基于机器视觉的驾驶员疲劳检测方法

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）

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。

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检测。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。