)紅外光的反射率是90%,對(duì)940nm紅外光的反射率是40%,紅外波長(zhǎng)在880士80nm范圍之內(nèi)時(shí),人臉的其他部分對(duì)于紅外光的反射程度基本一致。這樣通過控制這兩組LED燈的閃爍頻率得到亮瞳孔和暗瞳孔圖像,將這兩幅圖像經(jīng)過差分獲得瞳孔明顯的幾乎沒有背景干擾的以人臉為主體的差分圖像,大大簡(jiǎn)化了整體算法的復(fù)雜度。如圖2.1所示:獲得了差分圖像后,對(duì)其在水平和垂直方向上進(jìn)行投影,通過確定人臉的上、下、左、右邊界來定位出人臉區(qū)域。依據(jù)人眼和人臉的固定幾何關(guān)系來定位出人眼的大致區(qū)域,接著在此區(qū)域內(nèi)利用復(fù)雜度算法檢測(cè)到瞳孔。人眼睛睜開時(shí)瞳孔面積大,當(dāng)人閉眼時(shí),瞳孔面積隨閉眼程度變化,當(dāng)完全閉眼時(shí)瞳孔面積為0,所以通過統(tǒng)計(jì)瞳孔面積可以判斷當(dāng)前采集到圖像中駕駛員是睜眼還是閉眼。最后通過統(tǒng)計(jì)一段時(shí)間內(nèi)閉眼幀數(shù)占總幀數(shù)的比例得到眨眼頻率進(jìn)行駕駛員是否疲勞的判斷。P80疲勞算法定義了閉眼的標(biāo)準(zhǔn)和疲勞判斷的標(biāo)準(zhǔn)。閉眼標(biāo)準(zhǔn)為:眼臉遮住瞳孔的面積超過80%;疲勞標(biāo)準(zhǔn)是:一段時(shí)間內(nèi)閉眼幀數(shù)己:總幀數(shù)的比例大于40%。5.1.2系統(tǒng)總體設(shè)計(jì)本系統(tǒng)主要集成了圖像采集、存儲(chǔ)、算法處理、報(bào)警和顯示模塊,組成了以FPGA為核心控制器的疲勞駕駛檢測(cè)系統(tǒng)。系統(tǒng)的總體方案圖如圖2.2所示。 本設(shè)計(jì)中的圖像處理算法都是在FPGA上實(shí)現(xiàn)的,算法處理速度達(dá)到了視頻源25幀每秒的速度,解決了現(xiàn)有疲勞駕駛系統(tǒng)領(lǐng)域普遍存在的難以滿足實(shí)時(shí)性的問題。5.2系統(tǒng)硬件設(shè)計(jì)與實(shí)現(xiàn)5.2.1系統(tǒng)硬件總體架構(gòu) 整體硬件電路根據(jù)功能劃分為三部分,完成圖像輸入功能的圖像采集板、完成系統(tǒng)控制、圖像存儲(chǔ)以及其他功能模塊的主控電路板、實(shí)現(xiàn)圖像數(shù)據(jù)模擬轉(zhuǎn)數(shù)字以及數(shù)字轉(zhuǎn)模擬的輔助電路。下面分模塊介紹硬件電路的具體實(shí)現(xiàn)。5.2.2圖像采集電路設(shè)計(jì) 圖像采集板上集成的元器件由圖像傳感器、外圍電路元件和LED燈,設(shè)計(jì)并不復(fù)雜,所以我們?cè)O(shè)計(jì)為雙層板。考慮到本系統(tǒng)主要是基于主動(dòng)紅外光源原理,所以圖像傳感器的選型以及LED燈的布局結(jié)構(gòu)設(shè)計(jì)對(duì)整個(gè)系統(tǒng)的功能實(shí)現(xiàn)有重要影響。 1.圖像采集電路原理圖設(shè)計(jì) 該模塊包括兩部分:CMOS圖像傳感器電路和LED電路。 (1)CMOS圖像傳感器電路：CMOS圖像傳感器的外圍電路主要由控制電路、石英晶振組成,它正常工作所需要的5v電壓則主要由主控板提供。 (2)LED電路：本設(shè)計(jì)用到了兩種波長(zhǎng)的LED燈:850nm和940nm。其原理圖如3.3所示:這兩燈的參數(shù)是:工作電壓為1.5一1.65V,工作電流為5一20mA,發(fā)