司機疲勞駕駛檢測系統設計資料

司機疲勞駕駛檢測系統設計摘要：隨著社會經濟的發(fā)展，商用長途運輸車越來越多，司機為了追求經濟效益，經常罔顧交通法的規(guī)定疲勞駕駛，而一些私家車也因為各種各樣的原因經常鋌而走險疲勞駕駛，釀成很多人間慘劇。為了減少減輕司機的精神壓力并對疲勞及時提示預警，本論文以計算機視覺技術為主體，設計實用操作簡單的疲勞駕駛檢測系統，輔助駕駛員安全駕駛。司機疲勞駕駛實時檢測系統在實際應用中有很重要的意義。設計了一個利用圖像分析的方法，通過測量PERCLOS指標值來進行疲勞判斷的該類系統。系統首先對圖像進行預處理，然后采用基于YCbCr顏色空間膚色模型進行人臉粗定位，根據人臉特征，逐次進行人眼區(qū)域縮??；最后通過對邊緣信息進行先驗知識結合積分投影的方法進行人眼定位和閉合度測量。考慮到視頻圖像序列幀與幀之間的相關性，采用線性運動預測的方法對人眼進行跟蹤，減少了系統的運算量。實驗結果表明系統能實時、準確地反映司機的疲勞狀態(tài)。關鍵詞：疲勞駕駛人臉檢測

膚色檢測交通安全

疲勞判斷 目錄摘要Abstract1.疲勞駕駛檢測系統研究背景與意義 2.疲勞駕駛檢測系統研究與實現 2.1國內外疲勞駕駛檢測系統研究現狀2.1.1國外疲勞駕駛檢測系統的研究成果 2.1.2國內疲勞駕駛檢測系統的研究現狀 2.2疲勞駕駛檢測系統淺析 2.3駕駛員疲勞檢測系統的研究 2.3.1人臉檢測 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疲勞駕駛檢測與識別系統研究 3.1研究內容及目標 3.1.1基于人臉特征的疲勞駕駛檢測與識別算法開發(fā) 3.1.2疲勞駕駛檢測與識別算法OSP移植3.2基于Adaboost算法的人臉檢測3.2.1人臉檢測技術概述3.2.2Adaboost人臉檢測算法3.3基于Adaboost算法的人臉檢測軟件實現3.3.1.樣本訓練過程3.3.2人臉檢測程序3.4人眼檢測與人眼狀態(tài)分析算法3.4.1基于Adaboost的人眼檢測算法3.4.2人眼級聯分類器效果分析3.4.3人眼狀態(tài)分析算法4.基于貝葉斯網絡的駕駛疲勞程度識別模型4.1基于貝葉斯網絡模型的駕駛疲勞程度識別4.2駕駛疲勞程度識別模型4.2.1駕駛疲勞貝葉斯網絡結構4.2.2貝葉斯網絡條件概率表的確定4.2.3駕駛疲勞程度貝葉斯網絡識別模型4.3模型有效性驗證5.基于FPGA的疲勞駕駛檢測系統設計5.1疲勞駕駛檢測系統總體設計方案5.1.1系統紅外光源原理5.1.2系統總體設計5.2系統硬件設計與實現5.2.1系統硬件總體架構5.2.2圖像采集電路設計5.2.3主控板設計5.2.4輔助電路設計5.2.5系統硬件電路的物理測試6.基于NiosII多核駕駛疲勞檢測系統設計6.1系統介紹6.2系統關鍵模塊設計6.2.1圖像采集模塊設計6.2.2圖像處理算法6.2.3圖像處理算法硬件加速的實現 6.2.4數據存儲模塊設計7.疲勞駕駛預警系統的研究進展 7.1預警系統的組成及工作原理7.2典型的疲勞駕駛預警系統7.3疲勞駕駛預警系統比較7.4發(fā)展趨勢8.新型多功能駕駛員狀態(tài)監(jiān)測系統設計8.1無線腦電信號采集和分析8.1.1情緒預警8.1.2疲勞監(jiān)測8.1.3突發(fā)疾病監(jiān)測8.2酒精監(jiān)測9.多源信息融合在駕駛疲勞檢測中的應用9.1駕駛疲勞特征9.1.1PERCLOS值的計算9.1.2行駛方向改變與駕駛員反應不一致情況9.1.3方向盤動作狀態(tài)9.1.4連續(xù)駕駛時間9.1.5實際時間參數9.2模糊神經網絡疲勞識別9.2.1疲勞度量化9.3智能控制技術在汽車疲勞駕駛監(jiān)控中的應用研究9.3.1硬件描述結束語 參考文獻 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時間持續(xù)駕駛造成的反應能力下降，這種下降表現在駕駛員困倦、打磕睡、駕駛操作失誤或完全喪失駕駛能力。美國印第安那大學對交通事故原因的調查研究發(fā)現85%的事故與駕駛員有關，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致了事故的發(fā)生，這些行為包括知覺的延遲、對環(huán)境的決策錯誤、對危險情況的處理不當等。在所有的駕駛員錯誤中，最常見的是知覺延遲和決策錯誤，這些錯誤會產生注意力不集中、反映遲鈍、操作不當等，產生這些錯誤的根本原因就是駕駛疲勞。隨著我國生活水平的提高，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的飛躍。四通八達的道路、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，一個家庭擁有兩輛以上的小車已經不是什么新鮮的事情。但是，汽車在帶給人們方便的同時，隨之而來的交通事故也源源不斷。據統計，我國交通事故死亡人數己連續(xù)10多年居世界第一。我國在滾滾車輪下喪生的人數，短短十幾年間己從每年5萬多人增長到10多萬人，是交通事故死亡人數居世界第二位國家的兩倍。其中，駕駛員疲勞造成交通事故的占總數的20%左右，占特大交通事故的40%以上。同樣，在國外情況也不容樂觀。據美國國家公路交通安全委員會的估計，在美國大約發(fā)生56000次與睡眠有關的交通事故，其中約40000人次受傷和1550人死亡。1965年美國俄克拉荷馬州收費公路局發(fā)表了1953年至1964年2128名機動車駕駛員發(fā)生車輛碰撞事故的調查結果:22%的駕駛員打噸駕駛，48%的交通事故歸結于疲勞駕駛疲勞。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的工作，提醒駕駛者，很大程度上就能預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的系統對社會和民眾都有不可估量的社會意義和經濟價值。一套好的檢測系統必須要有成熟而完善的算法。本文對疲勞檢測系統的實現方法進行研究，以期提高疲勞檢測的速度和準確度。如果能將好的算法應用于疲勞檢測系統之中，無疑能更有效的預防駕駛員疲勞駕駛而引起不必要的人員傷亡和經濟損失。2.疲勞駕駛檢測系統研究與實現2.1國內外疲勞駕駛檢測系統研究現狀對疲勞駕駛的研究在國外最早可以追溯到20世紀30年代，但實際上，投入真正研究的卻還是從上世紀RO年代美國國會通過的汽車駕駛狀態(tài)與交通安全之間的關系研究開始的。進入上世紀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國外疲勞駕駛檢測系統的研究成果早期的疲勞駕駛測評主要是從醫(yī)用角度出發(fā)，借助醫(yī)療器件進行生理特征測量的。疲勞駕駛的實質性的研究工作是從20世紀80年代由美國國會批準交通部研究交通安全和機動車駕駛的關系，并健全汽車安全管理條例開始的。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生的原因和其他誘發(fā)因素，尋找能夠降低這種危險的方法:二是研制智能報警系統，防止駕駛員磕睡狀態(tài)下駕駛。20世紀90年代，美國對疲勞駕駛電子裝置的研發(fā)工作發(fā)展的較快。在各國研制的裝置中具有代表性的成果有:(1)美國研制的打磕睡駕駛員偵探系統DDDS(TheDrowsyDriverDetectionSystem)。采用多普勒雷達和信號處理方法，可獲取駕駛員煩躁不安的情緒活動、眨眼頻率和持續(xù)時間等疲勞數據，用以判斷駕駛員是否打磕睡或睡著。該系統可制成體積較小的儀器，安裝在駕駛室內駕駛員頭頂上方，完全不影響正常的駕駛活動。(2)美國華盛頓大學通過自行開發(fā)的專用照相機、腦電圖儀和其他儀器來精確測量頭部運動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間在0.2-0.3s之間，駕駛時若眼睛閉合時間達到0.5秒就很容易發(fā)生交通事故。(3)卡內基梅隆研究所的Copilot裝置。研究所的Grace等人采用特制的紅外LED裝置，根據人的視網膜對不同波長紅外光的反射量不同所表現出生理特征，使用850nm和950nm波長的紅外光源，在同一時間內得到兩幅眼部具有微小差別的圖像，然后將這兩幅圖像進行差分相減，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確地定位出人眼然后進行疲勞判斷。(4)2000年1月明尼蘇達大學計算機科學與工程系的NikolaosP.Papanikolopoulos教授成功開發(fā)了一套駕駛員眼睛的追蹤和定位系統，通過安置在車內的一個CCD攝像頭監(jiān)視駕駛員的臉部，用快速簡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，他對上述系統進行了改進，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點煙器的插座，裝在帶子里的半導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。它可通過心跳感應器每隔巧秒檢測司機的心跳速度，監(jiān)測司機駕駛員是否打磕睡，在睡意來臨巧分鐘前提醒司機注意，防止發(fā)生事故。先鋒公司還研究了通過測量眨眼頻率和車體搖晃頻率監(jiān)測司機是否磕睡的系統。(7)西班牙的防磕睡系統(Anti-DrowsinessSystem)，測量駕駛時手對方向盤的握力，一旦檢測到疲勞發(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量跟蹤系統與沃爾沃合作，通過測量頭部位置、閉眼和眨眼評估疲勞駕駛，但是它要求在司機的臉上作一些標記，給司機帶來極大的不便。(9)2005年，澳大利亞的研究人員們推出了一款眼鏡，它可以檢測出司機是否已經處于疲勞狀態(tài)，并及時提出警告。原理是通過紅外線傳感器監(jiān)測司機的眼瞼活動和眨眼頻率，據此判斷司機是否己經處于疲勞狀態(tài)。(10)轉向盤監(jiān)視系統S.A.M(SteeringAttentionMonitor)，一種監(jiān)測方向盤非正常運動的傳感器系統，當方向盤正常運動時傳感器系統不報警，若轉向盤4s不運動就會發(fā)出報警聲直到轉向盤繼續(xù)正常運止。該系統固定在車內錄音機旁，轉向盤下面的桿上裝有一條磁性帶，用以監(jiān)測轉向盤的運動。(11)頭部位置測量儀(ASCIAdvancedSafetyConceptsInc研制)。傳感器設計安裝在司機座位上方，每個傳感器都能輸出司機頭部距離傳感器的位置，利用三角代數算法就可以計算出頭在X,Y,Z三維空間中的位置，也能夠實時跟蹤頭部的位置，同時利用各個時間段頭部位置的變化特征，可以表現出司機處于清醒還是磕睡狀態(tài)。該傳感器物理特點基于傳感器電極屏蔽之間的電容，通過人這個高導體可以改變電極之間的電容，通過測量電壓計算頭部與傳感器之間的距離。當人進入電容區(qū)域時，臨近的電容改變同距離之間的關系是，利用3個傳感器，就可利用三角代數計算出頭的X,Y,Z的坐標。并對司機的頭部位置進行實時跟蹤，并且根據頭部位置的變化規(guī)律判定司機是否磕睡，發(fā)現點頭的動作和磕睡有非常好的相關性。(12)法國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系統。他們在汽車上裝上5種傳感器:汽車速度傳感器(監(jiān)測汽車是否超速)、腳踏板傳感器(監(jiān)控腳踏板上壓力的情況，是否在預定時間內沒有壓力變化)、方向盤傳感器(監(jiān)測方向盤情況)、車尾CCD傳感器(測量汽車和馬路上旁側或中間的白線距離)、眼睛傳感器(專門監(jiān)控眼部的疲勞特征)。這套系統主要是從多方面情況來聯合監(jiān)控駕駛員的情況，運用傳感器融合的原理來綜合判斷駕駛員的情況，在實時性、準確性上有很大的保障。2.1.2國內疲勞駕駛檢測系統的研究現狀國內的疲勞駕駛預警系統的研究還處于起步階段，相對國外來說還比較落后。我國對疲勞駕駛的研究最早始于20世紀60年代，其中主要以高校居多。到目前為止，還沒有很成熟的產品問世。目前的檢測方法主要有:(1)江蘇大學汽車與交通工程學院的葛如海教授等〔5]人設計的一套疲勞監(jiān)控系統，運用圖像差分、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指標衡量駕駛員的疲勞狀態(tài)。(2)上海交通大學石堅、吳遠鵬等人通過在車上安裝傳感器來測量方向盤、踏板壓力等情況間接或許駕駛員的疲勞信息，當踏板或方向盤長時間不動的時候，駕駛員可能有疲勞的跡象，但是這和駕駛員的駕駛經驗和習慣有關，準確性不高。(3)中南大學對駕駛員駕駛時的疲勞檢測方法進行了研究，設計出了一套眼睛跟蹤系統，可達到實時的跟蹤效果，同時研究了疲勞時眼睛的閉眼時間、快眨眼次數、慢眨眼時間和次數的特征模式。(4)航空醫(yī)學研究所的俞夢孫、周俞斌等司利用人眼在特定波長的紅外光照射下的不同成像特點，設計了適用于全天候的疲勞檢測系統。(5)西南大學的姜德美提取駕駛員駕駛時的反應時間和方向盤轉動角度作為BP神經網絡模型的輸入，來進行仿真驗證。(6)浙江大學正在研究駕駛防磕睡裝置，該裝置通過實時監(jiān)測一段時間內駕駛人員眼睛的活動如眼睛的閉合時間、閉合頻率等參數，來判斷當前駕駛人員的注意力程度，從而識別駕駛員是否疲勞。(7)中國農業(yè)大學車輛與交通工程學院正在進行機動車駕駛員疲勞測評方法的研究，他們使用CCD攝像頭來采集圖像數據，數據采集到計算機后，先利用高斯膚色模型進行駕駛員人臉定位，然后根據人臉圖像的灰度分布檢測出眼睛在圖像中的具體位置，最后利用模板匹配技術判斷出人眼的開閉狀態(tài)，并計算出眼睛的閉合時間和PERCLOS，當眼睛的持續(xù)閉合時間大于3秒，PERCLOS大于80%時，就認為駕駛員處于疲勞駕駛狀態(tài)，發(fā)出警告。(8)吉林大學的王榮本等與中國業(yè)大學鄭培等，利用機器視覺的方法對駕駛員的眼睛特征進行實時跟蹤從而判斷駕駛員的精神狀態(tài)。(9)深圳長途汽車公司的周鵬應用人體生理學、現代神經學、電子工程學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開車時的異常疲勞和大腦麻痹。根據這一思想他研究了佩戴于司機小腿部與手腕部的“司機疲勞事故預防器”。(10)中國的金吉公司制造了一種像戒指一樣的測量裝置，利用人的皮膚阻抗的變化，司機磕睡時，通過聲音提醒司機當前的狀態(tài)，由于特異性和準確度不高，誤報率和漏報率都很高。綜合國內外的現狀來看，能做到實時、有效、簡單地檢測駕駛員的疲勞情況是目前研究的重點和熱點，但是目前市場上還沒有非常成熟的產品投入到市場上進行實際的應用，這主要存在著以下的困難:首先產品的投入成本比較高，汽車廠商研制出了較好的預警系統但是卻無法很好地進行商業(yè)化的推廣;其次目前疲勞的判斷沒有確切的定義，因此在進行疲勞檢測的時候可能會出現誤判等情況:再者諸如EEG,“清醒帶”、監(jiān)測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;最后還因為個體和環(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?？傮w看來，駕駛員疲勞檢測是個復雜的過程，我國的駕駛疲勞檢測的方法同發(fā)達國家相比，還存在較大的差距。研究表明，眼睛狀態(tài)和疲勞有很大的關聯性，現階段隨著數碼相機和網絡攝像頭的價格越來越便宜，通過監(jiān)測駕駛員的眼睛狀態(tài)來判斷駕駛員是否疲勞的技術正逐步成為熱點。因此，研究如何利用機器視覺技術、圖像處理技術、人臉識別技術PERCLOS疲勞檢測方法相結合，開發(fā)出一種車載的、非接觸式的、實時的員疲勞檢測系統是當前的一個研究熱點，這就是本課題研究的初衷。2.2疲勞駕駛檢測系統淺析經過幾十年的研究疲勞檢測技術仍遠未達到成熟、完善的地步國內外主要研究成果如下(1)利用方向盤內置傳感器感應駕駛員對航向糾正的速率若對方向的掌控遲鈍則判為疲勞駕駛并發(fā)出警報但這個系統并未充分考慮長距直路、路況好的情況。(2)利用內置攝像頭偵測駕駛員眼部狀態(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。但這個系統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)駕車時間來判斷駕駛員是否疲勞。這種方法很難扼制短暫停車繼續(xù)駕駛的人。(4)利用后視鏡傳感器檢測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。該系統不適合崎嶇、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度的影響很大。其他如通過檢測心跳、血壓、明視持久度、能見度、調節(jié)時間變動率、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隨之產生擔其準確性、可靠性有待完善。2.2.1神經傳導速度測定方法疲勞直接反映了神經的傳導時間人在疲勞時房使神經傳導時間明顯延時。所以神經傳導速度可作為反應駕駛員是否疲勞駕馬史的基本生理參數。1.感覺神經傳導速度測定方法疲勞早期駕駛員主要是感覺障礙基本無運動障礙和肌肉萎縮問此時測定感覺神經傳導速度對于預防疲勞駕駛、避免交通事故的發(fā)生具有重要意義。根據如下公式計算出感覺神經傳導速度:檢測方法如下(以撓神經為例)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節(jié)，記錄位置選擇手腕撓測或前臂下1/3}}a測出刺激點與記錄點之間的距離S并測出刺激開始至感覺神經收縮產生動作電位的潛伏期T。2.運動神經傳導速度測定方法運動神經傳導速度檢查能直接測定運動神經的傳導性。根據刺激點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的運動神經傳導速度。根據如下公式計算出運動神經傳導速度：2.2.2系統設計本系統主要靠檢測、計算出的神經傳導速度與參考值作比較來判斷駕駛員是否疲勞。通過內嵌在方向盤內的電極及腕、肘部的電極來測得神經傳導速度的關鍵參數并傳入控制系統,由控制系統通過計算、與參考值進行比較最終對是否疲勞作出裁決廠旦認定疲勞駕駛,便啟動聲、光報警系統甚至自動剎車系統,以避免交通事故的發(fā)生。2.3駕駛員疲勞檢測系統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)檢測系統的方案。使用3×3中值濾波去除噪聲和光照對圖像的影響，通過對AdaBoost算法的強分類器訓練算法改進、級聯分類器優(yōu)化實現人臉的快速檢測，在檢測到的人臉區(qū)域，通過積分灰度投影和從粗到細改進的模板匹配方法對人眼進行準確定位；通過PERCLOS、眼睛閉合時間、眼睛眨眼頻率、嘴巴張開程度、頭部運動的計算，進行駕駛員疲勞程度的綜合判定。實驗結果表明，該方法準確率高，兼具了良好的實時性和魯棒性。2.3.1人臉檢測1.圖像預處理由于自然條件下的噪聲和光照影響等一些因素，會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。經實驗驗證，3×3中值濾波法可達到很好的預處理效果。2.改進的AdaBoost檢測方法1995年，Freend和Schapire提出AdaBoost算法，ViolaP和JonesM提出的與基于積分圖的Haar-like特征快速計算算法相結合的AdaBoost算法，在歷史上第一次真正實現目標的實時檢測。這個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，構成一個分類能力很強的強分類器，且算法不需要任何關于弱分類器性能的先驗知識，很容易應用到實際問題中。AdaBoost算法流程如圖2所示。ViolaP和JonesM提出的基于AdaBoost的快速目標檢測方法，雖然得到了廣泛的應用，但是該算法還存在很多問題。如：雖然AdaBoost系統檢測速度很高，但是由于AdaBoost算法本身訓練比較耗時，整個系統的訓練時間非常驚人。根據文獻[7]，其系統在訓練上花費了數周的時間。在分析這些問題的基礎之上，本文提出了改進的AdaBoost目標檢測算法，極大降低了檢查的時間。（1）強分類器訓練改進算法基于AdaBoost的快速目標檢測算法在計算Haar-like特征時使用積分圖的方式進行了快速計算，根據文獻[8]的統計，24×24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2×2），這些特征在實際目標檢測的性能很差，使訓練的特征不具有很好的泛化能力。本文在進行特征選取的時候將這些小面積矩形特征進行過濾，避免了此類特征的計算，在保證分類器檢測率的同時，提高了分類器的訓練速度。由AdaBoost訓練強分類器的訓練算法可以看出，該算法是選擇單個特征作為弱分類器，且選擇弱分類器的標準是弱分類的檢測準確率略大于隨機猜測（即略大約0.5），則將該弱分類器保留。但是在訓練的過程中，很可能出現非常相似的特征，這類相似的特征對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）級聯檢測技術的優(yōu)化AdaBoost算法能夠完成實時性檢測的原因除了通過積分圖進行快速特征計算之外，另一個重要原因是該算法在進行檢測目標時采用了級聯分類器。級聯結構分類器如圖3所示。在將訓練出強分類器串聯在一起形成層疊分類器時，應遵循“先重后輕”的分級分類器思想，將由重要特征構成的結構較簡單強分類器放在前面。這樣可以先排除大量假樣本，從而提高檢查速度。AdaBoost算法在進行級聯分類器訓練的時候，對每一級強分類器都進行了重新訓練，訓練比較耗時。已經證明：“隨著弱分類器數量的增加，通過AdaBoost構建的強分類器的檢測率也會不斷提高”。本文為了提高訓練速度，在對級聯分類器訓練時，后一級的強分類器會重復利用前一級已經訓練好的弱分類器，并在此基礎上通過增加弱分類器的數量來提高強分類器的性能。這樣可以大大減少強分類器的訓練時間。2.3.2人眼定位1.灰度積分投影確定準眼睛區(qū)域在準確定位臉部位置后，根據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是積分投影函數。2.改進的模板匹配精確定位眼睛模板匹配方法是假設待搜索圖像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，并確定其坐標位置。基于相似度的模板匹配算法以各局部圖像作為模板，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模板，即一個二維矩陣，利用眼睛模板與人臉圖像作相關匹配，匹配函數如下：當模板匹配的相關系數R(ij)等于1的時候，說明搜索子圖與模板完全匹配。這只是一個理想值，模板匹配的過程中主要是尋找相關系數的最大值，此時它所對應的搜索子圖便是所要尋找的目標子圖。顯然，用這種公式做圖像匹配計算量大、速度慢。可以使用另外一種算法來衡量T和Sij的誤差，其公式為：計算兩個圖像的向量誤差，可以增加計算速度，根據不同的匹配方向選取一個誤差閥值E0，當E(ij)>E0時就停止該點的計算，繼續(xù)下一點的計算。2.3.3疲勞程度的綜合判定駕駛員疲勞的判定會因錯誤檢查帶來不良影響，本文采用PERCLOS、眼睛閉合時間、眼睛眨眼頻率、嘴巴張開程度、頭部運動的計算，進行疲勞程度的綜合判定，準確、有效地進行駕駛員疲勞的檢測。1.PERCLOSPERCLOS（PercentageofeyelidClosureoverthepupilovertime）是指眼睛閉合時間占某一特定時間的百分率。PERCLOS方法有P70，P80和EM三種判定標準。研究表明P80與疲勞程度間具有最好的相關性。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，人會頻繁地打哈欠。在人臉下半部分進行水平灰度投影，觀察不同單人圖像的水平灰度投影曲線，會發(fā)現該區(qū)域下半部分的水平灰度投影曲線有一個波谷，即為嘴唇間位置。對人臉下半部分區(qū)域二值化，從嘴唇間向上、下計算連通區(qū)域（連通區(qū)域可以防止鼻孔及胡須對計算帶來影響）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，由于駕駛員頭部相對于檢測設備有位置移動，因此為了實現駕駛員眼睛高度和嘴巴高度的準確計算，需要修正眼睛、嘴巴與檢測設備距離相對變化引起的D及H變化。眼睛閉合時間眼睛閉合時間，一般用眼睛閉合到睜開所經歷的時間來表示。人處于正常清醒狀態(tài)時，眼睛閉合時間是很短的，會迅速睜開眼。而當疲勞時，眼睛閉合時間會明顯變長，因此眼睛閉合時間能直接反映駕駛員的精神狀態(tài)。本文采用計算從眼睛閉合D/3到睜開D/3的最大幀數，幀數越多，閉合時間就越長，則疲勞程度就越嚴重。5.眼睛眨眼頻率人在疲勞狀態(tài)下，眨眼頻率會比清醒狀態(tài)下頻率高。本文也將其作為一項參數作為疲勞判斷的依據。眼睛閉合D/3到睜開D/3為眨眼一次。累加一段時間內眨眼次數，作為疲勞判斷的一項參數。6.頭部運動的疲勞參數駕駛員在疲勞狀態(tài)下會出現頻繁點頭，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。在駕駛員疲勞出現點頭情況，則d1增大且d2減小。駕駛員疲勞時，頭部向前傾，則d1增大且d2增大。點頭和頭部向前傾可以作為疲勞判斷的一項重要的依據。3.基于人臉特征的列車司機疲勞駕駛檢測與識別系統研究3.1研究內容及目標本章的目標是開發(fā)一套基于人臉特征識別的非接觸式列車司機疲勞駕駛實時檢測預警裝置。本文的研究內容為:結合列車司機駕駛的特點和規(guī)律,利用模式識別與圖像處理知識分析列車司機疲勞駕駛時的臉部特征,研究適合于列車運行時駕駛室光照情況復雜多變及高頻低幅振動環(huán)境下的列車司機疲勞檢測和識別算法,并在以DSP數字信號處理芯片為核心的硬件平臺上實現檢測與識別算法,以達到系統實時檢測的性能要求。主要完成以下研究內容:1.實現由攝像頭實時捕捉視頻數據;2.提出適合列車駕駛室環(huán)境的人臉檢測算法,使其對振動環(huán)境和光照變化有較強的魯棒性;3.提出人眼檢測算法,及判斷眼睛睜開/閉合的狀態(tài)識別分析算法;4.根據眼睛睜開/閉合數據,基于PERCLOS的P80模型,給出列車司機疲勞駕駛的判定算法;5.在以DSP為核心的硬件平臺上,將列車司機疲勞駕駛檢測與識別算法移植到DSP芯片中,提高算法的檢測速度。本識別系統的開發(fā)主要分為兩大階段進行:1.檢測與識別算法開發(fā):在PC上進行基于人臉特征的列車司機疲勞檢測與識別算法開發(fā)。主要完成基于Adaboost算法的人臉與人眼分類器訓練,以及人眼狀態(tài)識別算法開發(fā);2.基于DSP的疲勞檢測與識別算法移植:將PC上的非實時疲勞駕駛檢測與識別算法移植到基于DSP的高速數據處理嵌入式系統,使算法達到實時檢測與識別的要求。3.1.1基于人臉特征的疲勞駕駛檢測與識別算法開發(fā)本階段的主要任務是:結合列車司機駕駛的特點和規(guī)律,分析列車司機疲勞駕駛時的臉部特征,研究適合于列車運行時駕駛室光照情況復雜多變及高頻低幅振動環(huán)境下的列車司機疲勞駕駛檢測與識別算法。整個檢測與識別系統必須準確地檢測和定位眼睛,根據查閱的相關技術資料,最終確定本階段算法開發(fā)分為三個步驟進行:l)檢測視頻中的人臉;2)在人臉區(qū)域中定位人眼;3)對人眼狀態(tài)進行識別,確定其狀態(tài),睜開或閉合。采用先檢測人臉,再檢測人眼的策略,可以減少檢測算法的計算量,同時提高人眼檢測的準確率。3.1.2疲勞駕駛檢測與識別算法OSP移植根據國內外研究人員發(fā)表的論文或技術資料顯示:采用Adaboost算法開發(fā)的人臉檢測系統,計算量大,在對視頻進行檢測時,實時性方面表現不盡理想,而且本系統在人臉與人眼檢測階段均采用Adaboost算法,同時考慮到本系統設備便攜式的要求,所以將算法移植到具有高速數據處理性能的DSP嵌入式系統中,提高系統檢測與識別速度。疲勞駕駛檢測算法的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程序,然后將疲勞檢測算法從PC移植到.DSP系統,并完成移植過程涉及到的相關算法優(yōu)化及線性匯編優(yōu)化等工作,使系統達到實時檢測與識別的要求。3.2基于Adaboost算法的人臉檢測整個疲勞檢測系統首先必須準確地檢測到人眼位置,我們采用先確定人臉區(qū)域,然后在人臉區(qū)域內進一步檢測、定位人眼的方法,這樣可以使得人眼的檢測與定位更準確一些。3.2.1人臉檢測技術概述人臉檢測采用的方法大致可分為基于統計和基于知識兩種類型[5]?；诮y計的方法將人臉圖像視為一個多維向量,從而將人臉檢測問題轉化為多維空間中分布信號的檢測問題;而基于知識的方法則利用人臉特征先驗知識定義若干規(guī)則,建立相應的數學模型,從而將人臉檢測問題轉化為假設和驗證問題,比如利用人臉膚色和幾何結構等。從表2一1可以看出,每種人臉檢測方法都有一定的優(yōu)缺點以及應用場合?；谥R建模的方法,一般對建模的假設條件依賴性強,而基于統計的方法,一般精度較高、魯棒性強,但運算量大。對于本系統,列車駕駛室光照環(huán)境變化迅速,同時帶有一定程度的震動,很難保證一個穩(wěn)定的建模假設環(huán)境。例如,列車的光照環(huán)境不能保證基于膚色的檢測算法要求的光照穩(wěn)定的建模條件,而列車的震動環(huán)境也不能保證基于運動的檢測算法要求的背景穩(wěn)定的建模條件?；诮y計的檢測方法,通過模式識別的訓練過程,提取人臉樣本中的大量人臉本質特征,在光照不理想的情況下,即使缺失少部分特征,仍可以正確識別人臉。t一般來說,基于統計的人臉檢測方法只需要當前幀圖像,對振動環(huán)境并不是很敏感,帶來的只是少許圖像噪聲,對算法檢測性能影響不大。由于本系統采用高速DSP數字信號處理芯片,在很大程度上解決了基于統計的人臉檢測算法計算量大的問題。從上面的分析,可以看出基于統計的算法對列車復雜多變的光照、振動環(huán)境都有較強的適應性。在基于統計的人臉檢測算法中,我們最終選擇了基于Adaboost算法的人臉檢測算法。3.2.2Adaboost人臉檢測算法1.集成學習算法集成學習中一個關鍵問題就是弱分類器的集成問題。大部分機器學習算法只是通過單個分類器的生成來對新的樣本做出預測,而集成學習則是多個弱分類器的結合,每一個弱分類器都可能是一種傳統的機器學習模型。對一個新樣本分類,集成分類器把這個新樣本交給其多個弱分類器,再把各個弱分類器對新樣本的分類結果通過某種方式(比如投票或求均值)組合來得到集成學習的預測結果。Hansen等研究發(fā)現,集成學習算法生成的分類器要比參與集成的那些單分類器的準確度高許多。我們也可以說成集成學習的優(yōu)點是集成分類器的性能比單個弱分類器具有更好的表達能力。在眾多的集成學習算法中,Adaboost算法因其有以下優(yōu)點而被廣泛使用:（1）算法速度快;（2）除了訓練輪數參數T外,不需要調節(jié)任何參數;（3）不需要知道任何關于弱分類器的先驗知識;（4）對弱分類器的性能要求不高,只需要比隨機猜測性能稍好即可,這種弱分類器在實際情況下很容易獲得,從而降低了算法的復雜度,提高了效率;（5）在弱分類器的構成上可以兼容多種方法,這些弱分類器可以是神經網路、決策樹、最近鄰域分類器、經驗規(guī)則等;（6）訓練數據可以是文本、數字、離散值等,并且Adaboost算法很容易被推廣到多類目標的分類問題中去。2.Adaboost算法Adaboost算法的訓練過程是一個樣本權重的迭代更新過程。在Adaboost算法中每個樣本的權重值表示該樣本被錯分次數的多少,在每一輪權重更新的過程中,被錯分樣本的權重會變大,在下一輪循環(huán)中算法就會更加關注上一輪被分錯的樣本。如果一個樣本被錯分了很多次,那么這個樣本的權重就會越來越大,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。下面按照集成學習算法的兩個關鍵問題介紹Adaboost算法,首先是Adaboost算法應用于人臉檢測的弱分類器H~like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分類器,最終獲得級聯分類器的方法。3.3基于Adaboost算法的人臉檢測軟件實現Adaboost分類器實現主要分兩部分:Haar一like特征的選擇過程,即樣本訓練過程;檢測過程,即利用得到的Haar一like特征進行人臉檢測。下面分別給出樣本訓練過程及檢測過程的軟件邏輯實現。3.3.1.樣本訓練過程樣本訓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,進而生成強分類器和級聯分類器。下面詳細介紹樣本訓練過程。在樣本訓練過程中,首先需要解決的就是人臉樣本庫的選擇及預處理。3.3.2人臉檢測程序人臉檢測程序主要是利用基于Adaboost學習算法訓練得到的人臉級聯分類器,進行實際的人臉檢測。人臉檢測程序流程包括圖像預處理、積分圖生成、特征值計算、級聯分類器判斷等步驟。下面給出級聯分類器人臉檢測程序的流程圖,以及程序關鍵代碼。3.4人眼檢測與人眼狀態(tài)分析算法3.4.1基于Adaboost的人眼檢測算法人眼訓練過程需要人眼庫,因為沒有現成的人眼庫,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網下載人臉圖片中。樣本被統一縮放到20x12像素,樣本庫共包括1000個人眼樣本和1500個非人眼樣本3.4.2人眼級聯分類器效果分析利用人眼檢測程序進行了大量圖片檢測,發(fā)現人眼檢測正確率非常高,只要能夠正確定位人臉,人眼檢測幾乎可以達到100%。經過分析,可以發(fā)現,這是由人眼特征決定的。首先,人眼特征簡單、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)域為先前定位的人臉區(qū)域,而人臉搜索區(qū)域為整幅圖像。特征簡單、搜索區(qū)域小,導致人眼檢測正確率高,基本不會出現漏檢和誤檢。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)識別最關鍵的步驟,也是一個主觀的定義過程。人眼狀態(tài)分析算法可以分為基于統計和基于知識建模兩種方法。因為人眼開閉狀態(tài)連續(xù),狀態(tài)確定主觀,而基于統計的人眼狀態(tài)分析方法(模板匹配,Fisher法等)固有的離散特點,使得基于統計的方法樣本選擇難度大,使用靈活性很差,因此本系統優(yōu)先考慮基于知識建模的方法,該方法最大的特點就是模型參數可調,所以可以通過調節(jié)參數,盡量達到PERCLOS的P80模型的要求。最常見的兩種基于知識建模的人眼狀態(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與線的對偶性,將原始圖像空間給定的曲線通過曲線表達形式變?yōu)閰悼臻g的一個點。這樣就把原始圖像中給定曲線的檢測問題轉化為尋找參數空間中的峰值問題。簡而言之,Hough變換思想為:比如檢測圖像中的一條直線,在原始坐標系下的一個點對應了參數坐標系中的一條直線,同樣參數坐標系的一條直線對應了原始坐標系下的一個點。原始坐標系下呈現直線的所有點,它們的斜率和截距是相同的,所以它們在參數坐標系下對應于同一個點。這樣在將原始坐標系下的各個點投影到參數坐標系下之后,看參數坐標系下有沒有聚集點,這樣的聚集點就對應了原始坐標系下的直線。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。對眼睛部位進行垂直灰度投影,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,需要圖像的質量較高和準確的人眼定位,否則就不能獲得明顯的波峰,甚至可能出現兩個較小波峰的情況,導致灰度均值較大等異常情況,導致狀態(tài)分析錯誤。其次灰度投影法需要較復雜的前處理步驟,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建模方法固有的過分依賴其假設條件,需要精確幾何模型、魯棒性較差的缺點,我們提出了一種區(qū)域灰度比較法,即使得眼睛狀態(tài)分析具有基于知識建模方法的連續(xù)性、參數可調性,而且不需要精確的幾何模型,同時也使得狀態(tài)分析具有不錯的魯棒性。4.基于貝葉斯網絡的駕駛疲勞程度識別模型4.1基于貝葉斯網絡模型的駕駛疲勞程度識別駕駛疲勞作為一個不可直接觀測的研究對象，其影響因素非常多且難以定量，各類度量指標對駕駛疲勞的界定又沒有統一的標準。因此，判斷駕駛疲勞程度是一個非常復雜的系統問題。與酒后駕駛的檢測指標不同，所有用來檢測駕駛疲勞的指標在獲取過程中均會受到不同程度的干擾。目前，還沒有一種方法能夠對駕駛疲勞程度進行準確無誤的檢測。因此，使用概率論的方法對駕駛疲勞程度進行識別具有一定的合理性。貝葉斯網絡模型的基本思想是：在信息不完備的情況下，通過可觀察隨機變量(證據變量)推斷不可觀察隨機變量(隱含變量)，進行概率推理。利用貝葉斯網絡求解駕駛疲勞程度識別的問題可以表述為：在已知疲勞度量指標測定結果的情況下，利用貝葉斯網絡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)時的概率。駕駛疲勞貝葉斯網絡的構建包括兩個主要內容：1)確定網絡節(jié)點；2)計算節(jié)點間的先驗概率。其中，網絡節(jié)點的選擇取決于疲勞的各種特征及影響因素，而節(jié)點先驗概率的確定則依賴于某個特征或因素對判斷疲勞程度的可能性。4.2駕駛疲勞程度識別模型4.2.1駕駛疲勞貝葉斯網絡結構駕駛疲勞作為系統的核心，其復雜的影響因素即該系統的輸入，在生理、眼動及駕駛績效等方面表現出來的特征即該系統的輸出。將駕駛疲勞的影響因素分為三類:駕駛環(huán)境屬性、駕駛人個體屬性以及原始疲勞屬性。各類影響因素的具體度量指標見圖1。其中，溫度、天氣等變量是駕駛環(huán)境變量的父節(jié)點，相應的駕駛環(huán)境變量是溫度、天氣等變量的子節(jié)點，以此類推。4.2.2貝葉斯網絡條件概率表的確定在建立的駕駛疲勞貝葉斯網絡模型中，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絡識別模型輸入層變量和輸出層變量統稱為貝葉斯網絡中的證據變量。利用貝葉斯網絡建立駕駛疲勞程度識別模型的原理是在已知網絡中各節(jié)點先驗概率的前提下，結合證據變量的取值，根據貝葉斯公式計算不同駕駛疲勞程度的后驗概率。4.3模型有效性驗證采用模擬駕駛的方法進行實驗設計。實驗設備包括模擬駕駛仿真實驗平臺—AS1300卡車駕駛模擬系統、多通道生物生理記錄儀、攝像機等。同時采用斯坦福嗜睡量表(StanfordSIeepinessScale,SSS)對駕駛人的主觀疲勞狀況進行問卷調查，以了解駕駛過程中駕駛人對疲勞的主觀感受。5基于FPGA的疲勞駕駛檢測系統設計5.1疲勞駕駛檢測系統總體設計方案5.1.1系統紅外光源原理主動紅外光源理論的內容:人眼視網膜對不同波長紅外光的反射率不同,對850nm波長紅外光的反射率是90%,對940nm紅外光的反射率是40%,紅外波長在880士80nm范圍之內時,人臉的其他部分對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,大大簡化了整體算法的復雜度。如圖2.1所示:獲得了差分圖像后,對其在水平和垂直方向上進行投影,通過確定人臉的上、下、左、右邊界來定位出人臉區(qū)域。依據人眼和人臉的固定幾何關系來定位出人眼的大致區(qū)域,接著在此區(qū)域內利用復雜度算法檢測到瞳孔。人眼睛睜開時瞳孔面積大,當人閉眼時,瞳孔面積隨閉眼程度變化,當完全閉眼時瞳孔面積為0,所以通過統計瞳孔面積可以判斷當前采集到圖像中駕駛員是睜眼還是閉眼。最后通過統計一段時間內閉眼幀數占總幀數的比例得到眨眼頻率進行駕駛員是否疲勞的判斷。P80疲勞算法定義了閉眼的標準和疲勞判斷的標準。閉眼標準為:眼臉遮住瞳孔的面積超過80%;疲勞標準是:一段時間內閉眼幀數己:`總幀數的比例大于40%。5.1.2系統總體設計本系統主要集成了圖像采集、存儲、算法處理、報警和顯示模塊,組成了以FPGA為核心控制器的疲勞駕駛檢測系統。系統的總體方案圖如圖2.2所示。本設計中的圖像處理算法都是在FPGA上實現的,算法處理速度達到了視頻源25幀每秒的速度,解決了現有疲勞駕駛系統領域普遍存在的難以滿足實時性的問題。5.2系統硬件設計與實現5.2.1系統硬件總體架構整體硬件電路根據功能劃分為三部分,完成圖像輸入功能的圖像采集板、完成系統控制、圖像存儲以及其他功能模塊的主控電路板、實現圖像數據模擬轉數字以及數字轉模擬的輔助電路。下面分模塊介紹硬件電路的具體實現。5.2.2圖像采集電路設計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,設計并不復雜,所以我們設計為雙層板?？紤]到本系統主要是基于主動紅外光源原理,所以圖像傳感器的選型以及LED燈的布局結構設計對整個系統的功能實現有重要影響。1.圖像采集電路原理圖設計該模塊包括兩部分: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：本設計用到了兩種波長的LED燈:850nm和940nm。其原理圖如3.3所示:這兩燈的參數是:工作電壓為1.5一1.65V,工作電流為5一20mA,發(fā)光角度為30一45度。850nm波長LED燈的數量是32個,940nm波長LED燈的數量是28個,兩種紅外燈的數量存在差別主要是為了保證兩種燈的照度大致相等。圖中限流電阻大小是470歐姆,保證了LED燈可以正常工作。2.圖像采集電路PCB設計在CMOS圖像傳感器電路里,外圍電路不是很復雜,布局時注意:晶振應盡量靠近芯片的時鐘輸入管腳。另外,每個電源管腳接的電容要盡量靠近其管腳放置,這樣才`能有效的起到抗干擾的作用。LED燈電路的布局設計主要考慮了紅外光源原理,該原理得以實現并出現亮瞳孔和暗瞳孔的前提條件是:紅外光源必須沿透鏡光軸位置,而且要保證產生暗瞳孔圖像時兩幅圖像有相同的光照度,實際操作中這一點很難實現,所以如何布局這兩組LED燈是該系統功能是否成功實現的關鍵。通過多次實驗論證,本文將紅外光源設計為環(huán)形,圓心和圖像傳感器的幾何中心重疊,外圓直徑為61.93mm,內圓直徑為41.24mm,內圓上放置940nm的LED燈,外圓上放置850nm的LED燈,取得了不錯的效果。5.2.3主控板設計1.主控板原理圖設計原理圖的設計必須保證其正確性和可靠性,并且盡量使繪制的原理圖清晰、流暢。電路原理圖的兩個基本要求是:直觀;能表示電路的電器連接。繪制原理圖前有很多準備工作,下面主要對器件如何選型進行說明:對于每個模塊來說,首先是基準件的選擇,也就是該模塊的核心元件。選擇的時候考慮了以下幾點:第一:性價比高,這對于節(jié)省產品的成本來說很重要;第二:容易開發(fā):主要體現在硬件調試工具多,參考設計多,成功的案例多;第三:可擴展性好。其次,對于核心元件周圍的外圍器件的選擇考慮了以下幾點:第一:普遍性原則:盡量少使用冷芯片,而是使用被廣泛驗證過的元器件,這樣可以減少設計風險;第二:可替代原則:盡量選擇管腳之間兼容種類多的器件;第三:方便采購的原則:這樣才能在預期的時間內完成工作;第四:資源節(jié)約原則:盡量用上器件的全部功能和管腳。2.主控板PCB設計(l)元件布局(2)布線5.2.4輔助電路設計輔助電路板上實現的功能模塊包括:電源電路、視頻解碼電路、視頻編碼電路以及串口電路。它的主要作用是配合主控板完成整體所需功能。沒有將輔助電路板上面實現的功能放在主控板上主要是基于以下的考慮:首先,為了保證產品的小型化,必須限制板子的尺寸,所以將兩個板子通過插槽連接起來,通過主控板上引出的管腳來控制輔助電路板信號,使得面積盡量的做小;其次,主控板是6層板,布線的復雜度比較高,如果將輔助板的功能放在上面使得難度加大。再次,這樣設計是為以后做打算,現在系統使用的是模擬攝像頭,所以需要視頻解碼芯片,如果將來使用數字攝像頭,這部分就可以削減掉。視頻編碼電路主要是為了將圖像通過VGA接口顯示到電腦上,如果以后該部分換作小型液晶屏來顯示,這部分也可以消減。串口模塊的作月J主要是將讀取圖像數據通過串口傳到PC機上,然后借助Matlab工具分析圖像數據為加速尋找到適合FPGA實現的圖像算法做準備。所以對于以后的產品優(yōu)化來說,這部分也可以根據需要進行取舍。另外,主控板上和輔助電路板上都設計了電源模塊也考慮到將來整個系統功能只在主控板上實現來降低成本以及設計的復雜度。5.2.5系統硬件電路的物理測試電路板制作好后,利用萬用表、示波器等儀器完成了硬件電路的物理測試。物理測試包括:測試電源模塊出來的電壓是否正確、電源和地之間有沒有短路,元器件有沒有虛焊的情況、電源電壓正確后有源品振輸出的時鐘是否正確等。對于集成芯片,先測試其電壓和地有無短路,沒有則通電并測試其內部的參考電壓是否正確。本電路在調試的時候出現以下問題:電源模塊的FPGA內核電壓不正確,查明原因是接的電阻太大,沒有滿足工作電流的要求,后用500歐姆電阻替換后,電壓正確。蜂鳴器不工作,問題就在畫封裝的時候,兩個管腳的網絡定義反了,修改后工作正常。6基于NiosII多核駕駛疲勞檢測系統設計6.1系統介紹系統中配置了雙NiosII軟核CPU，兩個CPU同在一塊SDRAM內存中運行，由Avalon總線模塊提供仲裁機制實現雙CPU對SDRAM的分時訪問。CPU_A主要負責圖像數據實時采集與SD卡的數據寫入等任務；CPU_B則完成圖像數據處理與發(fā)出控制信號。兩個CPU通過郵箱建立相互通信。CPU_A把采集到的數據存入到SRAM中。SRAM有兩塊地址固定的數據存儲區(qū)A與B。當CPU_A采集一幀圖像數據并存儲在A區(qū)后便產生中斷信號通知郵箱，CPU_B開始讀取A區(qū)的數據，數據送至CPU_B的圖像預處理與人臉檢測模塊進行人臉檢測與定位。當CPU_B在讀取A區(qū)數據的時候攝像頭采集模塊繼續(xù)傳來數據，這時CPU_A將接收的數據存儲到B區(qū)中，當B區(qū)寫滿后CPU_B則開始讀取B區(qū)，CPU_A又開始寫A區(qū)，因此CPU_B讀取數據區(qū)數據與CPU_A寫入數據區(qū)數據不會產生沖突。人臉檢測模塊完成人臉定位后的數據通過總線送至CPU_B，繼續(xù)進行人眼檢測與特征值提取，最后經過計算判斷駕駛員的狀態(tài)，并通過郵箱通知CPU_A把狀態(tài)數據寫入SD卡。系統的框圖如圖1所示。6.2系統關鍵模塊設計本系統主要由圖像采集、圖像數據處理、SD卡存儲3大關鍵模塊組成。系統的硬件平臺采用Altera公司CycloneII2C35FPGA芯片(DE2開發(fā)板)，采用SOPC技術將NiosII軟核、圖像采集模塊IP核、圖像數據處理模塊、存儲器、功能接口和擴展I/O口等集成在一塊FPGA芯片上，外圍擴展了CMOS攝像頭、SD卡存儲器等硬件來實現系統的整體架構。6.2.1圖像采集模塊設計本設計采用Micron公司的130萬像素CMOS圖像傳感器MT9M011進行圖像采集。該圖像傳感器具有可編程的增益控制、曝光控制和黑標準校正，可以在保持流暢、連續(xù)的動態(tài)圖像的同時，在50mW的能耗下，以最高30幀/秒的幀率，進行任意大小的圖像捕捉。為了實現NiosII處理器能對攝像頭進行控制，獲取攝像頭采集到圖像數據，因此需要設計攝像頭圖像采集控制器IP核。該控制器核采用VerilogHDL自行設計，圖像數據能夠通過Avalon總線主端口的塊傳輸方式進行傳輸，利用DMA控制器實現從片上YCrCb_FIFO到SRAM的自動寫入。該圖像采集控制器IP主要由3個部分組成：接口模塊、內存模塊和變換處理模塊。6.2.2圖像處理算法該部分主要由以下4個步驟組成：圖像數據預處理、人臉檢測、眼睛檢測與跟蹤、狀態(tài)判斷。圖像數據預處理包括噪聲消除與圖像增強處理?？紤]到中值濾波與梯度銳化在圖像預處理中的優(yōu)點，我們采用中值濾波與梯度銳化實現圖像的預處理。本系統還采用改進的層次型AdaBoost檢測算法實現人臉的檢測，該部分采用FPGA實現。在定位好人臉后開始眼睛檢測，這里采用了Hough變換找眼球和眼瞼、累積差分幀相結合的方法來檢測眼睛，然后通過眼睛跟蹤得到相應的眼睛位置，提取相關參數后用眼瞼的寬度來判斷眼睛的開閉。6.2.3圖像處理算法硬件加速的實現系統中用到的圖像處理算法多且復雜，在單CPU上用純軟件實現該算法耗時較長，不能達到實時檢測的目的，因此在系統中配置了一個CPU_B來專門完成圖像處理任務。同時采用了NiosII處理器定制指令的方法與C2H加速編譯器工具對部分算法進行硬件加速，以此提高系統的整體性能。NiosII處理器定制指令是把用戶自定義的功能模塊直接添加到NiosIICPU的算術邏輯單元(ALU)中，來加快專項任務的執(zhí)行速度。定制指令邏輯和NiosII的連接在SoPCBuilder中完成。系統生成時，NiosIIIDE為每條用戶指令產生一個在系統頭文件中定義的宏，可以在C或C++應用程序代碼中直接調用這個宏進行程序設計。6.2.4數據存儲模塊設計本設計選用SD卡作為外接存儲硬盤。SD存儲卡具有大容量、高性能、安全性好等特點的多功能存儲卡，被廣泛用于數碼相機、掌上電腦和手機等便攜式設備中。SD卡上所有單元由內部時鐘發(fā)生器提供時鐘，接口驅動單元同步外部時鐘的DAT和CMD信號到內部所用時鐘。SD卡有兩種通信協議，即SD通信協議和SPI通信協議，與SPI通信協議相比，SD通信協議的最大優(yōu)點是讀寫速度快，單根數據線理論上可以達到25MB/秒，四線傳輸可以達到100M/s，本設計采用的是四線SD通信協議。本設計中對SD卡的協議采用軟件編寫：首先在SOPCBuilder里定義了6個可編程I/O口：SD_CMD、SD_DAT0-DAT3、SD_CLK，分別對應SD卡的命令、數據、時鐘端口，然后在NiosIIIDE上按照SD卡的傳輸協議編寫C程序來對6個I/O口進行操作，以此來實現SD卡的傳輸協議。7.疲勞駕駛預警系統的研究進展7.1預警系統的組成及工作原理生理學研究表明!駕駛員疲勞駕駛時腦電、心電、肌電信號會發(fā)生異常!并伴有頻繁眨眼、點頭、打呵欠等面部疲勞特征!同時轉向盤、油門和制動踏板長時間不動!甚至車輛會出現蛇形、前方車距過小等危險駕駛行為"為準確、可靠、實時地識別出駕駛員的疲勞特征并及時給駕駛員以警示!疲勞駕駛預警系統一般由以下模塊組成%信號采集模塊、特征提取、信息融合、疲勞判決和輸出報警模塊"系統的工作原理為%利用多種傳感器!如圖像、激光雷達、壓力、角位移傳感器等!對上述典型疲勞特征信息進行實時采集和處理!運用各種信號處理方法提取和識別駕駛疲勞特征信息!應用多傳感器信息融合理論!對互補或冗余的疲勞特征信息進行有機融合!進而建立疲勞駕駛智能決策模型對駕駛員是否疲勞駕駛進行準確可靠判斷!最后輸出報警模塊可將檢測結果實時顯示!并通過聲光報警裝置提醒駕駛員注意行車安全"預警系統的功能結構如圖所示。7.2典型的疲勞駕駛預警系統盡管研究人員提出了很多疲勞檢測方法!但由于很多方法的實驗條件有其局限性!故很難利用其研制成有效實用的預警系統!下面介紹幾種比較成功的預警系統。1.心跳速度檢測儀2.頭部位置檢測儀3.車道偏離報警系統DAS20004.轉向盤監(jiān)測系統5.駕駛員警示系統6.PERCLOS系統7.QiqngJi等研發(fā)的預警系統8.FaceLAB系統9.Copilot系統10.AWAKE系統7.3疲勞駕駛預警系統比較從20世紀90年代開始，基于各種物理傳感器的疲勞駕駛檢測方法成為預警系統的研究重點。進入21世紀以來，隨著計算機技術和集成電路制造技術的發(fā)展，疲勞駕駛預警系統在實時性、可靠性、舒適度和集成度等方面有了較人的改善和提高，表1詳細列出了幾種典型疲勞駕駛預警系統的性能對比情況。通過對疲勞駕駛預警系統的對比分析可以得出以卜結論。1)在這些疲勞駕駛監(jiān)測設備中，應用最為)廣泛的是車道偏離報警系統，但是該報警系統屬于間接監(jiān)測，對駕駛疲勞的敏感度不高，在夜晚或冰封的雨雪天氣監(jiān)測容易失敗。2)隨著圖像處理技術的不斷發(fā)展，使基于機器視覺的駕駛疲勞監(jiān)測系統成為流行，視覺檢測具有非接觸、檢測范圍)‘一、信息容量人、可擴展性強等優(yōu)點，但其在夜晚無光和強光干擾卜系統可靠性明顯卜降。3)各種根據眼部狀態(tài)檢測疲勞的車載報警裝置應運而生，成為當前車載疲勞預警系統中的主流產品。其中尤以基于PERCLOS的眼部疲勞狀態(tài)預警系統可靠性最強，但其對于少數駕駛員磕睡時眼睛睜開、戴眼鏡駕駛時測量難度較人，誤報警率較高。4)基于多傳感器信息融合技術的疲勞駕駛智能監(jiān)測系統己在市場上初現端倪，但其在實時性、可靠性及疲勞特征的有機融合方面還需進行更深入的研究。7.4發(fā)展趨勢目前，疲勞駕駛預警系統的研究方興未艾，雖然對其進行研究逐漸引起許多國家的關注和重視，但到目前為止，實用的產品尚未推出，系統監(jiān)測的準確性、可靠性和有效性亟待提高，今后其發(fā)展將呈現以卜趨勢。1)深入認識研究疲勞駕駛的特性及形成機理。人們將會結合心理學的最新研究成果，從生理學、生物化學、人機工程學、行為科學等多門學科的角度，深入研究駕駛員疲勞的形成機理，并揭示其形成機理的木質，為系統實時檢測駕駛員的疲勞狀態(tài)提供理論依據。2)準確建立起描述駕駛行為與疲勞之間關系的數學模型。利用目前常用的接觸式檢測方法，找出疲勞駕駛的表征及原因，為實時的、客觀的非接觸式檢測方法確定合理的疲勞駕駛檢測標準。3)建立可靠的駕駛疲勞評價體系。隨著腦成像技術以及認知神經科學的飛速發(fā)展，系統地研究認知疲勞過程和功能狀態(tài)，并通過人量的實驗研究，探討確定詳細的駕駛疲勞評價標準。4)進一步融合多種信息，提高疲勞駕駛監(jiān)測系統的可靠性，將是今后的重點研究方向之一。隨著智能傳感器、數字圖像處理、移動通信、模式識別、計算機科學、白動控制、信息處理、DSP等技術的大力推廣和發(fā)展，使其能對駕駛員疲勞程度進行定性和定量相結合的檢測，以達到提高檢測準確性的目的。5)設計可靠、低廉、有效、便攜的疲勞駕駛監(jiān)測系統，促進疲勞駕駛預警系統的產品化和商品化要在汽車上普及，成功安裝、使用疲勞駕駛預警系統，首先是對駕駛員的駕駛行為不產生干擾，方便駕駛員的駕駛;其次是必須絕對準確、可靠;最后必須保證價格低廉，使有關公司及車主在費用上能輕松承擔。6)利用數字移動通信和無線傳感技術開發(fā)駕駛員疲勞駕駛網絡監(jiān)控系統，擴人疲勞駕駛監(jiān)控系統的時空覆蓋范圍，加強交通管理部門的監(jiān)管，將是今后疲勞駕駛監(jiān)測系統的一個重要發(fā)展方向8.新型多功能駕駛員狀態(tài)監(jiān)測系統設計8.1無線腦電信號采集和分析1924年德國精神病學家、耶那大學的HansBerger教授首次發(fā)現并捕捉到人腦有規(guī)則的電活動，即腦電信號(EEG)，就是腦部神經細胞電位變化的信號頻率。當前大多數腦電信號采集使用單片、DSP、ARM、FPGA等作為處理器，這些屬于有線傳輸。依據腦電圖儀記錄的數據分析和臨床生理學會國際聯盟的分類，腦電信號的頻率分為：α波(8~13Hz，20~100uV)、β波(13~30Hz，5~20uV)、δ波(0.5~4HZ，20~200uV)、θ波(4~8Hz，100uv~150uV)4個頻段。腦電信號非常微弱，一般只有50μV左右，幅值范圍為5μV~100μV。所以，腦電信號放大增益要比一般的信號高得多，一般要放大20000倍左右。系統分為數據采集傳輸、濾波放大、電源設計和數據處理四個模塊。數據采集傳輸與處理模塊采用MSP430系列單片機作為控制器，無線收發(fā)模塊CC2500作為數據傳輸,MSP430單片機通過SPI口進行數據的發(fā)送與接收，然后把接收到的腦電數據通過UART轉USB芯片傳輸給數據處理服務器進行數據處理。濾波放大模塊采用前置放大器AD620作為主放大器，前級采用兩個單運放OP07運放放大器組成并聯型差動放大器，采用無源高通濾波(阻容耦合電路)，采用集成芯片MAX280作為低通濾波，采用反相放大器進行后級放大。電源設計模塊采用兩種供電模式：1)四節(jié)干電池供電，中間接地，將另一端拉至-3v。2)采用單電源供電，可直接使用汽車電源接口轉換為3v。8.1.1情緒預警駕駛員在憤怒、亢奮、悲傷等情緒狀態(tài)下發(fā)生交通事故的幾率遠遠高于正常情況，據統計由情緒化駕駛引起的交通事故約占事故總數的9.2%～14.8%。有效的實時監(jiān)測駕駛員情緒狀態(tài)對車輛人員安全和遏制交通事故具有一定的應用價值。腦電采集的關鍵參數設置：采樣率為500Hz;取0.53～60Hz之間的腦電信號;低通40Hz，高通0.35Hz；采用EDF數據存儲；電極通道選用：額葉區(qū)H1，H2和H3，H4，頂葉區(qū)D1，D2，枕葉區(qū)Z1，Z2，顳葉區(qū)S1，S2；參考電極為左右耳部電極C1，C2為參考。分別采集當駕駛員處于平靜、興奮和悲傷情緒狀態(tài)模擬駕駛時的四個區(qū)的腦電信號。采用Neroscan4.3軟件對采集的腦電信號進行分析和偽跡剔除發(fā)現，駕駛員在平靜、興奮和悲傷情緒狀態(tài)模擬駕駛時，前額葉區(qū)H1，H2的腦電信號變化明顯，對識別有重要價值。8.1.2疲勞監(jiān)測經實驗分析發(fā)現，駕駛疲勞狀態(tài)腦電特征與α波、θ波、β波均有關系，因此把C＝(α+θ)/β作為檢測駕駛疲勞的參考指標。實驗從1.00逐步增大到最大值1.65，腦電曲線在后期變化較大。經主觀評測及腦電數據對比分析得到：1)駕駛員在清醒狀態(tài)時，其C值為在1.14以下，數值較小。2)駕駛員在疲勞狀態(tài)時，其C值為在[1.14，1.46]之間。3)駕駛員在瞌睡狀態(tài)時，其C值逐步增大，達到1.46以上。值得注意的是，R值的變化曲線可能隨駕駛員調整、疲勞緩解而變化，出現反復漸進的過程，有時出現時有時無，高低起伏的波動，可設定在一定時間段內疲勞或瞌睡狀態(tài)出現的次數達到3次以上報警。8.1.3突發(fā)疾病監(jiān)測隨著工作節(jié)湊加快，壓力增大，越來越多的人出現各種突發(fā)疾病，甚至猝死，駕駛員出現突發(fā)性疾病將帶來極其嚴重的后果。通過腦電信號實時監(jiān)測到疾病信號好，及時發(fā)出報警，對預防此類交通事故有很好的價值。判定突發(fā)疾病的腦電信號參數：輕度異常：α波頻率差超過24.5Hz，波幅不對稱，兩側波幅差超過30%，枕區(qū)超過50%，生理反應不明顯或不對稱；α波頻率減慢至8Hz，波幅達100μV以上且調節(jié)不佳；β波增多，波幅達50~100μV；額區(qū)或顳區(qū)中幅θ波達20%，低幅δ波達10%；過度換氣誘發(fā)出θ波大于70μV或δ波大于25μV。2)中度異常：α波頻率減慢為7~8Hz，枕區(qū)原有α波消失或一側減少消失；額、顳區(qū)有陣發(fā)性波幅較高的α活動；中波幅θ活動數量達50%；出現少量棘波、尖波、棘或尖-慢綜合波等；過度換氣誘發(fā)出高幅δ波。3)重度異常：高波幅θ或δ波為主要節(jié)律，α波消失或僅存少量8Hzα波散在；自發(fā)或誘發(fā)長程或反復出現高幅棘波、尖波、棘或尖-慢綜合波等；高度失律、爆發(fā)性抑制、周期性發(fā)放等；持續(xù)性廣泛性扁平電位。8.2酒精監(jiān)測駕駛員酒后駕駛檢測一般分為血液檢測和呼氣式酒精氣體檢測兩種。本系統采用汽車嵌入式酒精氣體檢測方法，通過酒精傳感器檢測駕駛員呼出氣體中的酒精濃度值判定駕駛員的飲酒程度。采用高靈敏度的MQ-3酒精傳感器，5V直流供電，如圖2所示。選擇AOUT，模擬量輸出，直接將AOUT腳接AD轉換的輸入端。在沒有被測氣體的環(huán)境中，設定傳感器輸出電壓值為參考電壓，AOUT端的電壓在1V左右，當傳感器檢測到被測氣體時，電壓每升高0.1V，實際被測氣體的濃度增加20ppm（1ppm=1mg/kg=1mg/L=1×0.000001常用來表示氣體濃度，或者溶液濃度），根據這個參數就可以在單片機里面將測得的模擬量電壓值轉換為濃度值。9.多源信息融合在駕駛疲勞檢測中的應用9.1駕駛疲勞特征醫(yī)學上把人體困頓、倦怠的感覺定義為疲勞，并作為一種信號來提醒人們休息和放松。駕駛疲勞，則是指駕駛人在長時間連續(xù)行車后，產生生理機能和心理機能的失調，而在客觀上出現駕駛技能下降的現象。駕駛疲勞會影響到駕駛人的注意力、感覺、知覺、思維、判斷、意志、決定和運動等諸方而。9.1.1PERCLOS值的計算眼睛的狀態(tài)變化已經被研究證明是反映人疲勞最為直接和有效的表征。口前基于眼睛的相關檢測方法主要有PERCLOS法、眨眼頻率檢測法、瞳孔大小的檢測和眼睛視線方向檢測法等幾種。其中PERCLOS法已經被公認為疲勞檢測最好的視覺參數。而其他幾種眼睛的檢測方法也都基于視覺，處理方法類似，因此在文中我們只選取了PERCLOS值作為融合的其中一個參數。PERCLOS(percentageofeyelidclosureoverthepupilovertime)是指眼睛閉合時間占某一特定時間的百分比。PER-CLOS法是1994年Wierwille等根據在駕駛模擬器上的實驗結果確立的。其中眼睛閉合還設定了三種標準，分別為70%、80%和完全閉合，通過實驗證明80%標準是效果最好。9.1.2行駛方向改變與駕駛員反應不一致情況在人體工程學原理中提到，當駕駛員進入疲勞狀態(tài)后，反應遲鈍、注意力不集中。當車輛轉彎時，行駛路線改變，此時如果轉向燈并未開啟，則可以間接認為是駕駛員由于疲勞過度或精神不集中造成。因此把識別行駛方向變化和駕駛員反應的不一致情況也作為判斷的一個因素。檢測汽車的轉向我們通過方向盤轉向傳感器來實現，同時通過檢測轉向燈的開關電壓值來判斷轉向燈是否開啟。而最后通過計算檢測這一不一致情況發(fā)生的次數，將此次數作為信息融合的參數，根據次數的多少來判斷疲勞程度。由于車輛何時轉向是不定問題，而檢測得的數據又希望是對疲勞的實時反映，因此對次數的統計，我們以檢測前5分鐘作為統訓一時間。9.1.3方向盤動作狀態(tài)通常，駕駛員在行車過程中，需要不斷對方向作出調整，即使在筆直的道路上行駛，也總是需要對方向盤做一些輕微的轉動。而根據駕駛疲勞的定義及其從生理表現上考慮，當駕駛員處于駕駛疲勞狀態(tài)時會出現注意力不集中，操縱停頓等現象，因此通過監(jiān)測方向盤的動作狀態(tài)可以間接反映駕駛員是否處于疲勞狀態(tài)，如果在經歷一定時間內方向盤沒有任何動作，就可以判斷為動作疲勞，方向盤動作狀態(tài)異常，而且該疲勞的程度與方向盤無動作的時間成正比關系。根據方向盤監(jiān)視裝置S.A.M中的理論，方向盤不動以4、為判斷閡值，當檢測到方向盤持續(xù)不動時間超過4、時，可以判定為駕駛疲勞。9.1.4連續(xù)駕駛時間駕駛疲勞產生的一個原因是駕駛員連續(xù)行車時間過長，導致生理機能和心理機能的失調。根據我國國家交通法規(guī)定，機動車駕駛人在連續(xù)駕駛時間達4小時，就必須休息20分鐘。由此可以相信連續(xù)駕駛時間過長也可以作為駕駛員疲勞的間接原因，因此當駕駛員連續(xù)駕駛時間超過一定時間，可以作為判斷駕駛疲勞的依據之一，而且疲勞程度也與該時間成正比關系。9.1.5實際時間參數由于圖像處理技術在光線條件差的情況下無法獲取信息，因此在光線條件差的情況下我們不能把PERCLOS值作為檢測疲勞的重要依據，而主要作為參考的是其他非圖像手段獲取的疲勞特征信息。因此我們需要對時間進行分段考慮，文中我們簡單的分成白天和夜晚兩個時間段，上午8點至下午5點為一個時間段，其余為另一個時間段。9.2模糊神經網絡疲勞識別我們描述了5種常用的駕駛疲勞檢測特征參數，各檢測方法能夠一定程度地檢測出疲勞，但由于在實際行車過程中，情況復雜，因此各自檢測的可靠性均存在不同程度的疑問，也都存在較高的誤報情況。PERCLOS值由于依靠圖像處理方法檢測，受光線等影響較大，因此不同時間其可靠性不夠，另外在眨眼上，不同的人的差異也較大;而對行駛方向改變與司機反應不一致情況和方向盤動作狀態(tài)單一檢測，則由于不同駕駛習慣的區(qū)別其檢測可靠性也難以滿足要求。在分析以上方法單一檢測的情況后，針對其存在的問題，再結合模糊邏輯在處理不確定性和非線性問題的優(yōu)勢，以及神經網絡容錯能力強且具備自適應學習能力