駕駛員疲勞檢測系統(tǒng)的研究

李紹文，王江波

1.桂林電子科技大學 網(wǎng)絡中心，廣西 桂林 541004

2.桂林電子科技大學 計算機科學與工程學院，廣西 桂林 541004

駕駛員疲勞檢測系統(tǒng)的研究

李紹文1，王江波2

1.桂林電子科技大學 網(wǎng)絡中心，廣西 桂林 541004

2.桂林電子科技大學 計算機科學與工程學院，廣西 桂林 541004

1 引言

近年來，由于經(jīng)濟的高速發(fā)展使得人民生活水平大大提高，國民擁有私家車的數(shù)量不斷增加，與此同時交通事故的發(fā)生率也不斷上升，車輛與安全問題已成為社會關注的熱點，而其中與疲勞有關的交通事故占事故總數(shù)的20%左右，占特大交通事故的40%以上[1]，可以說疲勞已成為安全行車的大敵。因此研究疲勞駕駛檢測系統(tǒng)對于預防交通事故的發(fā)生有著重要意義。

目前，國內(nèi)外研究機構均已在檢測駕駛員疲勞狀態(tài)方面取得了一定的進展。如澳大利亞國際大學開發(fā)的DAS[2]在商業(yè)上獲得使用。歐盟于2004年完成 AWAKE[3]工程，采用的特征狀態(tài)包括眼瞼運動、握力改變及路面跟蹤，并使用剎車和方向盤位置等制動行為，把這些方法結(jié)合起來抵制交通風險。Seeing machine研究組開發(fā)的FaceLAB[4-5]系統(tǒng)監(jiān)控駕駛員行為，能檢測疲勞與精力分散等情況。雖然國內(nèi)外研究機構在檢測駕駛員疲勞狀態(tài)方面取得了一定的進展，但是到目前為止，大都僅限于理論研究的層次，即使已經(jīng)問世的檢測裝置產(chǎn)品大多也存在著很多局限性，有很多問題亟待解決，主要表現(xiàn)為：由于駕駛員的個體差異，單一的檢測方法并不能準確反映駕駛員的疲勞狀態(tài)；現(xiàn)有的檢測方法不能很好地掌握疲勞與檢測指標之間的關系，對疲勞的等級劃分不夠準確。疲勞駕駛監(jiān)測裝置已經(jīng)商業(yè)化，有越來越多的成熟型產(chǎn)品推向市場，但是高成本阻礙了檢測裝置的普及應用，需要采用更先進的技術，降低監(jiān)測裝置的成本，將疲勞駕駛檢測裝置推向更廣闊的市場。

基于此，本文提出一種綜合判定的疲勞檢查方法。該方法首先使用中值濾波去除噪聲和光照對圖像的影響，然后通過對AdaBoost算法冗余特征的去除和弱分類器的優(yōu)化選擇，對強分類器訓練算法進行了改進。并且對級聯(lián)分類器進行了優(yōu)化實現(xiàn)對人臉的快速檢測，然后在人臉的上半部通過水平灰度投影、垂直灰度投影劃分出準眼睛區(qū)域，通過從粗到細的多次模板匹配方法對人眼進行準確定位。最后通過PERCLOS、眼睛閉合時間、眼睛眨眼頻率、嘴巴張開程度、頭部運動的計算，進行駕駛員疲勞程度的綜合判定。系統(tǒng)總體流程如圖1所示。

圖1 疲勞駕駛系統(tǒng)總體流程圖

2 人臉檢測

2.1 圖像預處理

由于自然條件下的噪聲和光照影響等一些因素，會給人臉圖像的處理帶來一定的干擾，所以需要找到合適的方法濾除噪聲和改善非均勻光照的影響。經(jīng)實驗驗證，3×3中值濾波法可達到很好的預處理效果。

2.2 改進的AdaBoost檢測方法

1995年，F(xiàn)reend和Schapire提出AdaBoost算法，Viola P和Jones M提出的與基于積分圖的Haar-like特征快速計算算法相結(jié)合的AdaBoost算法[6]，在歷史上第一次真正實現(xiàn)目標的實時檢測。這個算法的基本思想就是將大量的分類能力一般的弱分類器通過一定方法疊加起來，構成一個分類能力很強的強分類器，且算法不需要任何關于弱分類器性能的先驗知識，很容易應用到實際問題中。AdaBoost算法流程如圖2所示。

圖2 AdaBoost算法流程圖

Viola P和Jones M提出的基于AdaBoost的快速目標檢測方法，雖然得到了廣泛的應用，但是該算法還存在很多問題。如：雖然AdaBoost系統(tǒng)檢測速度很高，但是由于AdaBoost算法本身訓練比較耗時，整個系統(tǒng)的訓練時間非常驚人。根據(jù)文獻[7]，其系統(tǒng)在訓練上花費了數(shù)周的時間。在分析這些問題的基礎之上，本文提出了改進的AdaBoost目標檢測算法，極大降低了檢查的時間。

2.2.1 強分類器訓練改進算法

基于AdaBoost的快速目標檢測算法在計算Haar-like特征時使用積分圖的方式進行了快速計算，根據(jù)文獻[8]的統(tǒng)計，24×24的搜索窗口雖然有18萬的特征，但是過半的矩形特征面積非常小（小于2×2），這些特征在實際目標檢測的性能很差，使訓練的特征不具有很好的泛化能力。本文在進行特征選取的時候?qū)⑦@些小面積矩形特征進行過濾，避免了此類特征的計算，在保證分類器檢測率的同時，提高了分類器的訓練速度。

由AdaBoost訓練強分類器的訓練算法可以看出，該算法是選擇單個特征作為弱分類器，且選擇弱分類器的標準是弱分類的檢測準確率略大于隨機猜測（即略大約0.5），則將該弱分類器保留[9]。但是在訓練的過程中，很可能出現(xiàn)非常相似的特征，這類相似的特征對分類器的性能沒有提高的作用，而且不利于分類器的泛化能力。

為了避免選取相似的特征作為弱分類器，本文采取如下改進方法：首先，要描述弱分類器之間的差異性，如果定義第t個弱分類器對第i個樣本的預測結(jié)果為hi(xi)，hi(xi)是第j個已被選取的弱分類器對第i個樣本的預測結(jié)果，則定義第t個弱分類器和已有的第j個弱分類器對第i個樣本的檢測差異性為：

如果樣本總數(shù)為N，定義第t個弱分類器和第j個弱分類器的差異性Dt，j為：

則第t個弱分類器與其他已有的弱分類器之間的差異性可以按如下公式計算：

其中T為訓練強分類時當前的訓練輪數(shù)，T-1即為當前已存在的弱分類器個數(shù)。

根據(jù)上面的改進策略，下面給出改進后的強分類器的訓練算法：

（1）輸入：S={(x1，y1)，…，(xi，yi)，…，(xn，yn)}，yi=1，0分別代表正負樣本；訓練輪數(shù)為T；弱分類器相關性閾值DΤhresh；特征最小面積Smin。

（2）初始化：初始化每個樣本的權重為：

i=1，2，…，n。m和l分別為負正樣本的總數(shù)。

（3）循環(huán)t輪，t=1，2，…，T：

①根據(jù)公式歸一化權重。

②計算當前搜索窗口內(nèi)的Haar-like矩形特征的面積，濾去面積小于Smin的特征。根據(jù)公式對剩余的每一個Haar-like矩形特征，都訓練一個弱分類器hj。

③從V中選擇出錯誤率最低的弱分類器hi，錯誤率為et。根據(jù)公式計算此弱分類器與其他弱分類器的差異性Dt。若Dt＜DΤhresh，則拋棄該弱分類器，并根據(jù)樣本權重變化調(diào)節(jié)閾值θ，跳到步驟②。否則，進入下一步。

④根據(jù)公式更新樣本權重。

（4）根據(jù)公式輸出強分類器。

2.2.2 級聯(lián)檢測技術的優(yōu)化

AdaBoost算法能夠完成實時性檢測的原因除了通過積分圖進行快速特征計算之外，另一個重要原因是該算法在進行檢測目標時采用了級聯(lián)分類器。級聯(lián)結(jié)構分類器如圖3所示。

圖3 級聯(lián)結(jié)構分類器

在將訓練出強分類器串聯(lián)在一起形成層疊分類器時，應遵循“先重后輕”的分級分類器思想，將由重要特征構成的結(jié)構較簡單強分類器放在前面。這樣可以先排除大量假樣本，從而提高檢查速度。

AdaBoost算法在進行級聯(lián)分類器訓練的時候，對每一級強分類器都進行了重新訓練，訓練比較耗時。文獻[10]已經(jīng)證明：“隨著弱分類器數(shù)量的增加，通過AdaBoost構建的強分類器的檢測率也會不斷提高”。本文為了提高訓練速度，在對級聯(lián)分類器訓練時，后一級的強分類器會重復利用前一級已經(jīng)訓練好的弱分類器，并在此基礎上通過增加弱分類器的數(shù)量來提高強分類器的性能。這樣可以大大減少強分類器的訓練時間。

本文采用3 200張單人的正樣本，其中一半用于訓練，一半用于測試。負樣本為3 200張，也是一半用于訓練，一半用于測試。為了驗證改進后的AdaBoost算法的檢測性能，本文將該算法與標準的AdaBoost算法、支持向量機[11]進行對比。標準和改進的AdaBoost算法的級聯(lián)層數(shù)設為5層，各層選取的特征數(shù)量分別為80、200、500、1 000、1 500。實際檢測時對320×240大小的圖像進行檢測。三種算法實際應用準確率和檢測平均時間如表1。

表1 三種算法的性能對比表

本文提出改進AdaBoost算法在人臉檢測準確率和實時性上均具有很好的性能，特別是減小了檢查時間，在實時性上比標準的AdaBoost算法有了很大的提高，同時本文也考慮到很多可能存在的狀況，比如差異太大的人臉，受邊緣光影響造成陰陽臉，人臉部分被遮擋，以及戴眼鏡的情況等。本文提出算法的實際檢測效果如圖4所示。

圖4 人臉檢測效果圖

3 人眼定位

本文采用基于改進相似度模板匹配方法對人眼進行定位。經(jīng)過多張圖片的觀察，發(fā)現(xiàn)眼睛都在檢測到的人臉區(qū)域上部，截取人臉區(qū)域的上半部分，通過對其水平灰度積分投影、垂直灰度積分投影確定準眼睛區(qū)域，然后在準眼睛區(qū)域用改進的模板匹配方法對眼睛準確定位。

3.1 灰度積分投影確定準眼睛區(qū)域

在準確定位臉部位置后，根據(jù)人臉的面部器官的分布，人眼在臉部的上半部，所以首先截取人臉區(qū)域是上半部進行處理。

人臉圖像中眼睛部位的灰度值通常比周圍區(qū)的灰度值小，利用該特征常使用積分投影的方法來定位眼睛。最為常用的投影函數(shù)是積分投影函數(shù)。假設I(x，y)表示點(x，y)處的像素灰度值，在區(qū)間[x1，x2]和[y1，y2]內(nèi)的水平積分投影函數(shù)和垂直積分投影函數(shù)分別表示為Sh(y)和Sv(x)，則：

觀察不同單人圖像的水平灰度投影曲線，可以發(fā)現(xiàn)人臉所在區(qū)域?qū)⑹勾怪被叶韧队扒€形成兩個波谷。第一個波谷為眉毛的水平投影。第二個波谷為眼睛瞳孔的水平灰度投影。得到眼睛瞳孔水平位置后設定一個閥值，根據(jù)經(jīng)驗本文設為14，即可得到眼睛水平的上下邊界。水平灰度投影曲線及眼睛的上下邊界如圖5所示。

觀察不同單人圖像的水平灰度投影曲線，可以發(fā)現(xiàn)人臉所在區(qū)域?qū)⑹勾怪被叶韧队扒€形成兩個波谷。即為左右眼睛的瞳孔垂直投影。定位到左右眼睛瞳孔垂直位置后，根據(jù)經(jīng)驗設定閥值。左眼左邊界閥值為20，右邊閥值為40。右眼的左邊界閥值為40，右邊界閥值為20。即可得到雙眼的左右邊界。垂直灰度投影曲線及眼睛的左右邊界如圖6所示。

將眼睛上下邊界和左右邊界相交，即可得到準眼睛區(qū)域。準眼睛區(qū)域如圖7所示。

3.2 改進的模板匹配精確定位眼睛

模板匹配方法是假設待搜索圖像S的尺寸為W×H，模板T的尺寸為M×N，通過一定的算法在大圖像（即待搜索圖像S）中搜索與模板T具有相近的尺寸、方向和圖像的子圖，并確定其坐標位置。

基于相似度的模板匹配算法以各局部圖像作為模板，先在人臉集中手工提取各種狀態(tài)的眼睛圖像作為模板如圖8所示。

圖5 水平灰度投影曲線及眼睛上下邊界

圖6 垂直灰度投影曲線及眼睛左右邊界

圖7 準眼睛區(qū)域

圖8 眼睛模板

一幅眼睛圖片為一個模板，即一個二維矩陣，利用眼睛模板與人臉圖像作相關匹配，匹配函數(shù)如下：

當模板匹配的相關系數(shù)R(i，j)等于1的時候，說明搜索子圖與模板完全匹配。這只是一個理想值，模板匹配的過程中主要是尋找相關系數(shù)的最大值，此時它所對應的搜索子圖便是所要尋找的目標子圖[12]。顯然，用這種公式做圖像匹配計算量大、速度慢?？梢允褂昧硗庖环N算法來衡量T和Sij的誤差，其公式為：

計算兩個圖像的向量誤差，可以增加計算速度，根據(jù)不同的匹配方向選取一個誤差閥值E0，當E(i，j)＞E0時就停止該點的計算，繼續(xù)下一點的計算。

傳統(tǒng)的模板匹配法，通常是在整幅圖像中進行匹配，運算量大，且干擾因素較多，本文在上文得到的準眼睛區(qū)域，利用改進的模板匹配算法進行人眼的準確定位。

本文將模板匹配過程更改為兩次匹配，第一次匹配為粗略匹配。取模板的隔行隔列數(shù)據(jù)，即1/4的模板數(shù)據(jù)，在被搜索圖上進行隔行隔列匹配，即在原圖的1/4范圍內(nèi)匹配。且在每行先跳動著隔幾個點進行一次粗匹配，大致框定匹配區(qū)域，然后在附近區(qū)域逐一檢索獲得最佳匹配點。運算量可減少到1/3以下，且目標提取效果相當好。由于數(shù)據(jù)量大幅減少，匹配速度顯著提高。

傳統(tǒng)的模板匹配過程中都是在眼部區(qū)域整個窗口自左向右，自上而下搜索。通過觀察可以發(fā)現(xiàn)眼睛常處于準眼睛匹配區(qū)域中心附近，所以本文選擇由準眼睛匹配區(qū)域中心向周圍輻射匹配的方式，通過實驗驗證此種方式效果最理想。同時為了合理地給出一個誤差閾值E0，使用一個確定誤差閾值E0的準則：

式中，e0為各點平均的最大誤差，一般取40～50即可；m，n為模板的長寬。

第二次匹配是精確匹配。在第一次誤差最小點（Imin，Jmin）的鄰域內(nèi)，即在對角點為(Imin-1，Jmin-1)，(Imin+ 1，jmin+1)的矩形內(nèi)，進行搜索匹配，得到最后結(jié)果。為了驗證改進后的模板匹配算法的檢測性能，本文將該算法與傳統(tǒng)的模板匹配算法進行對比。利用本文的模板匹配算法對100幅圖像進行了人眼定位實驗。兩種算法檢測平均時間、檢測準確率的對比如表2。

表2 兩種算法的性能對比表

本文提出的改進模板匹配算法在保證傳統(tǒng)匹配算法準確率的基礎上大幅度提高匹配速率。本文提出算法的實際檢測效果如圖9所示。

圖9 部分人臉圖像眼睛定位結(jié)果

4 疲勞程度的綜合判定

駕駛員疲勞的判定會因錯誤檢查帶來不良影響，本文采用PERCLOS、眼睛閉合時間、眼睛眨眼頻率、嘴巴張開程度、頭部運動的計算，進行疲勞程度的綜合判定，準確、有效地進行駕駛員疲勞的檢測。

4.1PERCLOS

PERCLOS[13]（Percentage of eyelid Closure over the pupil overtime）是指眼睛閉合時間占某一特定時間的百分率。PERCLOS方法有P70，P80和EM三種判定標準。研究表明P80與疲勞程度間具有最好的相關性。

眼睛的狀態(tài)通常有三種，正常睜開，半睜開以及閉合，相應的灰度圖及二值化如圖10所示。

圖10 三種狀態(tài)眼睛灰度圖及二值化

定義SE(n)為第n幀眼睛的疲勞狀態(tài)：

其中，n為視頻幀數(shù)，T（n）為第n幀眼睛的高度，D為正常睜開時上眼瞼到下眼瞼的垂直距離（單位為像素）。通過對不同眼睛的實驗可知，當閥值J=D/3時可以較好地檢測出眼睛的疲勞狀態(tài)。SE(n)=1代表正常睜開，SE(n)=0代表眼睛疲勞。在一定的時間內(nèi)PERCLOS值為：

4.2 嘴巴張開程度

嘴巴的狀態(tài)通常有三種，閉合，說話及打哈欠，在疲勞狀態(tài)下，人會頻繁地打哈欠。在人臉下半部分進行水平灰度投影，觀察不同單人圖像的水平灰度投影曲線，會發(fā)現(xiàn)該區(qū)域下半部分的水平灰度投影曲線有一個波谷，即為嘴唇間位置。對人臉下半部分區(qū)域二值化，從嘴唇間向上、下計算連通區(qū)域（連通區(qū)域可以防止鼻孔及胡須對計算帶來影響）的像素值，即可得到嘴巴的張開程度。

分別對三種人臉區(qū)域嘴巴狀態(tài)灰度圖進行二值化。三種狀態(tài)嘴巴灰度圖及二值化如圖11所示。

圖11 三種狀態(tài)嘴巴灰度圖及二值化

定義SM(n)為第n幀嘴巴狀態(tài)，則

其中n為視頻幀數(shù)，TM(n)為第n幀嘴唇間高度，H為嘴巴閉合狀態(tài)下嘴唇間高度（單位為像素）。通過對不同嘴巴的實驗可知，當閥值K=H×10時可以較好地檢測出嘴巴是否打哈欠（說話時嘴巴的高度為H的4～5倍，打哈欠時嘴巴的高度約為H的10倍。打哈欠時嘴巴的高度遠遠大于說話時嘴巴的高度）。SM(n)=1代表嘴巴打哈欠，SM(n)=0代表嘴巴處于正常狀態(tài)。在一定的時間內(nèi)PMRCLOS（Percentage of Mouthlid Closure over the pupil overtime）值為：

4.3 眼睛高度D及嘴巴高度H補償

在上眼瞼到下眼瞼的垂直距離D及上嘴唇到下嘴唇的垂直距離為H時，由于駕駛員頭部相對于檢測設備有位置移動，因此為了實現(xiàn)駕駛員眼睛高度和嘴巴高度的準確計算，需要修正眼睛、嘴巴與檢測設備距離相對變化引起的D及H變化[14]。

駕駛員頭部相對于檢測設備有位置移動包括前后運動、轉(zhuǎn)動、左右運動。頭部的轉(zhuǎn)動及左右運動不會影響到高度D和H的變化，所以只對頭部的前后運動進行分析。眼睛高度D及嘴巴高度H補償原理如圖12所示。

駕駛員正常位置為ΑΑ，到攝像頭距離為a，圖像中駕駛員大小為Α1Α1。駕駛員頭部向前移動x1，位置為BB，圖像中駕駛員大小為B1B1。駕駛員頭部向后移動x2，位置為CC，圖像中駕駛員大小為C1C1。駕駛員在位置ΑΑ時，圖像中上眼瞼到下眼瞼的垂直距離D，上嘴唇到下嘴唇的垂直距離為H，則移動x后，上眼瞼到下眼臉的垂直距離D′=(D×a)/(a+x)，x∈[-x1，x2]。上嘴唇到下嘴唇的垂直距離為H′=(H×a)/(a+x)，x∈[-x1，x2]。通過實驗驗證，該補償方法有效解決了由于駕駛員頭部運動造成的眼睛、嘴巴高度變化的問題，提高了系統(tǒng)檢查的準確率。

圖12 眼睛高度D及嘴巴高度H補償原理圖

4.4 眼睛閉合時間

眼睛閉合時間，一般用眼睛閉合到睜開所經(jīng)歷的時間來表示。人處于正常清醒狀態(tài)時，眼睛閉合時間是很短的，會迅速睜開眼。而當疲勞時，眼睛閉合時間會明顯變長，因此眼睛閉合時間能直接反映駕駛員的精神狀態(tài)。本文采用計算從眼睛閉合D/3到睜開D/3的最大幀數(shù)，幀數(shù)越多，閉合時間就越長，則疲勞程度就越嚴重。

4.5 眼睛眨眼頻率

人在疲勞狀態(tài)下，眨眼頻率會比清醒狀態(tài)下頻率高。本文也將其作為一項參數(shù)作為疲勞判斷的依據(jù)。眼睛閉合D/3到睜開D/3為眨眼一次。累加一段時間內(nèi)眨眼次數(shù)，作為疲勞判斷的一項參數(shù)。

4.6 頭部運動的疲勞參數(shù)

駕駛員在疲勞狀態(tài)下會出現(xiàn)頻繁點頭，頭部向前傾。本文通過水平灰度積分投影得到眼睛瞳孔、嘴角的水平位置。d1為瞳孔水平位置到采集圖片的上邊緣距離，d2為嘴角的水平位置到采集圖片的下邊緣距離。

在駕駛員疲勞出現(xiàn)點頭情況，則d1增大且d2減小。駕駛員疲勞時，頭部向前傾，則d1增大且d2增大。點頭和頭部向前傾可以作為疲勞判斷的一項重要的依據(jù)。

本文采用PERCLOS、眼睛閉合時間、眼睛眨眼頻率、嘴巴張開程度、頭部運動的計算，進行駕駛員疲勞程度的綜合判定，充分利用了多種疲勞信息，降低了單一疲勞參數(shù)的不穩(wěn)定性，具有一定的實用性。

5 結(jié)束語

本文首先采用改進的AdaBoost算法對人臉進行快速的檢測，然后在人臉的上半部通過灰度積分投影劃分出準眼睛區(qū)域，在準眼睛區(qū)域進行模板匹配對眼睛準確定位，最后通過多種疲勞信息的綜合判斷，對駕駛員疲勞進行判定。本文也考慮到很多可能存在的狀況，如對檢測過程中圖像含有一定的背景，差異太大的人臉，受邊緣光影響造成陰陽臉，駕駛員臉部部分被遮擋，眼睛有一定的偏差，配戴眼睛，眼睛被頭發(fā)部分遮擋等進行了考慮。經(jīng)過實驗表明，本文提出的檢測系統(tǒng)簡單快速、準確性較高。所做的研究工作降低了單一疲勞參數(shù)的不穩(wěn)定性，為駕駛員疲勞實時監(jiān)控系統(tǒng)的實用化和產(chǎn)品化打下了良好的理論基礎。

[1]Wang Qiong，Yang Jingyu，Ren Mingwu，et al.Driver fatigue detection：a survey[C]//Proc of the 6th World Congress on Intelligent Control and Automation，2006：21-23.

[2]Fletcher L，Apostoloff N，Petersson L，et al.Vision in and out of vehicles[J].IEEE Τrans on Intelligent Τransportation Systems，2003，18（3）：12-17.

[3]Boveris S.Driver fatigue monitoring technologies and future ideas[C]//Proc of AWAKE Road Safety Workshop，2004.

[4]Longhurst G.Understanding driver visual behaviour[R].Braddon，Australia：Seeing Machine Pty Limited，2002.

[5]李志春.駕駛員疲勞狀態(tài)檢測技術研究與工程實現(xiàn)[D].鎮(zhèn)江：江蘇大學，2009.

[6]Yang M H，Kriegman D，Ahuja N.Detecting faces in images：a survey[J].IEEE Τrans on Pattern Analysis and Machine Intelligence，2002，24（1）：34-58.

[7]Viola P，Jones M.Robust rapid object detection using a boosted cascade of simple features[C]//8th IEEE International Conference on Computer Vision（ICCV），2001：511-518.

[8]Houck C R，Joines J A，Kay M G.A genetic algorithm for function optimization：a matlab implementation，technical report ΤR 95-09[R].North Carolina State University，1995.

[9]Freund Y，Schapire R E.A decision-theoretic generalization of on-line learning and an application to boosting[J].Journal of Computer and System Sciences，1997，55（1）：119-139.

[10]Schapire R E.Τhe strength of weak learn ability[J].Machine Learning，1990，5（2）：197-227.

[11]顧亞祥，丁世飛.支持向量機研究進展[J].計算機科學，2011，38（2）：14-17.

[12]Gonzalez R C，Woods R E.數(shù)字圖像處理[M].阮秋琦，阮宇智，等譯.2版.北京：電子工業(yè)出版社，2003.

[13]Hartley L，Horberry Τ，Mabbot N，et al.Review of fatigue detection and prediction technologies[R].National Road Τransport Commission of Australia，2000.

[14]郭永彩，李文濤，高潮.基于PERCLOS的駕駛員疲勞檢測算法[J].計算機系統(tǒng)應用，2009（8）：55-57.

LI Shaowen1,WANG Jiangbo2

1.Network Center,Guilin University of Electronic Τechnology,Guilin,Guangxi 541004,China
2.School of Computer Science and Engineering,Guilin University of Electronic Τechnology,Guilin,Guangxi 541004,China

In order to reduce the traffic accidents caused by driver fatigue,this paper proposes a method of the driver fatigue detection system.Τhis method uses median filtering to remove the impact of image noise and light,then achieves rapid detection of human faces by the improved strong classifier training algorithm of AdaBoost algorithm and the optimized cascade.In the detected face region,it uses gray projection points and an improved from coarse to fine template matching method to implement the positioning of human eyes accurately.Using calculated PERCLOS,closure eye time,eye blink frequency,degree of mouth opening and the movement of head,it can determine the comprehensive degree of driver fatigue.Τhe experimental results show that this method has high accuracy with a good real-time and robustness.

fatigue detection;face detection;eyes location

為了減少由于駕駛員疲勞駕駛引起的交通事故，提出駕駛員疲勞狀態(tài)檢測系統(tǒng)的方案。使用3×3中值濾波去除噪聲和光照對圖像的影響，通過對AdaBoost算法的強分類器訓練算法改進、級聯(lián)分類器優(yōu)化實現(xiàn)人臉的快速檢測，在檢測到的人臉區(qū)域，通過積分灰度投影和從粗到細改進的模板匹配方法對人眼進行準確定位；通過PERCLOS、眼睛閉合時間、眼睛眨眼頻率、嘴巴張開程度、頭部運動的計算，進行駕駛員疲勞程度的綜合判定。實驗結(jié)果表明，該方法準確率高，兼具了良好的實時性和魯棒性。

疲勞檢查；人臉檢測；人眼定位

A

ΤP391.41

10.3778/j.issn.1002-8331.1111-0400

LI Shaowen,WANG Jiangbo.Research on driver fatigue detection system.Computer Engineering and Applications,2013, 49（15）：253-258.

李紹文（1968—），男，高級工程師，碩士研究生導師，主要研究方向為計算機應用技術；王江波（1984—），男，碩士研究生，主要研究方向為計算機應用技術。E-mail：wjb51020@163.com

2011-11-22

2012-01-12

1002-8331（2013）15-0253-06

CNKI出版日期：2012-05-09 http://www.cnki.net/kcms/detail/11.2127.ΤP.20120509.0845.008.html