疲勞駕駛狀態(tài)檢測(cè)系統(tǒng)的設(shè)計(jì)

劉靜霞

(成都電子機(jī)械高等?？茖W(xué)校，四川 成都610031)

為了減少由于司機(jī)疲勞而導(dǎo)致的交通事故，國內(nèi)外的許多研究工作者都在研究司機(jī)疲勞狀態(tài)檢測(cè)系統(tǒng)。例如美國卡內(nèi)基梅隆大學(xué)的Richard Grace領(lǐng)導(dǎo)的Copilot工程開發(fā)的疲勞檢測(cè)裝置，浙江大學(xué)的駕駛防磕睡裝置，北京航天航空大學(xué)的眼動(dòng)測(cè)量系統(tǒng)。目前，疲勞駕駛的檢測(cè)技術(shù)主要有兩大類，一類是采集腦電信號(hào)的生理參數(shù)EEG來檢測(cè)[1]，EEG生理參數(shù)能準(zhǔn)確地反映出人的疲勞狀態(tài)，但檢測(cè)設(shè)備較復(fù)雜昂貴，應(yīng)用推廣難度較大；另一類是對(duì)采集的面部圖像信息進(jìn)行識(shí)別[2]。圖像信息檢測(cè)中，有的利用較昂貴的紅外攝像機(jī)檢測(cè)信號(hào)[3]，有的利用普通攝像機(jī)進(jìn)行檢測(cè)[4]。普通攝影機(jī)安裝和使用較方便，利于推廣應(yīng)用，但對(duì)圖像處理技術(shù)要求較高。由于疲勞狀態(tài)實(shí)時(shí)檢測(cè)系統(tǒng)要求很高的實(shí)時(shí)性和可靠性，目前為止，還沒有出現(xiàn)滿足實(shí)際需要的非強(qiáng)迫性檢測(cè)系統(tǒng)。

表1中列出了幾種疲勞狀態(tài)檢測(cè)的方法，并對(duì)性能進(jìn)行了比較。通過比較可以發(fā)現(xiàn)，這幾種方法中基于身體反應(yīng)的檢測(cè)方法性能較好。PERCLOS（Percentage of Eyelid Closure Time）是在單位時(shí)間內(nèi)眼睛閉合時(shí)間所占的百分率。弗吉尼亞大學(xué)的Walt Wierwille從20世紀(jì)70年代開始研究眼睛光學(xué)變量與疲勞的關(guān)系，研究表明與疲勞有關(guān)的主要因素有缺乏睡眠、瞳孔直徑、注目凝視、眼球快速轉(zhuǎn)動(dòng)、眉眼掃視、眨眼睛等，并且發(fā)現(xiàn)PERCLOS是最具潛力的疲勞測(cè)定方法之一，由PERCLOS得出的數(shù)據(jù)可以真正反映駕駛疲勞，是對(duì)疲勞進(jìn)行估價(jià)測(cè)定的最好方法。

表1 疲勞檢測(cè)方法對(duì)比

通過攝像頭獲取司機(jī)的實(shí)時(shí)視頻，獲得駕駛員的視頻圖像后，利用圖像處理與模式識(shí)別技術(shù)分析人臉特征圖像信息，從圖像中找到駕駛員面部所在位置，檢測(cè)出人眼并分析人眼狀態(tài)（睜開或閉合），然后統(tǒng)計(jì)一定時(shí)間內(nèi)眼睛閉合持續(xù)總時(shí)間，將其與某固定閾值比較，以確定司機(jī)瞌睡與否。

1 人臉和人眼特征的檢測(cè)

疲勞狀態(tài)檢測(cè)要準(zhǔn)確地檢測(cè)和跟蹤眼睛的狀態(tài)。采用先確定人臉區(qū)域，然后再在人臉區(qū)域內(nèi)進(jìn)一步檢測(cè)、定位人眼的方法，這樣可以使得眼睛的檢測(cè)與定位更加準(zhǔn)確和快捷。眼睛的識(shí)別檢測(cè)方法可分為基于統(tǒng)計(jì)和基于知識(shí)兩種類型?；诮y(tǒng)計(jì)的方法將人臉和人眼圖像視為一個(gè)多維向量，從而將人臉和人眼檢測(cè)問題轉(zhuǎn)化為多維空間中分布信號(hào)的檢測(cè)問題；而基于知識(shí)的方法則利用人臉和人眼特征知識(shí)建立若干規(guī)則，從而將人臉檢測(cè)問題轉(zhuǎn)化為假設(shè)和驗(yàn)證問題，例如人臉膚色和幾何結(jié)構(gòu)等?；谥R(shí)建模的方法一般對(duì)建模的假設(shè)條件依賴性強(qiáng)，而基于統(tǒng)計(jì)的方法精度較高、魯棒性強(qiáng)，但運(yùn)算量大。駕駛室光照復(fù)雜多變，振動(dòng)環(huán)境也較復(fù)雜，選擇基于統(tǒng)計(jì)的方法能更有效地進(jìn)行檢測(cè)。

Paul Viola和Michael Jones于2001年提出機(jī)器學(xué)習(xí)領(lǐng)域分類精度較高并且識(shí)別速度快的Adaboost算法[5-6]，Adaboost算法是一種高效的迭代算法，在人眼的快速檢測(cè)方面有著非常重要的應(yīng)用。它針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練出不同的弱分類器，然后把這些弱分類器組成強(qiáng)分類器，進(jìn)而形成級(jí)聯(lián)分類器。訓(xùn)練方法描述如下：

(4)弱分類器中，找出一個(gè)具有最小錯(cuò)誤εt的弱分類器 ht，更新每個(gè)樣本所對(duì)應(yīng)的權(quán)重ωt+1，i=ωt，iexp(-αtliht(xi))，αt=0.5ln[(1-εt)/εt]；

設(shè)計(jì)的系統(tǒng)采用麻省理工的MIT CBCL人臉庫作為訓(xùn)練庫，然后利用Adaboost算法訓(xùn)練人臉檢測(cè)分類器。MIT CBCI數(shù)據(jù)庫中的訓(xùn)練樣本集共有2 429幅人臉樣本圖像和4 554幅非人臉圖像，包括各種光照條件和人體姿態(tài)。利用人眼檢測(cè)程序進(jìn)行了大量圖片檢測(cè)，發(fā)現(xiàn)人眼檢測(cè)正確率高，只要能夠正確定位人臉，人眼檢測(cè)都能準(zhǔn)確識(shí)別。經(jīng)過分析發(fā)現(xiàn)，人眼特征簡(jiǎn)單、模板小，不像人臉特征多、變化大。人眼的搜索區(qū)域?yàn)橄惹岸ㄎ坏娜四槄^(qū)域，搜索區(qū)域??；而人臉?biāo)阉鲄^(qū)域?yàn)檎鶊D像。特征簡(jiǎn)單、搜索區(qū)域小，致使人眼檢測(cè)正確率高，不會(huì)出現(xiàn)誤檢。

2 檢測(cè)算法移植

疲勞狀態(tài)檢測(cè)算法運(yùn)行在PC機(jī)上的檢測(cè)幀速率約為3～4幀，不能滿足檢測(cè)算法的實(shí)時(shí)性要求。為了提高實(shí)時(shí)檢測(cè)速度，將檢測(cè)算法移植到DSP芯片上運(yùn)行可以有效地提高系統(tǒng)的實(shí)時(shí)性。DSP系統(tǒng)具有強(qiáng)大的數(shù)據(jù)并行處理能力，能提高檢測(cè)算法的運(yùn)算速度，從而獲得實(shí)時(shí)檢測(cè)的效果。DSP具備普通微處理器所強(qiáng)調(diào)的高速運(yùn)算和控制功能，移植過程中還要針對(duì)實(shí)時(shí)數(shù)字信號(hào)處理，在處理器結(jié)構(gòu)、指令系統(tǒng)、指令流程上做相應(yīng)的改動(dòng)。系統(tǒng)采用TI公司的TMS320DM642芯片作為嵌入式芯片平臺(tái)，檢測(cè)算法的移植在合眾達(dá)公司的SEED-VPM開發(fā)板上進(jìn)行。

TMS320DM642是建立在C64x DSP核基礎(chǔ)上、采用了德州儀器公司開發(fā)的第二代高性能超長(zhǎng)指令字結(jié)構(gòu)VelociT l.2TM，在每個(gè)時(shí)鐘周期內(nèi)可執(zhí)行2個(gè)16×16 bit的乘法或 4個(gè) 8×8 bit的乘法。TMS320DM642內(nèi)包含了 6個(gè)算術(shù)邏輯單元，在每個(gè)時(shí)鐘周期內(nèi)都可執(zhí)行2個(gè)16 bit或4個(gè)8 bit的加減、比較、移動(dòng)等運(yùn)算。在600 MHz的時(shí)鐘頻率下，DM642每秒可以進(jìn)行24億次 16 bit的乘累加或48億次8 bit的乘累加。這樣的運(yùn)算能力，使得DM642可以進(jìn)行實(shí)時(shí)的多視頻處理和圖像處理。TMS320DM642通過64 bit的EMIF和3個(gè)8/16 bit寬度的視頻口來連接板上的外設(shè)(如 SDRAM、Flash、FPGA和DART)。TMS320DM642還在C64x的基礎(chǔ)上增加了很多外圍設(shè)備和接口。

疲勞狀態(tài)檢測(cè)識(shí)別系統(tǒng)是運(yùn)行在DSP芯片上的數(shù)字信號(hào)處理系統(tǒng)，視頻數(shù)據(jù)的處理流向如下：視頻數(shù)據(jù)從攝像機(jī)輸入進(jìn)來，輸入的格式為PAL/NTSC模擬電視廣播信號(hào)格式，經(jīng)過模擬數(shù)據(jù)經(jīng)視頻解碼芯片SAA7115解碼，可以得到標(biāo)準(zhǔn)BT.656并行數(shù)據(jù)，BT.656并行數(shù)據(jù)從DM642視頻口1輸入，視頻口1提取YCbCr數(shù)據(jù)之后，分別存放在內(nèi)部的緩沖器中，獨(dú)立于CPU的EDMA將視頻口buffer中YCbCr數(shù)據(jù)搬移到大容量外部SDRAM存儲(chǔ)器中，SDRAM中存放著連續(xù)的3幀圖像數(shù)據(jù)，同時(shí)EDMA將其中一幀圖像數(shù)據(jù)，不停地搬移到DM642內(nèi)部RAM，在內(nèi)部RAM存放著兩行連續(xù)視頻數(shù)據(jù)供CPU使用，CPU處理過的數(shù)據(jù)輸回到內(nèi)部RAM中暫時(shí)保存，后續(xù)數(shù)據(jù)輸出步驟與前面介紹的數(shù)據(jù)輸入步驟正好相反。

DSP采用多總線的哈佛結(jié)構(gòu)，相同的系統(tǒng)復(fù)雜程度，DSP比一般的微處理數(shù)據(jù)處理速度快2個(gè)數(shù)量級(jí)。多總線結(jié)構(gòu)使得DSP結(jié)構(gòu)復(fù)雜，工作頻率較低，對(duì)外部存儲(chǔ)器的訪問速度只有133 MHz，從而造成數(shù)據(jù)瓶頸，嚴(yán)重地制約了處理速度，移植過程中，要減少片內(nèi)外的數(shù)據(jù)傳輸、提高片內(nèi)數(shù)據(jù)的利用率。Adaboost檢測(cè)算法要求較大的數(shù)據(jù)計(jì)算量，將其移植到DSP中，可以通過提高二級(jí)高速緩存Cache命中率、優(yōu)化算法等措施來減少片內(nèi)外的數(shù)據(jù)傳輸，減少程序運(yùn)算量。

移植完成后，對(duì)算法進(jìn)行一系列優(yōu)化，最終達(dá)到18 S/s的幀速率，滿足了實(shí)時(shí)性要求，如表2所示。

表2 疲勞檢測(cè)算法DSP系統(tǒng)時(shí)間消耗

3 檢測(cè)結(jié)果與分析

檢測(cè)時(shí)，TMS320DM642工作頻率為600 MHz，視頻輸入圖像大小為 724×576，DSP將其縮放為 CIF圖像（356×298像素），然后進(jìn)行疲勞駕駛檢測(cè)，系統(tǒng)檢測(cè)速率基本達(dá)到18幀/s。通過采集多人圖像視頻進(jìn)行檢測(cè)，分析得到人臉檢測(cè)率為90.5%，人眼檢測(cè)率90.3%，人眼狀態(tài)分析正確率為86.7%。算法達(dá)到18幀/s的幀速率，基本滿足了系統(tǒng)實(shí)時(shí)檢測(cè)的性能要求。但是由于實(shí)驗(yàn)設(shè)備環(huán)境與時(shí)間限制，檢測(cè)系統(tǒng)還存在缺陷和有待完善的地方。例如由于樣本庫的原因，人臉檢測(cè)算法對(duì)傾斜人臉的檢測(cè)存在先天不足，可以加入傾斜人臉樣本或在檢測(cè)階段采用旋轉(zhuǎn)視頻圖像方法解決該問題。

[1]VUCKOVIC A,POPOVIC D,RADIVOJEVIC V.Artificial neural network for detecting drowsiness from EEG recordings[C].Proc.IEEE Seminar on Neural Network Applications in Electrical Engineering,Belgrade,Yugoslavia.Sept.2002：155-158.

[2]GONZALEZ R C,WOODS R E.Digital image processing.Second Edition,Prentice Hall,Upper Saddle River,NJ,USA,2002.

[3]JI Q,ZHU Z,LAN P.Real-time nonintrusive monitoring and prediction of driver fatigue[J].IEEE Trans.Veh.Tech.,2004,53(4)：1052-1068.

[4]DONG W,WU X.Driver fatigue detection based on the distance of eyelid[C].Proc.IEEE VLSI Design and Video Technology,Suzhou,China,pp.365-368,May 2005.

[5]VIOLA P,JONES M.Rapid object detection using a boosted cascade of simple features[C].IEEE Computer Society Conference on Computer Vision and Pattern Recognition(CVPR),ISSN:1063-6919,2001(1)：511-518.

[6]VIOLA P,MICHAEL J.Robust real-time face detection[J].International Journal of Computer Vision.2004，57(2):137-154.