【基于人臉圖像數(shù)據(jù)監(jiān)測的汽車駕駛疲勞檢測方法探析13000字（論文）】

基于人臉圖像數(shù)據(jù)監(jiān)測的汽車駕駛疲勞檢測方法研究目錄TOC\o"1-2"\h\u151901緒論 133251.1研究背景 1203691.2研究目的及意義 2310841.3駕駛員疲勞檢測系統(tǒng)國內外研究現(xiàn)狀 278132智能汽車疲勞駕駛檢測系統(tǒng)組成 484282.1智能汽車疲勞駕駛檢測系統(tǒng) 4306152.2圖像采集與預處理 42932.3人臉檢測和人眼定位 515942.4疲勞判定預警 5292923圖像的預處理檢測方法研究 5229053.1圖像的灰度化 519423.2直方圖均衡化 5248033.3圖像的濾波去噪 6168363.4圖像的二值化 9209154人臉檢測和人眼定位檢測方法研究 9244124.1HSV模型膚色分割人臉檢測 9159854.2灰度積分投影人眼定位 1019714.3Adaboost結合Haar特征人臉檢測 12154534.4駕駛員疲勞檢測系統(tǒng)的仿真 17248985總結與展望 2034205.1總結 20200635.2展望 2114927參考文獻 211緒論1.1研究背景自中國實施改革開放政策以來，經(jīng)歷了長達半個世界的汽車發(fā)展史，現(xiàn)如今，我國在交通運輸產(chǎn)業(yè)上獲得了十分顯著的成就。截止到2018年年底，我國高速公路總線路長度已經(jīng)排列到世界首位。結合我國“十四五”規(guī)劃的目標內容，接下來的主要工作是確保高速公路投資趨勢呈現(xiàn)快速穩(wěn)定增長態(tài)勢。計劃到2025年，我國高速公路的建設將在現(xiàn)有基礎上增長37%，達到近4.6萬公里的里程數(shù)。到那個時候，全國高速公路將突破16.9萬公里的總里程。近年來，我國汽車的保有量呈逐漸上升的趨勢，截至2021年底，全國的汽車保有量已達到3.95億輛。高速公路雖然讓出行變得更加方便快捷，但因為汽車保有量的持續(xù)增長，使得行經(jīng)高速公路的車輛不斷增多，這也導致了交通安全隱患的逐步顯現(xiàn)，我國也因此付出了昂貴的經(jīng)濟代價。根據(jù)中華人民共和國公安部相關統(tǒng)計數(shù)據(jù)，截止2021年底，我國累計發(fā)生高速公路交通事故多達9583件，其中事故導致人員死亡達到了6448人，受傷人數(shù)達到了13007人，引發(fā)的直接經(jīng)濟損失高達34486.24萬元。而造成這一問題的原因，主要是因為駕駛人員因疲勞駕駛而出現(xiàn)控制能力下降、駕駛途中閉眼、反應時間變慢以及頭腦昏沉等問題，最后導致完全失去對汽車的控制能力，在此種情況下十分容易導致交通事故的產(chǎn)生。故而，針對駕駛人員疲勞駕駛狀態(tài)進行判別和研究，能夠在一定程度上降低發(fā)生交通事故的概率和風險。而本文將據(jù)此展開論述。1.2研究目的及意義1.2.1研究目的隨著社會經(jīng)濟的不斷發(fā)展，汽車也越來越多，智能出行也越來越受到社會上的關注。駕駛員的疲勞駕駛會對自己和道路中的安全造成大量的損失。智能汽車疲勞駕駛檢測系統(tǒng)對駕駛員的狀態(tài)起著提醒作用、提高駕駛員的安全。在檢測到駕駛員進入疲勞狀態(tài)時，智能汽車疲勞駕駛檢測系統(tǒng)會對駕駛員發(fā)出提醒，極大的保護了駕駛員的安全。智能汽車疲勞駕駛檢測系統(tǒng)、對道路中的交通安全具有重要的作用，據(jù)此，本文將對汽車駕駛疲勞的綜合檢測方法展開研究。1.2.2研究意義在理論意義上，希望本文提出的檢測方法可以為當下的研究現(xiàn)狀進行一定的補充，在現(xiàn)實意義上可以實現(xiàn)對駕駛員的精神狀態(tài)進行判定，從而保證我國道路交通安全的健康發(fā)展。1.3駕駛員疲勞檢測系統(tǒng)國內外研究現(xiàn)狀1.3.1國外研究現(xiàn)狀早在20世紀90年代，美國研究人員已經(jīng)開始研究汽車駕駛與安全方面的聯(lián)系問題。相較于美國，我國國內的駕駛員疲勞檢測系統(tǒng)的研究工作開展的較晚。日本先鋒公司研制出了一款從人體生理出發(fā)進行檢測的系統(tǒng)，系統(tǒng)通過檢測駕駛員的心跳速度來判斷疲勞狀態(tài)。深圳長途汽車公司的周鵬分析了駕駛員疲勞事故隱患的原因，他研究出了佩戴于司機小腿部與手腕部的“司機疲勞事故預防器”。張明明在2016年通過對駕駛員在行駛過程中對方向盤的握力大小改變進行記錄，建立了BP神經(jīng)網(wǎng)絡的疲勞預測模型?？▋然仿〈髮W于2001年提出利用近紅外攝像頭來采集兩幅人臉圖像，之后對兩幅圖像進行差分操作可得到瞳孔區(qū)域，在得到瞳孔區(qū)域后，使用PERCLOS來判斷駕駛者是否疲勞。鄭培、周一鳴構建了基于PERCLOS檢測系統(tǒng)。該系統(tǒng)通過對動態(tài)人臉檢測并實現(xiàn)對人眼狀態(tài)的判斷實現(xiàn)測評。最早的疲勞駕駛檢測技術研究是從醫(yī)學領域開始的，針對于獲得人體的生理指標進行疲勞判斷。這一疲勞檢測系統(tǒng)在駕駛員的頭部、脖子和手腕等地方放置電極片，對人的腦電波、脈搏、心率等做出檢測，通過觀察這些數(shù)值的變化程度來判斷人是否疲勞。隨著電子技術在汽車上的高速發(fā)展，研究人員研究出了針對于車輛的方向盤轉角度數(shù)、踏板操作等外部環(huán)境檢測進行疲勞判別。由于近年來的計算機科學技術的快速發(fā)展，針對于機器視覺特征原理進行疲勞判別的方式也被使用的越來越多?；跈C器視覺特征原理的檢測方法不需要放置的許多裝置對駕駛員造成駕駛影響，并且具有高效性，檢測的準確率較高的特點。從智能汽車疲勞駕駛檢測系統(tǒng)的發(fā)展進程來看，基于人的生理指標的接觸式檢測裝置，具有高效性和準確性，但是此裝置會在駕駛員身上放置設備，這會對駕駛員造成駕駛影響，所以在市場中很難得到應用。與接觸式的檢測裝置相比較，非接觸的基于視覺原理的檢測裝置的實用性更高一些，隨著計算機行業(yè)的快速發(fā)展，圖像采集的駕駛員疲勞檢測技術也在快速的提高，這類裝置的成本較低，檢測性較好，已經(jīng)成為了未來檢測裝置的主導者。1.3.2國內研究現(xiàn)狀相比國外在關于疲勞駕駛方面的檢測研究狀況來看，由于前期社會經(jīng)濟及各項技術的落后，我國在駕駛員疲勞狀態(tài)檢測方面的研究起步比較晚，但通過研究人員近年來的努力，也取得了一定的成果。上海交通大學通過研究，研究開發(fā)出借助駕駛人員在駕駛過程中對于踏板和方向盤的使用頻率來針對人員疲勞狀態(tài)進行分析判斷的方法，假如駕駛人員在特定時間范圍里面沒有控制方向盤，或者操作幅度超過15度情況下，則可以說明此駕駛人員當前處于疲勞駕駛狀態(tài)。胡鐵紅等人發(fā)表的研究論文，以駕駛人員操作方向盤的轉向規(guī)律為基礎開展分析，同時借助小波包分解的方式獲取對應能譜熵，在不同情況下針對能譜差異來進行分析對比，并以此作為判斷駕駛員疲勞與否的依據(jù)，吉林大學在嘴巴和眼睛活動狀態(tài)基礎上研究開發(fā)出了一種駕駛疲勞監(jiān)控系統(tǒng)，同時在面部視覺信息基礎上構建了精神分散量化評估模型，同時將其和汽車安全檢測距離限定準則進行了結合，最終獲得了較好的檢測效果。東北大學研究人員張弛電脈搏信號、腦電圖以及肌電圖等信號進行記錄，并且提出了一種通過檢測不同熵值的方式來針對駕駛人員疲勞狀態(tài)進行識別和檢測。數(shù)據(jù)顯示，近年發(fā)生在高速公路的交通事故，因為疲勞駕駛交通違法引發(fā)的數(shù)量，呈明顯上升的趨勢，因此，關于疲勞檢測相關方法的研究工作逐漸成為現(xiàn)階段的關注熱點話題，即便當前國內關于此方面的研究獲得了一定水平和成績，然而在技術實踐應用方面依舊存在不成熟的情況，故而，本文主要針對疲勞駕駛人員狀態(tài)開展實時檢測有著非常重要的社會意義及經(jīng)濟價值。2智能汽車疲勞駕駛檢測系統(tǒng)組成2.1智能汽車疲勞駕駛檢測系統(tǒng)人的疲勞是一種相對復雜，且涉及到生理和心理的綜合現(xiàn)象，在人類進行各種活動的過程中一旦承受了生理或心理的負荷就會產(chǎn)生疲勞的積累，或是在疲勞的影響下，一部分的身體組織器官可能會無法維持最佳的身體表現(xiàn)，甚至可能發(fā)展為注意力渙散和嗜睡等癥狀。而疲勞駕駛最直接的體現(xiàn)上，就是司機會因疲勞而出現(xiàn)不同程度地癥狀，從而對交通安全造成無法估量的影響。一般而言，從感觀上大致可以將疲勞分為視覺疲勞、聽覺疲勞、嗅覺疲勞和觸覺疲勞，從疲勞產(chǎn)生影響的周期又可以將疲勞分為突發(fā)性疲勞和慢性疲勞，其中急性疲勞可以在一定時間的休息之后得到補償，而慢性疲勞綜合征（CFS）則不一定受到一般疲勞補償機制的影響，并且在一定時間內不具有可逆性。而智能汽車疲勞駕駛檢測系統(tǒng)，則可以針對以上理論依據(jù)對駕駛者的眼狀態(tài)進行識別，并開展計算分析，達到有效識別駕駛人員疲勞狀態(tài)的目的。2.2圖像采集與預處理在數(shù)字圖像的存儲、創(chuàng)造以及數(shù)據(jù)傳輸?shù)臅r，往往會存在諸多因素闡述影響和干擾情況，進而引發(fā)圖像信息丟失和數(shù)據(jù)失真的情況，這也在很大程度上將導致駕駛人員疲勞檢測準確性產(chǎn)生影響。通常情況下，圖像預處理主要借助一系列算法來針對圖像采集過程里面存在的噪聲予以消除，并且在去噪的時候獲取最大程度還原。借助預處理的方式能夠降低因為光照以及噪聲帶來的干擾和影響，在確保圖像處理速度得到提升的情況下確保實時性，并且能夠提升疲勞檢測準確性。在本章節(jié)里面，我們主要針對光照補償以及圖像去噪兩個不同類型方法展開說明，進而在根據(jù)分析結果來針對本文選擇處理機制進行介紹。該檢測系統(tǒng)，是借助中值濾波的方式針對圖像去噪，并以此為基礎通過直方圖均衡化，以及參考白相結合的方法對光照進行的補償，在實際應用中可以有效增強圖像的對比度和亮度，為后續(xù)有效處理圖像奠定基礎。2.3人臉檢測和人眼定位在完成了上述的圖像采集與預處理以后，臉檢測和人眼定位技術，是通過借助YCBCr色彩空間分割膚色，并基于OSTU算法來來針對圖像進行的二值化處理操作，同時需要在此基礎上提出空間位置和形態(tài)學聯(lián)合的方式進行先驗，最終將駕駛人員眼部檢測區(qū)域限定到人臉位置。2.4疲勞判定預警關于疲勞的判定預警，本文就以山區(qū)高速公路的疲勞駕駛特征為例，其在人眼狀態(tài)有效識別的前提下，為提高疲勞檢測的精確度，提出基于PERCLOS準則與眨眼頻率相融合的判定機制，通過實驗驗證分析，進而達到準確檢測駕駛人員疲勞狀態(tài)的目的。3圖像的預處理檢測方法研究3.1圖像的灰度化重要理論依據(jù)在于人處于睜眼狀態(tài)下，假如沒有將瞳孔遮擋的情況下灰度圖水平投影區(qū)域將出現(xiàn)峰值，且寬度很大，具體參見下圖（a）；假如處于閉眼狀態(tài)，那么對應位置寬度將逐漸變窄，具體參見下圖（b）。然而，光照對于此方法的影響十分顯著，同時具有的抗干擾性十分明顯。對于此方法需要開展預處理，同時步驟較為繁瑣。3.2直方圖均衡化直方圖均衡化的實質，即對圖像進行非線性變換拉伸處理。直觀來說，就是將圖像的象元值進行一個重新分配，通過這個過程，最終能夠得到一定灰度范圍內數(shù)量大致相等的象元值。相比原始圖像而言，針對圖像進行直方圖均衡化處理以后，在對比度方面有了提升，進而能夠使得亮度在直方圖上面高亮度的分布，當現(xiàn)實圖像本身特定區(qū)域對比度提升的過程中，不會導致整體對比度出現(xiàn)失衡情況。從通俗層面而言，便是針對原始圖像灰度直方圖予以改變，進而獲得灰度分布更加均勻的方式，在針對灰度范圍進一步擴大的時候，進一步提升對于圖像增強需求。然而，因為借助直方圖均衡化改變的是灰度，并非針對RGB圖像進行了改變，假如針對RGB圖像進行直接改變則容易產(chǎn)生奇異點。那么，針對RGB空間色彩圖像語義變換則顯得十分有必要。3.3圖像的濾波去噪關于圖像的濾波去噪，是一個較為系統(tǒng)且繁瑣的過程，本文首先針對駕駛人員眼睛特征進行提取，并以此來判斷駕駛人員當前是否處于疲勞狀態(tài)，如若圖像噪聲過多將導致檢測結果產(chǎn)生負面影響，故而需要予以消除。一般的圖像去噪方法主要借助濾波去噪的方式來實現(xiàn)，以此凸顯出特征信號的權重，并達到去除噪聲干擾的目的。圖像去噪方法有很多，現(xiàn)階段，應用較為普遍的方法包含維納濾波、均值濾波、基于小波變換閾值以及中值濾波等方式。首先，是均值濾波。均值濾波作為一種典型的線性濾波算法，主要是通過鄰域平均法來實現(xiàn)對圖像噪聲的去除。它的主要工作原理便是針對原始圖像進行處理，提供目標像素一個包含鄰近若干像素值組成的模板，進而將模板里面相鄰區(qū)域像素值進行均值化處理，并以此替代原像素里面的值。（2-1）上述公式里面M代表的是模板里面包含的像素個數(shù)總和。具體參見下圖2-1內容，左側圖呈現(xiàn)的是像素（x，y）相鄰區(qū)域像素，右側圖呈現(xiàn)的是權系數(shù)矩陣模板S。那么便能夠得到這樣有一個公式，即g（x，y）=（f（x-1，y-1）+f（x，y-1）+f（x+1，y-1）+f（x-1，y）+f（x，y）+f（x+1，y）+f（x-1，y+1）+f（x，y+1）+f（x+1，y+1））/9。圖3-STYLEREF1\s1像素（x，y）八鄰域及模板從中能夠發(fā)現(xiàn)，借助均值濾波的方式即便能夠針對噪聲予以去除，但也存在明顯的缺點，圖像的細節(jié)得不到很好地保護。在使用均值濾波處理圖像的過程中，對于大多數(shù)原始圖像而言，里面的細節(jié)部分同樣會被破壞，進而導致經(jīng)過處理的圖像存在模糊不清的問題，這對于后續(xù)提取圖像特征是存在負面影響的。那么，在本文里面，我們不會選擇此種方式來針對圖像去噪。其次，是維納濾波。針對這一環(huán)節(jié)而言，維納濾波是一種線性濾波，也即是完成濾波以后的圖像g（x，y）同原始圖像f（x，y）之間構成的均方差，即確保e（x，y）=E|f（x，y）-g（x，y）|2處于最小值。因此，此種濾波方式可以表示成為：（2-2）其中，這里Pn（u，v）=|N（u，v）|2為噪聲圖像對應的功率譜，Pf（u，v）=|F（u，v）|2表示與原始圖像相對應的功率譜，H（u，v）是退化函數(shù)，G（u，v）代表的是針對退化圖像對應的傅里葉變換?？紤]到維納濾波平滑效果主要會因為圖像局部方差而產(chǎn)生影響，進而呈現(xiàn)如下規(guī)律特點。當局部方差較大的時候，此時濾波器對應平滑效果則顯得相對強烈。由此可見，這有利于保留數(shù)字圖像高頻分量以及邊緣信息。針對此方面而言，相比均值濾波存在優(yōu)勢。但該方法也存在對功率譜的估計難度大、計算量大的缺點，對于圖像噪聲中非平穩(wěn)隨機信號不能有效過濾，因此，本文不選擇維納濾波對圖像進行去噪處理。最后，是小波閾值。法國科學家Grossman和Morlet等人在上世紀八十年代提出了小波分析，此種法分析方法是以小波變換閾值最為基礎的分析理論。這種方法與我們熟知的傅里葉變換基本原理非常相似，它可以有效克服頻率變化時窗口大小保持不變的缺點，從這一點來說，該方法優(yōu)于傅里葉變換。這讓它適用于多尺度細化分析輸入的圖像信號，通過采用平移運算及尺度變換的方法，就能夠有效地克服傅里葉變換無法處理的一些技術問題。該方法可以有效分離不同尺度下的噪聲和圖像的邊緣信息，是一種多尺度、多分辨率的分解方法。在開展小波分析以后，此時數(shù)字圖像本身信號對應的小波系數(shù)幅度相比噪聲要明顯大一些，故而，我們便可以借助小波閾值來針對圖像噪聲進行處理。然而，針對小波閾值效果而言，在很大程度上需要以來閾值選擇方面，故而需要增設一個環(huán)節(jié)，即指的是借助閾值來分解小波以后，產(chǎn)生的各層高頻系數(shù)予以處理，完成此步驟后再針對去噪后的圖像進行重構。故而，針對閾值的選取再很大程度上決定了圖像去噪效果。假如閾值過高，那么即便噪聲得以消除，但是對于圖像本身的邊緣信息將會遭受損壞。故而，在本文里面，我們不會選擇此種方式來針對圖像去噪。此外，對于中值濾波而言，此種圖像處理機制屬于非線性的。其基本原理為：先將圖像局部范圍內的區(qū)域按灰度大小排列，再對圖像中每一像素點的灰度值進行設置，將其替換為該點鄰近區(qū)域內的所有像素點灰度值的中值，進而達到對圖像去噪處理的效果。則有：（2-3）上述式子里面f（x，y）指的是原始圖像，M（x，y）指的是處理后圖像，S代表的是二維模板。目標像素權系數(shù)矩陣模板鄰域參見下圖2-2內容。（2-4）圖3-2像素（x，y）八鄰域及模板對于中值濾波一方面能夠針對噪聲起到抑制作用，同時后處理畫面效果相對清晰，此外，在針對圖像噪聲進行去除的時候能夠保留圖像邊緣信息，因此在本文里面，我們選擇的圖像去噪處理方式為中值濾波。3.4圖像的二值化在基于人臉定位技術上，可以通過高斯膚色模型獲取每個像素點對應膚色相似度，并在接下來的步驟便針對人臉展開定位。具體設計流程，一般是先借助OSTU算法來開展二值化分割處理，進而將獲取的二值化圖像對應聯(lián)通區(qū)域開展形態(tài)學研究分析，針對每個不同區(qū)域面積信息以及長寬比進行計算，同時借助空間位置來真的對人臉定位進行優(yōu)化。而其中的自適應二值化，旨在圖像里面講目標膚色區(qū)域予以準確提取，我們則現(xiàn)需要選擇合理閾值來開展分割。4人臉檢測和人眼定位檢測方法研究4.1HSV模型膚色分割人臉檢測膚色作為人體面部最為明顯的特征之一，表情的變化及姿勢的調整對它的影響不大，所以其具有一定的穩(wěn)定性，在人的面部檢測方面有較大的發(fā)展?jié)摿Α５牵w色特征的體現(xiàn)受光照亮度的影響很大，故而色彩空間的選擇合理與否則變得十分關鍵，它能夠在很大程度上降低光照亮度產(chǎn)生的影響。經(jīng)過參考發(fā)現(xiàn)，關于人臉膚色模型一般包含RGB色彩空間、HSV色彩空間，以及YCbCr色彩空間。本文主要探討的是其中的HSV模型。HSV色彩空間，能夠在很大程度上針對人眼顏色直觀特性進行反映，是一種“所見即所得”的顯示模式。也就是說HSV模型在顏色分量的取值上，其與所生成的顏色之間有著很直觀的聯(lián)系，這也是創(chuàng)建HSV模型的主要原因。一般而言，亮度（Value）、飽和度（Saturation）以及色調度（Hue）是表示該色彩空間的三個參數(shù)。其中，亮度是人眼感覺得到的顏色的明暗程度，色調度指光的顏色在物體上反射的程度，而飽和度則指顏色的純度，這種色彩空間較多用于藝術創(chuàng)作領域，它直觀的反映了人類觀察顏色的方式。我們現(xiàn)在所看到的HSV色彩空間三維模型，是經(jīng)過演化后的RGB色彩空間立方體三維模型，它直觀體現(xiàn)為一個規(guī)則的六角錐體形狀三維模型。如下圖所示，該三維模型的各個邊界表示了顏色的位置。其中，水平軸體現(xiàn)顏色的純度，垂直軸則用來體現(xiàn)亮度。考慮到此色彩空間能夠把亮度和其他分量予以有效分里，故而在抗光照干擾性方面相對有優(yōu)勢。圖3-3HSV色彩空間模型從RGB朝著HSV色彩空間進行轉變本質上屬于非線性轉換方式，可以借助如下公式來進行表達：（3-3）（3-4）（3-5）在上式中，函數(shù)的最大值和最小值分別由max和min來表示，在經(jīng)過轉換以后，HSV色彩空間的信息結構將變得更加緊湊，一方面可以將目標信息予以分離以外，同時在抗光照方面性能得以提升。鑒于此效果需要由RGB色彩空間經(jīng)過非線性轉換方能實現(xiàn)，進而提升的計算復雜程度，最終的檢測速度也顯著降低。除此之外，在此空間里面樣本膚色聚集度也相對較低。4.2灰度積分投影人眼定位在關于人眼定位的研究上，本文主要借助由粗到細的方式定位人眼，首要步驟便是借助灰度積分投影的方式尋找到人體眼部的大致區(qū)域范圍，進而在橢圓擬合基礎上針對人眼位置進行精確定位。此種方法主要針對人眼大致區(qū)域范圍進行檢測，借助人臉投影分布圖的原理來進行目標區(qū)域范圍的獲取?？紤]到人體面部各個區(qū)域器官對應范圍亮度相比其他位置要低一些，如若針對人臉開展積分投影，那么最終獲得的結果是人體面部投影積分屬于極小值，故而能夠借助此種方式來確定面部器官的水平方向位置及之間的垂直距離，但這需要建立一個判斷準則。眼睛所在的區(qū)域可由臉寬、水平方向位置和垂直方向距離來確定。對于人臉特征分布以及簡單背景部分，此種方法的檢測結果十分有效，然而在進行檢測的時候，往往會因為眼部周圍飾物、眉毛以及眼鏡等因素的影響，導致該方法魯棒性較差，故而限制了其應用范圍。下圖內容屬于直接投影圖，每個投影均和一個極小值對應，人體面部主要器官垂直方向的位置，基本可由灰度積分投影圖反應出來。其中，眼睛的位置為由高到低的第一個極小值，另外嘴巴對應位置從低到高對應第一個極小值，鼻子位置處于中間極大值部分。考慮到人體面部投影相比其他區(qū)域要更深，故而，面部器官投影圖像灰度通常屬于極小值。圖4-5直接投影此外，邊緣圖相比人臉灰度圖像對比而言，更能凸顯人臉部器官。故而在本文里面，我們主要借助邊緣投影的方式針對人眼睛進行定位，對于此種方法具有的抗背景干擾性十分顯著。我們在開始邊緣檢測以后，大部分背景均能夠消除，剩余部分便是投影，對人臉結果進行更好的呈現(xiàn)和區(qū)分?？紤]人體面部不同區(qū)域對應顏色需要有所差異，使用直接投影的方法會導致顏色之間差異引發(fā)面部差別。故而需要針對邊緣進行檢測，以消除人臉部區(qū)域以外的大部分內容。邊緣積分投影參見下圖內容?？紤]到邊緣圖像里面人體臉部相比其他區(qū)域的亮度更高，那么其對應積分屬于極大值。根據(jù)下圖4-5和圖4-6內容對比能夠發(fā)現(xiàn)，邊緣投影能夠在很大程度上將各個位置器官予以凸顯出來。圖4-6邊緣投影借助不同的方法來針對邊緣位置進行檢測的具體結果參見下圖4-7。圖（a）代表的是借助Roberts方法獲取的檢測結果，圖（b）顯示了通過Sobel方法得出的邊緣檢測效果，圖（c）顯示了通過Laplace方法得出的邊緣檢測效果，圖（d）顯示了通過Prewitt方法得出的邊緣檢測效果，圖（e）顯示了通過Kirsch方法得出的邊緣檢測效果，圖（f）顯示了通過Canny方法得出的邊緣檢測效果。圖4-7幾種邊緣檢測算子檢測效果4.3Adaboost結合Haar特征人臉檢測4.3.1Haar特征關于Haar特征的最早研究，可以追溯至美國2002年的MIT生物與計算學習中心，其中以學者Constantine等人為代表，首次提出了一種用于雜亂場景靜態(tài)圖像目標檢測的通用訓練框架。并通過垂直特征、水平特征、對角特征進行圖像處理，從而在放大到一定的比例后得到想要的結果。隨著時間的推移，這一特征研究受到了RainerLienhart的關注，并對其進行了完善與升級，最終發(fā)展至如今較為常見的邊緣特征、線性特征、中心和對角線特征組合成特征模板。圖4-8幾種Haar特征模板由上圖可見，這些Haar特征在待檢測圖像中的位置和尺寸可以變化，經(jīng)過變化產(chǎn)生的特征定義為矩形特征，并用白色區(qū)域所覆蓋的圖像像素和減去黑色區(qū)域所覆蓋圖像中的像素和，最終得到了以下的結果。圖4-9Haar特征在圖像中演示4.3.2Haar特征值計算一般而言，Haar特征值主要由當前Haar特征模板、模板中矩形所在的位置，以及矩形模板的尺寸等三個因素所決定。本文基于當下學術上關于Haar特征值計算的研究，針對這些通過放大+平移的獲得的子特征進行驗算，其過程如下：假設檢測窗口大小為W*H，矩形特征大小為w*h，X和Y為表示矩形特征在水平和垂直方向的能放大的最大比例系數(shù)：則總共可以獲得的子特征數(shù)目為：其中，特征框豎直放大1倍，即無放大，豎直方向有（H-h+1）個特征；特征框豎直放大2倍，豎直方向有（H-2h+1）個特征；；特征框豎直放大3倍，豎直方向有（H-3h+1）個特征。按照以上的計算方式，一直到豎直放大Y=floor（H/h）倍時，那么其豎直方向則有1個特征，即（H-Y*h+1）那么豎直方向總共有（H-h+1）+（H-2h+1）+（H-3h+1）+……+（H-Y*h+1）=Y[H+1-h（1+Y）/2]個特征。同理，在水平方向共有（W-w+1）+（W-2w+1）+（W-3w+1）+……+（W-X*w+1）=X[W+1-w（1+X）/2]。以上就是關于Haar特征值的計算方式。4.3.3Adaboost算法Adaboost（AdaptiveBoosting）也即增強學習或提升法，是一種重要的集成學習技術，能夠將預測精度僅比隨機猜度略高的弱學習器增強為預測精度高的強學習器，最早由YoavFreund和RobertSchapire于1995年提出。其算法經(jīng)整理后，大致可以分為以下三個步驟：首先，是初始化訓練數(shù)據(jù)的權值分布D1。假設有N個訓練樣本數(shù)據(jù)，則每一個訓練樣本最開始時，都被賦予相同的權值：w1=1/N。其次，是訓練弱分類器hi。具體訓練過程中是：如果某個訓練樣本點，被弱分類器hi準確地分類，那么在構造下一個訓練集中，它對應的權值要減?。幌喾?，如果某個訓練樣本點被錯誤分類，那么它的權值就應該增大。權值更新過的樣本集被用于訓練下一個分類器，整個訓練過程如此迭代地進行下去。最后，是將各個訓練得到的弱分類器組合成一個強分類器。各個弱分類器的訓練過程結束后，加大分類誤差率小的弱分類器的權重，使其在最終的分類函數(shù)中起著較大的決定作用，而降低分類誤差率大的弱分類器的權重，使其在最終的分類函數(shù)中起著較小的決定作用。而關于Adaboost算法在具體的應用展示過程中，則是通過對其進行訓練數(shù)據(jù)集的給定：（x1，y1），（x2，y2）···（xn，yn），其中yi屬于{1，-1}用于表示訓練樣本的類別標簽，i=1，...，N。其目的，是為了可以從訓練的數(shù)據(jù)中學習一系列弱分類器或基本分類器，然后將這些弱分類器組合成一個強分類器，具體流程如下：第一步，是初始化訓練數(shù)據(jù)的權值分布，并且每個訓練樣本初始都會被賦予相同的權值，其中wi=1/N，便得出了訓練樣本集的初始權值分布D1（i）：第二步，是進行迭代t=1，...，T。首先，是選取一個當前誤差率較低的弱分類器h作為第t個基本分類器Ht，并導出以下公式，該Dt誤差表示如下：其次，是計算該弱分類器在最終結果中的權重，其中弱分類器權重用α表示：最后，得出以下更新訓練樣本的權值分布Dt+1：其中，Zt為歸一常數(shù)。第三步，是按照弱分類器權重αt進行各弱分類器的組合，最終得出：基于以上的Adaboost算法思路，本文最終得到了一個強分類器，并用sign進行表示，具體如下：4.3.4人臉特征點匹配首先，是眨眼頻率。眾所周知，眼睛睜開—完全閉合—再睜開，就是一次眨眼的全過程。據(jù)統(tǒng)計，正常情況下人類每2至4秒眨一次眼，每次持續(xù)的時間大概0.3秒，平均每分鐘眨16次眼。在駕駛車輛過程中，如若駕駛人員存在走神情況，則會出現(xiàn)眨眼，通常此種狀態(tài)下駕駛人員眨眼頻率相比正常水平要低。此外，假如駕駛人員存在疲勞駕駛的情況，通常會借助多次眨眼的方式擺脫疲勞，此狀態(tài)的駕駛員的眨眼頻率通常會高于正常狀態(tài)或者低于正常狀態(tài)。針對駕駛人員處于疲勞狀態(tài)下的眨眼頻率進行統(tǒng)計，同時設定特定合理的眨眼頻率閾值區(qū)間，如果檢測得到的駕駛人員眨眼頻率高于或者低于此頻率則判定成為疲勞狀態(tài)。其次，是眨眼持續(xù)平均時間。人處于疲勞狀態(tài)時，眨眼持續(xù)的時間就會增長，相比正常狀態(tài)下，持續(xù)眨眼的時間要長0.3秒左右。針對眨眼持續(xù)時間閾值進行設定，并以此作為判斷駕駛人員是否處于疲勞狀態(tài)進行判斷。如若因為外界環(huán)境導致，可能存在眨眼時間變長的可能。此種方法魯棒性較差。此外，是平均眼睛閉合速率。針對特定時間區(qū)間范圍內，人由睜眼到閉眼所需要的平均時間代表著平均眨眼閉合速率。當處于正常狀態(tài)下，眨眼閉眼時間大概半秒鐘，假如超過此值可以判定駕駛員處于疲勞狀態(tài)。對于此種方法主要以瞳孔面積為判斷依據(jù)，當處于眼睛閉合狀態(tài)下，對應面積應該最小。再次，是PERCLOS準則。PERCLOS指眼睛閉合程度超過某一閾值的時間，在閉合總時間中的百分比，能體現(xiàn)一定時間內眼睛的閉合程度，是目前駕駛員疲勞檢測的一種主流判別方法。如若人處于疲勞狀態(tài)下，眨眼過程需要的時間將被延長，通過此時間的長短能夠體現(xiàn)出駕駛人員當前疲勞狀態(tài)程度。故而可以針對駕駛人員閉眼方式方式進行統(tǒng)計，進而以此來判斷人員疲勞狀態(tài)。PERCLOS可以表征為：當人處于眨眼狀態(tài)下，其中人閉眼時間占據(jù)的比例大小?，F(xiàn)如今，PERCLOS主要包含三種標準來針對人員疲勞狀態(tài)進行判斷，分別為EM、P70及P80。其中的EM，指的是當人眼球面積被遮蓋面積超過50%比例情況下，判定駕駛員處于疲勞狀態(tài)。而P70，則是指如若人眼球被遮住的比例超過70%情況下則判定人員處于眼睛閉合狀態(tài)。另外，P80表示，如若人眼球被遮住的比例超過80%情況下則判定人員處于眼睛閉合狀態(tài)。最終介于上述標準內容，本文得出針對某段時間內人眼閉合時間進行統(tǒng)計，可以以此來計算所占閉合總時間的百分比，并據(jù)此借助其標準來判斷駕駛員的疲勞狀態(tài)。通過相關學術實踐驗證，PERCLOS準則在應用中具有良好的非接觸性、實時性和準確性等優(yōu)點，用來進行駕駛疲勞判斷效果明顯。但是駕駛員為擺脫疲勞狀態(tài)，可能會將眼睛用力睜開，并持續(xù)一段時間。在此狀態(tài)下，PERCLOS值通常相小，假如借助此標準來真能對人疲勞狀態(tài)進行識別則很大程度上可能判定成為清醒狀態(tài)，故而存在誤判的可能。最后，是瞳孔尺寸。以瞳孔變化來展開檢測，此種方式最早是針對醉酒駕駛進行檢測，如若人眼當前處于半閉合的情況下，其瞳孔對應水平直徑和垂直直徑之間的比值能夠用來對駕駛員的疲勞狀態(tài)進行一個快速判定。參照實驗數(shù)據(jù)能夠得知，如若發(fā)生交通事故的前兩分鐘到三分鐘時間內，便能夠識別駕駛人員當前的非正常狀態(tài)，主可以借助瞳孔變化特征來進行判斷，考慮到瞳孔變化尺寸的獲取故而需要依靠近距離檢測來實現(xiàn)，進而導致此檢測方法存在較高難度，并且檢測誤差普遍偏高，進而導致最終判定正確率偏低。從一定程度上面看，上述方法均能夠識別駕駛人員是否處于疲勞狀態(tài)，但是每種方法均存在優(yōu)勢和局限的地方。4.4駕駛員疲勞檢測系統(tǒng)的仿真4.4.1Matlab對駕駛員疲勞檢測仿真或識別結果的輸出而MATLAB作為高性能的數(shù)值計算和可視化數(shù)學軟件，具有較為強大的圖示能力和數(shù)值計算能力，在基于前文提及的圖像色彩轉換、圖像消噪處理，以及圖像尺寸歸一化處理等技術支持下，并結合Haar特征以及Adaboos算法，在實際的應用過程中可以對疲勞駕駛的司機進行相關的圖像訓練，從而在深度學習了相關的特征臉和平均臉之后，就可以據(jù)此展開檢測仿真應用。就比如在判定駕駛員眼睛位置時，如果圖像邊緣特征方向垂直于濾波器核函數(shù)方向，濾波器則會發(fā)出強烈響應。故而充分運用Matlab對駕駛員進行疲勞檢測仿真，根據(jù)其面部器官的邊緣長度就可以較為快速的得到濾波器波長。此外，對駕駛員眼睛特征進行描述而根據(jù)線性SVM的判斷，則可以得知眼睛的開閉狀態(tài)，并由此完成一系列關于眼部特征的準確提取。再比如對于一些駕駛員而言，由于其長期處于疲勞狀態(tài)，因此頭部在定位上也會正常駕駛的駕駛員頭部位置產(chǎn)生一定的偏移，故而通過Matlab對駕駛員的頭部位置進行疲勞檢測仿真，其實也主要是從眼睛入手，通過判斷其在垂直方向上的變化進行頭部運動定位，當駕駛員的頭部連續(xù)偏離大于4幀時，則可以判定駕駛員因疲勞而出現(xiàn)了磕睡情況。再比如，通過在系統(tǒng)輸入眨眼頻率、閉眼持續(xù)時間、哈欠頻率和磕睡頻率四個變量，也可以對駕駛員的疲勞狀態(tài)進行檢測?？偠灾隈{駛員疲勞檢測中應用MATLAB人臉識別技術，能夠對駕駛員的疲勞狀態(tài)進行準確判斷，從而使駕駛員疲勞預警的需求得到滿足。4.4.2駕駛員疲勞實時檢測仿真在一項研究中顯示，AdaBoost算法雖然在實時檢測的過程中能夠有效提高人眼的檢測速度，從而更好地滿足系統(tǒng)的實時性需求，并且檢測速度快，誤識率低，但是在樣本的權重更新過程中，對于分類錯誤樣本中的正，負樣本沒有加以區(qū)分，不利于提高正樣本的識別率。因此該文提出了結合PERCLOS和眨眼頻率的方法，以此來對疲勞狀態(tài)進行檢測。而所謂的眨眼頻率，即指的是特定單位時間內，人眼睛從完全睜開-閉合-再睜開次數(shù)。根據(jù)調查研究發(fā)現(xiàn)，眨眼頻率和疲勞狀態(tài)之間存在特定關系。具體可以參見下圖5-5內容。假如人疲勞程度加深的狀況下，此時呈現(xiàn)出來的眨眼頻率同樣會降低，并且朝著兩邊分散開來，如若眨眼頻率超過閾值范圍，則可以判定人員處于疲勞狀態(tài)。圖4-10眨眼頻率與疲勞關系考慮到人眨眼持續(xù)時間一般是0.3秒，然而眨眼速度加快情況下，單詞眨眼時間將降低到0.05秒左右，為了能夠獲取人眨眼具體過程我們將拍攝幀數(shù)誰當成為25幀/秒，以便完整記錄眨眼全過程。因此，為了能夠體現(xiàn)PERCLOS在判斷極端復雜路況和天氣狀態(tài)下對于駕駛人員疲勞狀態(tài)判定的有效性，有學者提出了P80準則來針對PERCLOS值進行計算，以此來呈現(xiàn)疲勞程度和疲勞判定之間的對應關系。圖4-11疲勞程度和疲勞判定之間的對應關系根據(jù)上圖內容所示，如若人疲勞程度加深狀況下，此時的PERCLOS值同樣也會增加，如若將疲勞程度予以加深，那么此時眨眼頻率將朝著兩端靠攏。為了進一步提升判斷準確性，有研究選取了五名人員參與測試，分別統(tǒng)計他們一分鐘內三段清醒狀態(tài)和三段疲勞狀態(tài)下的山區(qū)高速公路駕駛過程中，獲得的眨眼頻率和PERCLOS值參見下表4-1內容。表4-1PERCLOS值和眨眼頻率測試統(tǒng)計值（時間：60秒）根據(jù)上表能夠發(fā)現(xiàn)，如若人處在正常狀態(tài)下，接受測試的人員PERCLOS值均不超過0.15，同時眨眼頻率范圍是15次至20次區(qū)間；假如測試人員處于疲勞狀態(tài)下，此時大部分人員PERCLOS值超過0.2，但是眨眼頻率