基于行为特征的疲劳驾驶检测技术研究

陈诗礼，雷 霖，赵永鑫

(1.西华大学 数学与计算机学院，四川 成都 610039;2.成都大学信息科学与技术学院，四川 成都 610106)

基于行为特征的疲劳驾驶检测技术研究

陈诗礼1，2，雷 霖2，赵永鑫2

(1.西华大学 数学与计算机学院，四川 成都 610039;2.成都大学信息科学与技术学院，四川 成都 610106)

介绍了几类目前常用的疲劳检测技术的优缺点，提出了一种改进的疲劳驾驶检测方法:先通过2次图像投影和形态学方法实现眼睛精确定位;再根据眼睛睁闭时，其眼睛宽高比的差异，提出一种眼睛状态的识别方法;根据PERCLOS方法的判断是否疲劳.算法能够有效减少计算量提高运算速度，并在实验室内取得了较高的精确度.

疲劳驾驶检测;图像投影;眼睛定位;眼睛状态识别

0 引言

随着汽车数量的急剧增加，交通安全成了一个重要的问题.其中，疲劳驾驶是造成交通安全事故的主要因素之一［1］.此外，高速公路网络日趋发达，汽车性能不断提高，驾驶人员在一个舒适的驾驶条件和环境中，更容易产生疲劳［2］.因此，研究一种实时有效的驾驶人员疲劳状态实时监测及预警技术具有重要的现实意义.

1 疲劳驾驶检测方法

目前，关于疲劳驾驶的检测方法主要有3类:基于驾驶人员生理参数的检测，基于驾驶人员行为特征的检测以及基于车辆行为特征的检测［3－5］.

1)基于驾驶人员生理参数的检测方法，主要是利用医疗器械，采集驾驶人员的生理特征信息，再据此进行疲劳判断.由于人的生理特征能够直接反应其疲劳状态，所以该方法具有极高的准确率.然而，该方法在应用中需要采用接触式检测装置，且设备成本较高，不利于实际应用.

2)基于驾驶人员行为特征的检测方法，主要是利用图像处理和模式识别技术，通过检测人体在疲劳状态时的反应特征，从而进行疲劳判断.由于人的面部表情特征，能够很直接地表现其疲劳状态，因此该方法具有较高的准确率，且因其是一种非接触式检测技术，所以其实用性较高.然而，图像处理的手段与方法会使其计算量较大，运算时间较长或设备成本较高.

3)基于车辆行为特征的检测方法，主要借助车载传感器，采集当前车辆的运行特征信息，并据此分析驾驶人员的疲劳状态.由于驾驶人员疲劳时，其控制力下降，导致车辆的运行特征与清醒时不一致，因而有一定的准确率.因为该方法是根据车辆自身数据进行检测，此可大幅度降低检测设备的成本.同时，该方法也是采用非接触式检测方式，有一定实用性.但该方法容易受到路况等外界因素影响，其检测的准确率不高.

综上所述，基于驾驶人员行为特征的检测方法具有更好的实用性.据此，本研究也采用该方法，并以驾驶人员的眼睛作为研究对象，设计了一种改进的检测方法，在减少图像处理计算量的情况下，能够有较高的准确性.

2 眼睛定位及跟踪

本研究中的眼睛定位主要分为2个步骤:眼睛粗定位与眼睛精确定位.眼睛粗定位，是为了将图像中包含眼睛的人脸部分，从复杂的背景中提取出来;眼睛精确定位，将图像中的眼睛提取出来.

目前，对于眼睛定位的方法有很多，比如，模版匹配，利用人的肤色等.然而，这些方法的计算量都比较大，且受干扰的因素多.为此，本研究先利用积分投影进行眼睛粗定位，再通过差分投影和形态学方法进行眼睛精确定位.这样做可以大量简化计算的复杂度，并提高定位准确度.此外，由于每一帧图像采集的间隔时间小，所以相邻两帧人眼的位置变化不大，可采用人眼跟踪的办法估计人眼位置，进一步减少计算量.

2.1 眼睛粗定位

假设I(x，y)表示图像中某点的灰度值，则其垂直与水平投影函数为，

由于图像的灰度信息是一些离散量，因此，垂直与水平投影函数可以转换为，

根据公式(3)可以计算得出如图1(b)所示的垂直投影，其中有一个较大的凸峰，该凸峰的宽度和人脸的宽度基本一致.通过公式(4)可以计算出如图如图1(c)中所示的水平投影，其中得到的第一个低谷对应于人的头发(即X坐标为0的位置)，最高峰和次高峰分别对应于人的鼻子和额头.经过垂直投影和水平投影后可以得到一个矩形区域如图2所示.

图1 垂直投影及水平投影图

图2 局部人脸图

显然，人眼一定会在该矩形区域中.由此，完成眼精粗定位.通过具体实验发现，利用图像投影计算求得局部人脸区域，具有鲁棒性好和速度快的优点.

2.2 眼睛精确定位

由于眼睛周围灰度值的变化比较显著，因此本研究利用差分投影进一步缩小眼睛的范围.此外，在眼睛周围，瞳孔的灰度值最小，可根据最小灰度值取一个合理的阈值，将局部图像二值化，再采用形态学方法，得到眼睛的连通区域，从而实现眼睛的精确定位.

假设I(x，y)表示图像中某点的灰度值，则差分垂直与水平投影函数为，

假设I(x，y)表示经过差分投影后的眼睛图像中某点的灰度值，则其阈值为，

根据式(5)与式(6)，可以在如图2所示的局部人脸图中计算得到局部的差分投影，再根据四邻域寻找变化最大的位置，从而得到如图3所示的精确眼睛定位图.根据式(7)进行二值化，再利用形态学原理求得眼睛的连通区域后可以得到如图4所示的二值化眼睛图.

图3 精确眼睛定位图

图4 二值化眼睛图

2.3 眼睛跟踪

显然，如果每一帧图像都经过上述步骤进行定位的话，其计算量将会十分巨大.由于每一帧图像的采集间隔时间小，眼睛的位置变化不会很大，因而，根据这一特点采用眼睛跟踪定位的方法，会大幅度减少不必要的计算，提高计算效率.

3 眼睛状态识别

如图5所示，随着眼睛的闭合，检测到的眼睛宽度与眼睛高度之比随之在增加.经过实验，当宽高比大于2.5的时候，眼睛完全闭合.

图5 眼睛状态识别图

根据检测到的眼睛二值图中的眼睛宽高比，可以判断出当前眼睛的状态.然后，采用PERCLOS方法作为驾驶员的疲劳程度指标.PERCLOS的原理是，通过检测一定时间内眼睛闭合时间所占的比例，来判断驾驶员的疲劳程度.通过实验显示，闭眼时间所占比例越高，疲劳程度越重.本研究通过实验发现，一分钟内，如果眼睛闭合时间占总时间的三分之一以上则表明驾驶人员处于疲劳状态.

4 实验结果与分析

本研究实验环境为:1.6 GHz的CPU、1 G的内存、Windows XP操作系统的PC机，输出分辨率为176*144的摄像头;采用Matlab 7.0仿真实现.在实验中，通过对若干名人员(清醒和疲劳图片各1 000张)进行检测，得到如表1所示的实验结果.

表1 清醒与疲劳状态检测

通过仿真实验可以看出，本方法在人员清醒状态下的识别率很高，疲劳状态下也有较高的准确度.同时，经过测试发现，清醒图的误识别主要是因为阳光曝晒时，图像整体灰度值偏高，使得眼睛图像检测失误，同时，在测试人员面部偏转过大时，也会出现检测失误.此外，在测试中，每一帧图像的检测耗时不超过4 ms，该技术完全可以实现实时监测.

5 结语

虽然本研究的方法有较高的准确率以及较为可靠的实时性，但也有一定局限性，比如在驾驶员带上墨镜、眼睛被遮挡等无法准确获取眼睛图像的情况时，本方法将会失效.对此，本研究下一步的思路是引入其他的方法进行辅助检测，如方向盘的修正操作频率、油门动作信息等，通过利用多信息融合技术来进一步提高判断准确性.

［1］彭召意，周玉，朱文球.用于疲劳驾驶检测的人眼快速跟踪方法［J］.计算机工程，2010，36(15):191 －193.

［2］栾柱晓.驾驶员疲劳检测系统研究［D］.长沙:中南大学，2009.

［3］杨海燕，蒋新华，聂作先.驾驶员疲劳检测技术研究综述［J］.计算机应用技术研究，2010，27(5):1621 －1624.

［4］胡树平，朱长仁，戴涛.疲劳检测技术综述［J］.科技资讯，2012，10(9):246 －250.

［5］毛吉吉，严新平，吴超仲，等.疲劳驾驶时的车速变化特征［J］.北京工业大学学报，2011，37(8):1175 －1183.

［6］赵钟.驾驶员疲劳检测方法研究及嵌入式实现［D］.大连:大连海事大学，2010.

Research on Driver Fatigue Detection Based on Behavior Characteristics

CHEN Shili1，2，LEI Lin2，ZHAO Yongxin2
(1.School of Mathematics and Computer Engineering，Xihua University，Chengdu 610039，China;2.School of Information Science and Technology，Chengdu University，Chengdu 610106，China)

This paper discusses the advantages and disadvantages of some common methods about driver fatigue detection，and then proposes an improved method.Firstly，the method uses twice image projection and morphologic method to achieve precise eye location.Then，according to the difference of the width-height ratio of the eyes while opening and closing eyes，one new way for eye state identification is proposed.Finally，according to PERCLOS method，we can determine whether fatigue shows on driver.The algorithm can effectively reduce the amount of calculation，and improve computing speed，and achieve high accuracy in the laboratory.

driver fatigue detection;image projection;eye location;eye state identification

TP391.4

A

1004－5422(2014)01－0037－04

2013－10－22.

四川省科技厅基础应用研究(2013JY0117)资助项目.

陈诗礼(1989—)，男，硕士研究生，从事计算机图像处理与模式识别研究.