機車司機疲勞駕駛監(jiān)測

李慶梅，鐘燕科

（湖南鐵道職業(yè)技術(shù)學(xué)院，株洲 412001）

0 引言

鐵路運輸涉及大量旅客的人身和財產(chǎn)安全，機車駕駛員在長時間、連續(xù)地工作情況下，容易出現(xiàn)疲勞駕駛現(xiàn)象，從而為鐵路安全作業(yè)埋下安全隱患。因此，對機車駕駛員疲勞駕駛進行及時監(jiān)測和預(yù)警，對提高鐵路行車安全具有重要意義。駕駛員大約90% 的信息依靠視覺得到的，很多研究機構(gòu)都采用了對眼睛生理特征的檢測來判斷駕駛員的疲勞狀況。在疲勞引發(fā)的事故之前，駕駛員眨眼行為提前發(fā)生變化，眨眼頻率會增加，眼皮覆蓋眼睛的百分比也會增加。因此，通過測量眼睛閉合、眼睛運動和眼睛生理特征來監(jiān)視駕駛疲勞是一個適宜的方法。

根據(jù)PERCLOS原理，在單位時間內(nèi)，駕駛員的眼睛處于閉合狀態(tài)累計超過一定比例，則可判斷駕駛員處于疲勞駕駛狀態(tài)。本文對圖像進行預(yù)處理之后，利用Ostu提出的最大類間方差法，將人臉分割出來；在此基礎(chǔ)上，對圖像進行垂直方向和水平方向灰度積分，獲取人眼位置；再將人眼區(qū)域像素視為特征向量，輸入到SVM分類器，實現(xiàn)對駕駛員眼睛睜、閉狀態(tài)判斷；最后依據(jù)PERCLOS對駕駛員駕駛狀態(tài)作出判斷。由于SVM在處理非線性、小樣本問題方面具有其獨特優(yōu)勢，因此本文提出的疲勞駕駛監(jiān)測方法，在實驗中表現(xiàn)出較高的準確度，取得了預(yù)期效果。

1 眼睛區(qū)域定位

1.1 圖像預(yù)處理

圖像在實際運用中，由于自然條件或人為等因素，難免存在各種各樣的噪聲，這些噪聲可能在傳輸中混入，也可能是在量化處理過程中產(chǎn)生。它們會對圖像的定位、識別帶來很大影響，為準確提取駕駛員眼睛位置，必須先對圖像進行消噪處理。中值濾波器是一種常用的非線性平滑濾波器，它的輸出像素值是由領(lǐng)域像素中間值所決定，對極限像素值不是特別敏感，因此中值濾波器產(chǎn)生較少模糊，適合于消除圖像中的孤立噪聲點。本文采用默認3×3濾波器窗口大小，對噪聲進行消除處理。此外，圖像是在不同自然條件下采集的，有些圖像可能亮度偏低，有些可能亮度偏高，這些都會導(dǎo)致圖像清晰度不夠，不利于后續(xù)處理。利用直方圖均化技術(shù)，使圖像灰度分布均衡化，削弱了不同光照條件對圖像的影響，提高了圖像的清晰度。圖像預(yù)處理前后對比如圖1所示圖像預(yù)處理之前：駕駛員衣領(lǐng)存在許多和人臉膚色相差無幾的白色碎點，不利于后續(xù)人臉分割，可視為噪聲。中值濾波后，消除了大部分白色碎點。

1.2 人臉區(qū)域分割

將人臉從周圍背景圖像中分割出來，一般采用閥值分割法。它充分利用目標(biāo)物和背景在灰度特性上的差異，把圖像視為兩類區(qū)域的組合。通過設(shè)立一個合適的灰度閥值，可以對每個象素點是否屬于目標(biāo)物作出判斷，從而產(chǎn)生對應(yīng)的二值圖像。圖像經(jīng)過分割后，數(shù)據(jù)大大被壓縮，減小了后續(xù)計算量。

圖 1 圖像的預(yù)處理

C0和C1的類的方差可由下式得到：

類間方差為：

類內(nèi)方差為：

圖2 人臉區(qū)域分割

閥值分割圖像原理描述如下：

Ostu提出的最大類間方差法算法簡單、方便可行。

設(shè)原始圖像灰度級為L，灰度級為I的象素點為ni，則圖像的全部像素為：

按灰度級用閥值t劃分為兩類：C0＝(0, 1, 2,…,t) 和 C1＝ (t+1, t+2, …, t-1) 。C0和 C1類的類出現(xiàn)概率以及均值層分別由下列各式給出：

總體方差是這兩者之和。對圖像進行分割后，提取出駕駛員人臉區(qū)域，如圖2所示：由于駕駛員襯衣衣領(lǐng)部分的灰度值恰好與人臉灰度值范圍重合，因此，這部分圖像錯誤劃分到人臉區(qū)域了。該部分圖像具有對稱性，雖然會對圖像積分投影極值的大小帶來影響，卻不會影響積分投影取極值時所對應(yīng)的y坐標(biāo)和橫坐標(biāo)，因此，最終不影響人眼區(qū)域的提取操作。

1.3 灰度積分求取人眼位置

將得到的駕駛員人臉圖像，進行水平積分投影 和垂直積分投影 ，灰度積分投影算法如下：

積分投影后得到圖3。根據(jù)人臉特征，通過分析水平積分圖，可以獲知人眼的y坐標(biāo)范圍。首先，人眼是位于人臉的上半部分，其次，人眼區(qū)域灰度值比較小，對應(yīng)的水平積分投影應(yīng)該是整個水平積分投影圖的一個波谷；結(jié)合上述因素考慮，投影圖的第一個波谷應(yīng)該是眼睛區(qū)域的y坐標(biāo)范圍，即：[60 72]。此外，由于人眼、眉毛、嘴巴、鼻子、下巴等細節(jié)區(qū)域的橫坐標(biāo)，都是位于兩眼的橫坐標(biāo)范圍之內(nèi)，反映到垂直積分投影圖上，就是在眼睛橫坐標(biāo)范圍內(nèi)存在許多黑色區(qū)域，因此積分投影圖波動較多，其他范圍基本上沒有小塊黑色區(qū)域，基本上沒有波動。從圖上可知：眼睛的橫坐標(biāo)范圍是：[40 80]。

根據(jù)求得的兩個坐標(biāo)范圍，將人眼裁減出來，如圖3（c）所示。

圖 3 提取人眼位置

2 眼睛狀態(tài)識別

2.1 支持向量機原理

支持向量機由Vaplik1992年提出[1]，現(xiàn)為國際機器學(xué)習(xí)的前沿?zé)狳c。其核心思想是建立一個決策超平面，使正例、反例之間的隔離邊緣最大化。

設(shè)存在兩個超平面為：

H1: ω .x+b=1 和 H2: ω .x+b =-1，則超平面 H1到原點的距離為|1-b|/||ω||，超平面H2到原點的距離為|-1-b|/||ω||。因此，兩個超平面之間的距離是2/||ω||，它被稱為分類間隔，因此，求間隔最大變?yōu)榍髚|ω||最小的問題：

引入正松弛因子ζi和懲罰參數(shù)c，將約束條件修改為：yi=[(wxi)-b]-1+ ζi

目標(biāo)函數(shù)改為：

選取合適的核函數(shù)k(xi, xj)，把非線性問題轉(zhuǎn)化為一個高維空間里的線性可分問題，然后在該高維空間中求解最優(yōu)超平面。在特定高維空間中建立的分類決策函數(shù)為：

2.2 眼睛睜、閉狀態(tài)識別

眼睛睜開時，從圖象特征角度來分析：由于眼球既有黑色部分，又有白色部分，黑色部分的存在使得眼睛區(qū)域的灰度值較小；眼睛閉和時，眼皮完全遮住眼球，而眼皮和人臉其他部分的皮膚是一致的，因此，相對于睜開時來說，眼睛區(qū)域的灰度值要大一些。SVM利用眼睛狀態(tài)不同時的這個特征區(qū)別，可以對眼睛狀態(tài)作出正確判斷。

如果將眼睛區(qū)域中的每個象素點都輸入到SVM分類器，從理論上來說，是可以對眼睛狀態(tài)作出正確判斷的。實際上，由于圖像像素點很多，SVM分類器計算任務(wù)繁重，嚴重影響分類器的分類速度。為進一步壓縮數(shù)據(jù)，本文采用小波算法先對提取的眼睛圖像進行小波分解，然后提取各層的近似分量和細節(jié)分量，并把各分量的能量值求出。那么，將各分量的能量值依次排列，即可得到一個蘊含該圖像信息的特征向量。將圖像特征向量輸入到SVM分類器，從而可以實現(xiàn)對眼睛睜、閉狀態(tài)的識別。

1）利用waverec2函數(shù)對眼睛區(qū)域圖像進行2層小波分解，分解后各層圖像如圖4所示。設(shè)眼睛區(qū)域原圖像是A，則分解之后存在下面關(guān)系：

LL2+LH2+LV2+LD2+LH1+LV1+LD1=A

因此，原圖像的特征全部蘊涵在LL2、LH2、LV2、LD2、LH1、LV1、LD1 7個參量之中，LL1和LL2作為圖像的近視分量，大致保持了原圖像的特征；LD2、LD1作為細節(jié)參量，反映原圖象高頻細節(jié)特征；LH2、LV2、LH1、LV1反映原圖像水平和垂直方向的特征。當(dāng)駕駛員眼睛處于睜開和閉合兩個不同狀態(tài)時，7個參量對應(yīng)地有兩種不同取值；通過分析這7個參量，可以判斷眼睛處于何種狀態(tài)。

2）提取各層的近似分量和細節(jié)分量

采用appcoef2()函數(shù)可以提取圖象小波分解的各層近似分量；采用deccoef2()函數(shù)可提取圖像小波分解的各層細節(jié)分量、水平分量和垂直分量。

圖 4 眼睛區(qū)域圖像的2層小波分解

3）計算求出上步獲得的各分量的能量值，得到圖像特征向量

設(shè)小波分解后，某一分量為S，是一個N×M二維數(shù)據(jù)，其能量為E：

按照（14）式計算方法，求出7個圖像分量的能量值并按照一定順序排列，例如：

即可得到故障特征向量。

4）設(shè)置好SVM分類器參數(shù)，輸入圖像特征向量，實現(xiàn)對駕駛員眼睛狀態(tài)的識別

由于眼睛只有睜開和閉合兩種狀態(tài)，只需采用一對一算法建立一個支持向量機分類器。SVM參數(shù)設(shè)置為:gam賦值為10，綜合考慮了模型的復(fù)雜度和數(shù)據(jù)的平滑性要求；sig2設(shè)為0.5核函數(shù)為：RBF-kernel 。最后輸入圖像特征向量，完成眼睛狀態(tài)判別。

為驗證本文采用的方法可有效地識別司機眼睛的睜、閉狀態(tài)，采集20張圖片（其中10張屬于睜眼狀態(tài)，10張屬于閉合狀態(tài)），經(jīng)過前文所述的一系列操作，得到20個7維特征向量作為訓(xùn)練樣本。先利用這20個訓(xùn)練樣本訓(xùn)練SVM分類器，使 SVM完成“學(xué)習(xí)”，建立眼睛睜、閉兩個狀態(tài)的分類超平面。然后再往該20個樣本中添加5%以內(nèi)的隨機噪聲，構(gòu)造新的20組數(shù)據(jù)作為測試樣本。最后，將測試樣本輸入到SVM分類器進行眼睛狀態(tài)睜、閉識別，以驗證SVM能否有效地識別司機的眼睛狀態(tài)。

實驗結(jié)果為：識別精度100%、識別時間0.589秒。說明在20個測試樣本中，SVM分類器將20個樣本正確識別歸類；識別所花費的時間也較少，效率較高。因此，采用SVM能快速、有效地識別司機的眼睛狀態(tài)。

3 駕駛員疲勞狀態(tài)判斷

在完成對司機眼睛狀態(tài)的識別后，利用PERCLOS原理可對司機的駕駛狀態(tài)作出判斷。單位時間內(nèi)，眼睛閉合時間所占的百分比率被稱為PERCLOS。當(dāng)此比率超過一個閥值，即可認為人是處于疲勞狀態(tài)。

設(shè)在T時間段內(nèi)，每隔t時間間隔采集一張司機圖象，共采集N張司機圖像。對N張圖像進行眼睛狀態(tài)識別，統(tǒng)計眼睛處于閉合狀態(tài)的圖片數(shù)為M。那么依據(jù)PERCLOS原理可得：

司機眼睛閉合狀態(tài)的比率為：f＝M/N

當(dāng)f＞=8 0%時，判定駕駛員處于疲勞駕駛狀態(tài)，需要給出預(yù)警信號；反之，駕駛員處于精力良好駕駛狀態(tài)，不需給出預(yù)警信號。

4 實驗與分析

為驗證疲勞檢測的效果，進行模擬實驗測試。隨機抽取20個人參與實驗,在不同時段,對每個人共進行10次連續(xù)監(jiān)測(上午3次、下午3次、晚上4次)，檢測結(jié)果的準確率在87.5%以上。具體數(shù)據(jù)如表1所示。實驗數(shù)據(jù)表明：上、下午實驗的監(jiān)測真確度明顯高于晚上，這是由于晚上光線相對較弱而造成的；此外，在實驗中發(fā)現(xiàn)，如果頭部位置偏移太大會影響眼睛的檢測，可能導(dǎo)致誤測。

表1 機車司機疲勞駕駛檢測實驗數(shù)據(jù)

5 結(jié)束語

實驗數(shù)據(jù)表明：本文采用的方法能夠較準確地對機車司機的駕駛狀態(tài)作出監(jiān)測，準確度在87.5%以上；所花費的時間較少，具有良好的實時性。此外，監(jiān)測的準確度與環(huán)境光線、被測對象的坐姿等有一定關(guān)系，這是本文以后需繼續(xù)深入研究的問題。

[1] 袁勝發(fā), 褚福磊.SVM多類分類算法及其在故障診斷中的應(yīng)用[J], 振動工程學(xué)報, 2004, 17(5): 420-422.

[2] 董長虹. 小撥分析工具箱原理與應(yīng)用[M]. 北京: 國防工業(yè)出版社, 2004.

[3] 鐘燕科. 改進的SVM用于主變流器故障診斷[J]. 機車電傳動, 2010, 02.

[4] 陳特放, 鐘燕科.基于小波分析和SVM的主變流器故障診斷[J]. 機車電傳動, 2009, 01.