一種疲勞駕駛檢測方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開一種疲勞駕駛檢測方法及系統(tǒng)，其中疲勞駕駛檢測方法包括如下步驟：S1、采集圖像和預處理；S2、人臉定位和檢測；S3、人臉跟蹤；S4、眼睛檢測和狀態(tài)識別；S5、計算疲勞PERCLOS值；S6、將得到的PERCLOS值與預設的閾值進行比較，判定駕駛員是否疲勞駕駛。采用本發(fā)明的設計，能夠自動捕捉駕駛員的臉部微觀變化，通過科學的概率計算判別駕駛員狀態(tài)，并及時警示處于疲勞駕駛狀態(tài)的駕駛員，保證行車安全。
【專利說明】一種疲勞駕駛檢測方法及系統(tǒng)

【技術領域】
[0001] 本發(fā)明設計汽車安全【技術領域】，特別設計一種疲勞駕駛檢測方法及系統(tǒng)。

【背景技術】
[0002] 隨著經濟社會的發(fā)展，機動車輛急劇增加，因此疲勞駕駛導致的交通事故也越來 越多。針對這一問題，產生了許多疲勞駕駛檢測技術，歸納起來有三種。
[0003] (1)基于生理信號的檢測技術，根據(jù)駕駛員的血壓，腦電波等生理信號判斷是否疲 勞，需要有高精度的檢測儀器，而且接觸駕駛員，對駕駛員有一定的影響且成本高。
[0004] (2)基于行車信息的疲勞檢測技術，當方向盤長時間未修正方向，或者車輛左右搖 晃頻率或幅度過大，車速不穩(wěn)定就判斷為疲勞駕駛，但是針對不同駕駛習慣的駕駛員，以及 不同道路上的行車狀況，難以行車統(tǒng)一標準，精確度不高。
[0005] (3)基于生理特征的疲勞檢測技術，當駕駛員疲勞時候，會表現(xiàn)出低頭和閉眼頻率 增加等生理特征。通過機器視覺的方法，檢測駕駛員的上述生理特征，可以判斷駕駛員是否 疲勞?；跈C器視覺檢測駕駛員生理特征的方法，具有非接觸，成本低等，精確度高等優(yōu)點， 被廣泛采用于目前的疲勞檢測系統(tǒng)。
[0006] 上述三種方法中，第三種方法明顯優(yōu)于前兩種方法。但它也有缺點，目前第三種方 法大多通過圖像處理技術，定位人臉，再在人臉的范圍內分析眼睛的狀態(tài)，判斷是否疲勞。 其中定位人臉是為了縮小眼睛的搜索范圍，提高處理效率，是疲勞檢測關鍵的一步。其中定 位人臉和眼睛常用的方法有兩種，一種是基于圖像形態(tài)學的方法，一種是基于機器學習即 分類器的方法。前者計算量大，速度慢，受光照影響大。后者計算速度快，受光照影響小，被 廣泛采用與人臉定位技術中。但是目前采用的分類器定位人臉的技術中，當駕駛員頭部動 作過大，無法采集到正臉圖像時，不能正確定位人臉位置，存在疲勞檢測算法失效問題。


【發(fā)明內容】

[0007] 為了解決上述技術問題，本發(fā)明公開一種疲勞駕駛檢測方法及系統(tǒng)，本發(fā)明采用 如下技術方案來解決上述技術問題：
[0008] -種疲勞駕駛檢測方法，包括如下步驟：
[0009] S1、采集圖像和預處理，通過圖像采集接口采集駕駛員圖像信息并傳輸至中樞處 理器，中樞處理器對采集圖像進行預處理；
[0010] S2、人臉定位和檢測，采用基于Haar特征的人臉分類器，檢測駕駛員人臉區(qū)域；
[0011] S3、人臉跟蹤，采用卡爾曼濾波器算法的人臉跟蹤算法，跟蹤人臉；
[0012] S4、眼睛檢測和狀態(tài)識別，采用睜眼分類器定位駕駛員眼睛并識別眼睛狀態(tài)，記錄 識別結果；
[0013] S5、計算疲勞PERCL0S值，得到眼睛的狀態(tài)識別結果后，通過計算單位時間內眼睛 閉合時間所占的百分比即 PERCLOS(Percentage of Eyelid Closure Over Time):
[0014] S6、將得到的PERCLOS值與預設的閾值進行比較，判定駕駛員是否疲勞駕駛。
[0015] 優(yōu)選的，在上述的一種疲勞駕駛檢測方法中，所述步驟S2具體包括步驟A，采用基 于卡爾曼濾波器算法參數(shù)跟蹤人臉：
[0016] A1、建立系統(tǒng)狀態(tài)方程；
[0017] X(k+i) = A(k)X(k)+ff(k)
[0018] A2、建立系統(tǒng)觀測方程；
[0019] Z(k) = H(k)X(k)+V(k)
[0020] A3、預測人臉位置，根據(jù)卡爾曼濾波器的預測方程組，濾波器使用上一階段狀態(tài)的 估計，做出對當前狀態(tài)的估計；
[0021] 預測方程組：
[0022] (1)預測狀態(tài)
[0023] X(k|k-i) = ^(k)^(k\k-i)
[0024] (2)預測估計協(xié)方差矩陣
[0025] P(k|k-i) = A(k)P(k-1|k-1)A T(k)+Q(k)
[0026] A4、檢測實際人臉位置，在預測了當前人臉所在的位置后，調用Haar分類器在預 測區(qū)域內檢測人臉，獲取當前狀態(tài)信息；當在預測區(qū)域檢測不到人臉，就在全圖檢測人臉； 當在全圖也檢測不到人臉的時候，說明駕駛員頭部動作過大，無法檢測到人臉；
[0027] A5、通過更新方程組使用當前的實際人臉位置來更新卡爾曼濾波器，讓卡爾曼濾 波器的預測值與真實值越來越接近，達到跟蹤的效果；
[0028] 更新方程組：
[0029] (3)最優(yōu)卡爾曼增益
[0030] K(k) = P(k|k-i)HTk[H(k)P(k|k_ 1)HT(k)+R(k)]
[0031] (4)更新的狀態(tài)估計
[0032] X(k|k) = X(k|k-i)+K(k) [Z(k+i)-H(k)X]
[0033] (5)更新的協(xié)方差估計
[0034] P(k|k) = [E-K(k)H(k)]P (k|k-l)
[0035] A6、在輸入圖像中標記出人臉區(qū)域。
[0036] 其中Xk為在人臉在k時刻的狀態(tài)估計，A(k)是作用在X (k)上的狀態(tài)轉移矩陣，H(k) 是系統(tǒng)的觀測矩陣，Z(k)是系統(tǒng)的觀測變量，W(k)是過程噪聲，并假設其符合均值為零協(xié)方差 矩陣為Q (k)的高斯分布，即Wk?N(0, Q(k)) ;V(k)是觀測噪聲，亦假設其符合均值為零協(xié)方差 矩陣為R(k)的高斯分布，即V k?N(0, R(k)) ;Pk為誤差相關矩陣，度量估計值的精確程度；
[0037]

【權利要求】
1. 一種疲勞駕駛檢測方法，其特征在于，包括如下步驟： 51、 采集圖像和預處理，通過圖像采集接口采集駕駛員圖像信息并傳輸至中樞處理器， 中樞處理器對采集圖像進行預處理； 52、 人臉定位和檢測，采用基于Haar特征的人臉分類器，檢測駕駛員人臉區(qū)域； 53、 人臉跟蹤，采用卡爾曼濾波器算法的人臉跟蹤算法，跟蹤人臉； 54、 眼睛檢測和狀態(tài)識別，采用睜眼分類器定位駕駛員眼睛并識別眼睛狀態(tài)，記錄識別 結果； 55、 計算疲勞PERCLOS值，得到眼睛的狀態(tài)識別結果后，通過計算單位時間內眼睛閉合 時間所占的百分比即PERCLOS(PercentageofEyelidClosureOverTime); 56、 將得到的PERCLOS值與預設的閾值進行比較，判定駕駛員是否疲勞駕駛。
2. 根據(jù)權利要求1所述的一種疲勞駕駛檢測方法，其特征在于，所述步驟S2具體包括 步驟A，采用基于卡爾曼濾波器算法參數(shù)跟蹤人臉： Al、建立系統(tǒng)狀態(tài)方程； X(k+D = A(k)X(k)+ff(k) A2、建立系統(tǒng)觀測方程； Z(k) =H(k)X(k)+V(k) A3、預測人臉位置，根據(jù)卡爾曼濾波器的預測方程組，濾波器使用上一階段狀態(tài)的估 計，做出對當前狀態(tài)的估計； 預測方程組： (1) 預測狀態(tài) X(k|k-i) = A(k)X (k ih) (2) 預測估計協(xié)方差矩陣 P(kIk-D - ^(k)P(k-l Ik-D^ (k)+Q(k) A4、檢測實際人臉位置，在預測了當前人臉所在的位置后，調用Haar分類器在預測區(qū) 域內檢測人臉，獲取當前狀態(tài)信息；當在預測區(qū)域檢測不到人臉，就在全圖檢測人臉；當在 全圖也檢測不到人臉的時候，說明駕駛員頭部動作過大，無法檢測到人臉； A5、通過更新方程組使用當前的實際人臉位置來更新卡爾曼濾波器，讓卡爾曼濾波器 的預測值與真實值越來越接近，達到跟蹤的效果； 更新方程組： (3) 最優(yōu)卡爾曼增益 K(k) =P(k|k-i)HTk[H(k)P(k|k_1)HT(k)+R(k)] (4) 更新的狀態(tài)估計 ^(k|k) =X(k|k-D+K(k) [Z(k+1)-H(k)X]Q5I^1) (5) 更新的協(xié)方差估計 P味）=[E-K(k)H(k)]P (k|k-l) A6、在輸入圖像中標記出人臉區(qū)域。 其中Xk為在人臉在k時刻的狀態(tài)估計，A(k)是作用在X(k)上的狀態(tài)轉移矩陣，H(k)是系 統(tǒng)的觀測矩陣，Z(k)是系統(tǒng)的觀測變量，W(k)是過程噪聲，并假設其符合均值為零協(xié)方差矩陣 為Qad的高斯分布，即Wk?N(0,Q(k)) ;V(k)是觀測噪聲，亦假設其符合均值為零協(xié)方差矩陣 為R(k)的高斯分布，即Vk?N(0,R(k)) ;PK為誤差相關矩陣，度量估計值的精確程度； 狀態(tài)轉移矩陣
系統(tǒng)觀測矩陣
3. 根據(jù)權利要求1所述的一種疲勞駕駛檢測方法，其特征在于：所述步驟S3中的睜 眼分類器經如下步驟訓練： B1、收集人臉的樣本源，截取人臉樣本源的人眼區(qū)域和非人眼區(qū)域，即為正樣本和負樣 本； B2、使用機器學習算法訓練睜眼分類器。
4. 根據(jù)權利要求1所述的一種疲勞駕駛檢測方法，其特征在于：步驟S5中，PERCLOS值 采用如下公式計算： PERCLOS值=(眼睛閉合的幀數(shù)/固定幀數(shù)）*100%。
5. 根據(jù)權利要求3所述的一種疲勞駕駛檢測方法，其特征在于，所述步驟B2包括： B21、生成正負樣本描述文件； B22、生成正樣本的向量描述文件； B23、使用OpenCV自帶的可執(zhí)行文件進行訓練。
【文檔編號】G08B21/06GK104269028SQ201410568886
【公開日】2015年1月7日 申請日期:2014年10月23日 優(yōu)先權日:2014年10月23日
【發(fā)明者】鐘小品, 岳翼, 陳劍波 申請人:深圳大學