本文摘要：摘要：針對目前疲勞駕駛檢測技術無法很好地平衡算法準確性和實時性的問題，本文在人臉特征點定位方面采用了實時性較好的基于回歸的局部二值特征法(LBF算法)。同時為了提高檢測精度，改進了該算法的初始化策略。并且在建立LBF隨機森林時使用歸一化的像素特征
摘要：針對目前疲勞駕駛檢測技術無法很好地平衡算法準確性和實時性的問題，本文在人臉特征點定位方面采用了實時性較好的基于回歸的局部二值特征法(LBF算法)。同時為了提高檢測精度，改進了該算法的初始化策略。并且在建立LBF隨機森林時使用歸一化的像素特征取代原始特征，從而提升分類效果。通過眼部寬高比檢測人眼閉合程度，并提出將人眼視線方向應用于疲勞駕駛檢測算法中，判斷注意力是否分散，以便在駕駛員陷入深度疲勞之前對其預警。利用上述得到的多特征綜合檢測疲勞程度，實驗結果表明該技術提高了算法的準確性。
關鍵詞：疲勞駕駛;LBF算法;隨機森林;眼部信息;PERCLOS值;瞳孔定位;視線方向;分神檢測
1疲勞駕駛造成的影響是惡劣的，因此通過研究一種實時精準的疲勞駕駛預警系統，以便及時對駕駛員預警使其重新獲得對車輛的控制權，這對社會安全具有重大的意義。當今疲勞檢測方式主要分為基于生理指標、操作行為、車輛狀態和視覺特征這四種方式[1]。其中最后一種方式利用人體可視化特征在清醒狀態下和疲勞狀態下的不同表現來檢測疲勞，并且無須穿戴任何設備，有著很好的研究空間[2]。所以該方法變成疲勞駕駛檢測領域的研究重點。目前，國內外技術學者針對視覺特征已經開展了更深入的研究。張長隆使用多傳感器采集眼部、嘴部以及方向盤特征，使用Fisher線性判別分類來檢測疲勞[3]。
而DeviMS在提取眼部和嘴部信息后，采用了模糊邏輯算法來確定疲勞程度[4]。柳龍飛使用基于梯度提高學習的回歸樹(ERT)定位人臉特征點后判斷駕駛員是否疲勞[5]。但是在實際應用中基于視覺特征的方法還需進一步完善，因為這些方法在準確性和實時性兩個方面無法做到很好的平衡。有的方法注重準確性，但是忽略了實時性要求。有的方法能夠做到快速檢測，但是又面臨精度較差的問題。本文針對上述問題，通過改進人臉特征點定位算法提升運算速度，利用多特征檢測來提高運算精度。并且通過求解駕駛員視線方向辨別注意力是否分散，以便在駕駛員陷入深度疲勞前就對其預警，更加保證安全性。
1疲勞駕駛檢測系統初始化
本文在駕駛員面前架設攝像頭得到人臉圖像，為驗證訓練與測試結果的真實性，自建一個小型數據集。其中共有駕駛員8位，每個人在清醒的時候收集10分鐘視頻，在疲勞的時候收集5分鐘視頻。它的采樣幀率是15fps，大小是640*480像素。除此之外，本文還使用了如下公開的數據集：人臉姿態數據集CAS-PEAL的POSE組[6]，該組數據集包含1042個人的21種不同角度的人臉姿態圖像，用于后續人臉朝向估計算法。人臉特征點數據集helen和lfpw集，包含3721幅人臉圖像及其特征點位置。系統運行的第一步是對圖像進行預處理。首先在R-G-B顏色空間使用2g-r-b算子對駕駛員圖像灰度化[7]，使用自適應中值濾波減少噪聲[8]。之后使用haar-like特征進行人臉識別[9]。
因為攝像頭位置固定，而且駕駛員所在位置一旦上電之后基本不變，所以前后兩次人臉識別框的位置偏移較小。所以在第一次識別到人臉后，下一次只在這次的識別位置附近判斷即可，以加快算法運行，提高實時性。在上電之后的5分鐘內，本文認為駕駛員是清醒的。此時需要記錄系統運行各個階段的檢測結果，將它們作為駕駛員清醒狀態下的指標。其中包括該駕駛員的眼睛寬高比、PERCLOS值和眼睛注視區域分布，以便在之后的系統檢測過程中發現上述值出現異常時更準確的判斷其疲勞程度。
2改進人臉特征點定位算法
在疲勞駕駛檢測過程中，往往影響系統運行快慢的是人臉特征點定位的速度，這也是制約算法實時性的一大難點。由于在檢測過程當中，駕駛員圖像會由于光照、遮擋等復雜情況而降低定位的精度。所以本文使用精確度較高、速度很快的基于回歸的局部二值特征法(LBF)來進行人臉特征點定位[10]。LBF算法需要在開始時輸入一個人臉特征點初始化模型，然后通過不斷的回歸使得該模型越來越逼近真實位置[11]。為提高檢測精度與速度，對LBF算法優化，采用不同的初始化策略。不再簡單地使用標準平均人臉來進行初始化，而是首先判斷人臉朝向，從而使用不同的人臉特征點初始化模型。
2.1人臉朝向估計
本文需要為駕駛員人臉朝向角度訓練一個分類器。選取HOG特征作為參數[12]，之后使用SVM進行分類[13]。本文使用人臉姿態數據集CAS-PEAL中的POSE組作為輸入圖片，圖片大小均為360*480像素。所以HOG特征提取時的窗口有10*10=100個，HOG的每個窗口里block有36/12*48/16=9個。1個block有4個cell，其特征描述子長度是9維，所以最終得到的HOG特征向量維數是100*9*9*4=32400維。
因為CAS-PEAL數據集的POSE組中包含1042個人的21種不同角度的人臉圖像，但是本文只選取其中5種角度，分別是無偏轉正向人臉、向左偏轉22度人臉、向左偏轉45度人臉、向右偏轉22度人臉以及向右偏轉45度人臉。所以在訓練數據集文件夾中新建5個文件夾，分別命名為0、-1、-2、1、2并將對應的圖片存入其中。在SVM訓練時將圖片所在文件夾的名稱作為分類標簽，提取HOG特征向量作為SVM輸入參數，得到人臉朝向粗估計分類器。本文為驗證算法精確度，使用了含有500張圖片的測試樣本集來計算該分類器的識別率，其中包含CAS-PEAL數據集中的320張圖片和自建數據集中的180張圖片，經計算識別率為95.38%。
3判斷人眼閉合程度
利用LBF改進算法定位到特征點后，通過眼睛位置的先驗知識[15]，截取出眼部圖像，供下一步判斷人眼閉合程度以及求解視線方向。
4駕駛員注視區域求解
由于本文采用紅外攝像頭采集圖像，因此駕駛員的瞳孔與虹膜的灰度值具有明顯不同。根據位于駕駛員面前的4個紅外LED燈在眼睛反射得到的普爾欽光斑[18]與瞳孔中心[19]關系求解注視方向。
5結論
本文主要研究了疲勞駕駛檢測技術，在對駕駛員圖像進行預處理和人臉識別之后，改進了LBF算法的初始化策略，提高了人臉特征點定位精度。使用歸一化特征提高了隨機森林的分類效果。然后建立了一套以人眼閉合程度這一眼部特征作為基礎的PERCLOS疲勞檢測模型，提出了將駕駛員注視區域頻率和PERCLOS檢測法相結合的算法。實驗證明，該算法提高了疲勞駕駛檢測在實時性與準確性兩個方面的平衡性能。在后續的研究中，考慮將駕駛員頭部姿態角度加入到檢測參數中，以適應更復雜的測試環境。
參考文獻:
[1]SinghA,MinskerBS,BajcsyP.Image-BasedMachineLearningforReductionofUserFatigueinanInteractiveModelCalibrationSystem[J].JournalofComputinginCivilEngineering,2010,24(3):241-251.
相關論文范文閱讀：汽車駕駛員的心理素質安全分析
這篇心理健康論文發表了汽車駕駛員的心理素質安全分析，對于汽車駕駛員來說，保證安全最重要的是心理素質的把控，論文首先分析了人們在汽車駕駛中的常見心理狀態，這些負面的心理狀態給安全駕駛帶來威脅，那么如何提高駕駛員的心理素質，提高安全行車的具體措施呢?
轉載請注明來自發表學術論文網：http://www.zpfmc.com/jjlw/22197.html
