基于机器视觉的驾驶员疲劳检测方法

洪志阳 王猛飞 侯东强 杨国亮

摘 要：针对疲劳驾驶的问题，文中提出了一种新型检测方法。使用Adaboost算法对人脸进行检测，对检测到的人脸区域中的眼睛和嘴巴进行定位和状态分析，在决策阶段采用信息融合的方法对疲劳状态进行判定。结果表明，该方法在多种情况下均能精确检测眼睛和嘴巴的状态，有效检测驾驶员是否疲劳驾驶。

关键词：疲劳检测；人脸检测；Adaboost算法；信息融合

中图分类号：TP391.41 文献标识码：A 文章编号：2095-1302（2018）07-00-02

0 引 言

虽然汽车在日常生活中带给人们诸多便利，但也带来了越来越多的交通事故，使得广大家庭和社会遭受巨大的伤害和损失。事故中，由疲劳驾驶所引发的事故数量占绝大多数，因此研发一款用来监测驾驶人员有无疲劳的系统具有重大意义。

目前，检测疲劳驾驶的方法主要分为如下三类：

（1）生理信号法：借助医疗仪表和设备生理指标对疲劳状况进行分析[1]。

（2）利用传感器监测车辆运行状态参数来判断其是否正常行驶，并分析驾驶员是否疲劳。

（3）针对驾驶人员的反应特征，采用图像检测与分割算法找到嘴巴和眼睛等器官[2，3]，根据嘴巴和眼睛识别人体疲劳状态的反应特征[4，5]，并通过这些反应特征判断驾驶员是否疲劳驾驶。

本文提出了一种基于人脸特征的驾驶员疲劳检测算法，采用Adaboost级联分类器对人脸进行检测，在提取的人脸图像基础上再进行人眼和嘴巴定位，并对其状态进行检测，将睁闭眼和嘴巴张合度进行信息融合，精确判断驾驶人员有无疲劳驾驶情况。

1 疲劳检测系统总体方案设计

疲劳驾驶检测系统主要由图像采集模块、人脸检测模块、特征定位及状态分析模块、信息融合模块构成，其系统流程如图1所示。

2 人脸检测

采用Adaboost算法进行检测，首先获得不同的弱分类器，再把其线性组合成为强分类器，最后通过级联方式构建最终的级联分类器，算法主要包含以下重要的部分：

（1）利用Haar特征描述人脸的共有属性；

（2）建立一种名为积分图像的特征，快速获取几种不同的图像矩形特征；

（3）利用Adaboost 算法进行训练；

（4）建立层级分类器。

3 眼睛和嘴部状态检测

3.1 眼睛状态检测

对眼睛区域定位的同时可判断人眼的状况，实现以检代测的效果，对眼睛睁闭情形进行区分的流程如图2所示。

人眼状态的检测针对视频中每一帧的图像进行，人眼的疲劳状态是一个时间段内的状态，因此检测采用PERCLOS（Percentage of Eyelid Closure over the Pupil over Time，PERCLOS）方法来判定[6]，当眼睛张开度大于20%认为是睁眼，小于等于20%认为是闭眼。在实际情况中可以根据图像来判断有无睁闭眼。PERCLOS计算依据式（1）：

Nclose是单位时间内闭眼的总帧数，Nsum是单位时间内的总帧数。当PERCLOS高于20%时，判定驾驶员在检测周期内处于疲劳状态。

3.2 嘴部状态检测

嘴巴的状态有很多种，其中打哈欠是一种疲劳状态的体现，因此只要将打哈欠的嘴巴状态与其他状态进行区分，就能判别驾驶员是否疲劳。通过嘴巴的几何形状来计算其张开度O，将嘴巴用矩形框标记位置，用嘴巴的高H与宽W之比计算嘴巴的张开度：

不同的O值代表嘴巴处在不同的张开状况，当嘴巴处于全张开状态时，O值约为0.8，将该值作为阈值以判别驾驶员是否打哈欠，从而可以确定其是否处于疲劳状态。

4 疲劳状态判定

将两种信息融合以减小误差，其中嘴部特征（打哈欠）比眼睛特征（PERCLOS）更优。此外，由于打哈欠持续的时间较久，约为5 s，对比疲劳时眨眼的时间更长，因此受外界影响更小。一旦出现打哈欠较长的状况，就能判定驾驶员处于疲劳状态。

根据检测两眼状态采用的PERCLOS标准可将其分为两类：清醒状态（PECRCLOS参数值<20%）和疲劳状态（PECRCLOS参数值≥20%）；根据有无打哈欠将嘴巴张开大小分为两种：疲劳状态（打哈欠）和清醒状态（未打哈欠）。本文综合上述两种标准最终判定驾驶员是否处于疲劳状态。

5 实验结果与分析

5.1 人脸检测

通过OpenCV开源库对大量图片进行训练，得到人脸分类器，实现对人脸的检测定位，结果如图3所示。

5.2 疲劳检测

眼睛状态测试结果见表1所列。在疲劳时通过眼睛状态来判断的准确度达80.83%，表明以眼睛状况来检测疲劳的方法可行。同时从误检的结果可知，只从眼睛状况来检测有无疲劳仍存在问题。

嘴巴状态测试结果见表2所列。发现驾驶人员讲话时，有时系统会将其误判为打哈欠。而在打哈欠时，因为嘴巴的张开度过小，也导致检测错误。

眼睛和嘴巴特征的联合见表3所列，使用本文提出的信息融合判断准则进行疲劳检测，可知此时疲劳检测准确率明显提高，取得了较好效果。

6 结 语

本文基于Adaboost级联分类器的人脸检测算法来检测人眼、嘴巴，减少搜索范围，提高速度。通过分析提取的驾驶员人眼、嘴巴特征，实现对有无疲劳的准确检测。测试表明，在不同环境下，本文提出的方法在每个阶段基本都能实现疲劳驾驶的檢测。但本文所用方法的检测时间较长，检测效率较低，如何提高检测效率将是下一阶段研究的重点。

参考文献

[1]李锐，蔡兵，刘琳，等.基于模型的驾驶员眼睛状态识别[J].仪器仪表学报，2016，37（1）：184-191.

[2]邹昕彤，王世刚，赵文婷，等.基于眼睛与嘴部状态识别的疲劳驾驶检测[J].吉林大学学报（信息科学版），2017，35（2）：204-211.

[3]张朝全，刘辉，雷赟.一种基于粗集与FCM结合的图像分割方法[J].江西理工大学学报，2011，32（1）：60-65.

[4]李明瑞，傅明，曹敦.基于肤色检测的AdaBoost人脸检测算法改进[J].计算机工程，2012，38（19）：147-150.

[5]王俊岭，彭雯.基于Daubechies小波的人脸识别算法[J].江西理工大学学报，2017，38（3）：81-85.

[6]吴康华.基于PERCLOS的驾驶疲劳检测系统设计[D].杭州：浙江大学，2008.

[7]徐丽珍.疲劳驾驶检测技术研究[J].物联网技术，2017，7（4）：95-96.

[8]尚弘.浅析人脸检测技术的探究[J].物联网技术，2016，6（8）：103-104.