基于復(fù)雜駕駛環(huán)境下面部特征識(shí)別技術(shù)的防疲勞駕駛系統(tǒng)

詹紅梅

（廈門(mén)瑞為信息技術(shù)有限公司，福建廈門(mén)，361004）

基于復(fù)雜駕駛環(huán)境下面部特征識(shí)別技術(shù)的防疲勞駕駛系統(tǒng)

詹紅梅

（廈門(mén)瑞為信息技術(shù)有限公司，福建廈門(mén)，361004）

本課題闡述基于面部特征識(shí)別技術(shù)的防疲勞駕駛系統(tǒng)研究、開(kāi)發(fā)。通過(guò)后臺(tái)管理系統(tǒng)進(jìn)行大數(shù)據(jù)分析，研究駕駛員疲勞規(guī)律、預(yù)測(cè)駕駛員可能出現(xiàn)的疲勞，方便管理人員有針對(duì)性的重點(diǎn)關(guān)注“常疲勞”的駕駛員，實(shí)現(xiàn)精細(xì)化管理，盡早預(yù)防、盡量避免疲勞駕駛，為行車(chē)安全把好關(guān)。

基于面部特征識(shí)別；防疲勞駕駛；智能化；大數(shù)據(jù)分析；精細(xì)化管理

1　國(guó)內(nèi)外概況及發(fā)展趨勢(shì)

關(guān)于駕駛?cè)似诩白⒁夥稚⒌劝踩珷顟B(tài)的監(jiān)測(cè)預(yù)警技術(shù)，由于它在交通事故預(yù)防方面的發(fā)展前景而受到各國(guó)高度的重視，研究人員根據(jù)駕駛?cè)似跁r(shí)在生理和操作上的特征進(jìn)行了多方面的研究，一些研究成果已形成產(chǎn)品并開(kāi)始進(jìn)入市場(chǎng)。

駕駛?cè)似跔顟B(tài)的檢測(cè)方法可大致分為基于駕駛?cè)松硇盘?hào)、基于駕駛?cè)瞬僮餍袨?、基于?chē)輛狀態(tài)信息的檢測(cè)方法。

1.1基于駕駛?cè)松硇盘?hào)的檢測(cè)方法。針對(duì)疲勞的研究最早始于生理學(xué)。相關(guān)研究表明，駕駛?cè)嗽谄跔顟B(tài)下的生理指標(biāo)會(huì)偏離正常狀態(tài)的指標(biāo)。因此可以通過(guò)駕駛員的生理指標(biāo)來(lái)判斷駕駛?cè)耸欠襁M(jìn)入疲勞狀態(tài)。目前較為成熟的檢測(cè)方法包括對(duì)駕駛?cè)说哪X電信號(hào)EEG、心電信號(hào)ECG等的測(cè)量。

1.2基于駕駛?cè)瞬僮餍袨榈臋z測(cè)方法?；隈{駛?cè)瞬僮餍袨榈鸟{駛?cè)似跔顟B(tài)識(shí)別技術(shù)，是指通過(guò)駕駛?cè)说牟僮餍袨槿绶较虮P(pán)操作等操作推斷駕駛?cè)似跔顟B(tài)。

目前利用駕駛?cè)瞬僮餍袨檫M(jìn)行疲勞識(shí)別的深入研究成果較少且誤報(bào)率較高。駕駛?cè)说牟僮鞒伺c疲勞狀態(tài)有關(guān)外，還受到個(gè)人習(xí)慣、行駛速度、道路環(huán)境、操作技能的影響，車(chē)輛的行駛狀態(tài)也與車(chē)輛特性、道路等很多環(huán)境因素有關(guān)，因此如何提高駕駛?cè)藸顟B(tài)的推測(cè)精度是此類(lèi)間接測(cè)量技術(shù)的關(guān)鍵問(wèn)題。

1.3基于車(chē)輛行駛軌跡的檢測(cè)方法。利用車(chē)輛行駛軌跡變化和車(chē)道線偏離等車(chē)輛行駛信息也可推測(cè)駕駛?cè)说钠跔顟B(tài)。這項(xiàng)技術(shù)在當(dāng)今的汽車(chē)中最為常見(jiàn)，它是通過(guò)前置的攝像頭檢測(cè)路上的行車(chē)線，以判斷汽車(chē)是否偏離車(chē)道。當(dāng)駕駛員精力不集中或打盹時(shí)，車(chē)輛偏離車(chē)道的話，系統(tǒng)會(huì)以聲音或者震動(dòng)的方式提醒駕駛員。為獲得更加準(zhǔn)確的分析識(shí)別結(jié)果，深入研究并開(kāi)發(fā)基于復(fù)雜駕駛環(huán)境下的駕駛員生理反應(yīng)特征的檢測(cè)方法尤為重要。基于駕駛?cè)说纳矸磻?yīng)特征的檢測(cè)方法是指利用駕駛?cè)说难蹌?dòng)特性、頭部運(yùn)動(dòng)特性等推斷駕駛?cè)说钠跔顟B(tài)。

利用面部識(shí)別技術(shù)定位眼睛、鼻尖和嘴角位置，將眼睛、鼻尖和嘴角位置結(jié)合起來(lái)，再根據(jù)對(duì)眼球的追蹤可以獲得駕駛?cè)俗⒁饬Ψ较颍⑴袛囫{駛?cè)说淖⒁饬κ欠穹稚ⅰ?/p>

基于駕駛?cè)松矸磻?yīng)特征的檢測(cè)方法一般采用非接觸式測(cè)量，對(duì)疲勞狀態(tài)的識(shí)別精度和實(shí)用性上都較好。該技術(shù)的成功研究，對(duì)于預(yù)防由疲勞駕駛引發(fā)的交通事故是非常必要的。

2　主要研究?jī)?nèi)容

防疲勞駕駛系統(tǒng)中最主要的兩個(gè)功能是駕駛員疲勞駕駛預(yù)警及駕駛員身份驗(yàn)證。由于在實(shí)際駕駛環(huán)境中，車(chē)輛快速移動(dòng)，車(chē)輛周邊的環(huán)境快速變化，駕駛室內(nèi)的光照也隨之快速改變，造成駕駛員面部光照不均勻。完成本系統(tǒng)除了要克服傳統(tǒng)的模式識(shí)別難題外，復(fù)雜的環(huán)境因素增加了系統(tǒng)的實(shí)現(xiàn)難度。以下是系統(tǒng)的主要研究?jī)?nèi)容：

2.1駕駛環(huán)境下的人臉定位算法

2.1.1復(fù)雜條件下的人臉定位算法研究。人臉定位是對(duì)輸入的圖像或者視頻進(jìn)行分析，判斷其中中是否存在人臉，并確定其位置與大小。人臉定位是人臉識(shí)別系統(tǒng)中完成的首要任務(wù)，定位效果好壞將直接影響后續(xù)的特征點(diǎn)定位效果，因此對(duì)后續(xù)眼睛定位和人臉識(shí)別也將產(chǎn)生很大影響。本項(xiàng)目研究和解決實(shí)際駕駛環(huán)境下的人臉定位系統(tǒng)存在的難題：（1）人臉是非剛性的，有相貌、臉型、表情、膚色等方面的變化；（2）人臉上經(jīng)常會(huì)存在一些不同的遮擋，例如像眼鏡、頭發(fā)和頭飾等物體；（3）姿態(tài)變化，如俯仰、旋轉(zhuǎn)角度等；（4）外界環(huán)境的光照變化、采集設(shè)備間的差異等方面的原因。

2.2嵌入式開(kāi)發(fā)環(huán)境下的人臉定位算法優(yōu)化研究

本研究主要解決多姿態(tài)人臉定位問(wèn)題，并將提高檢測(cè)精度做為本研究的主要任務(wù)。由于檢測(cè)精度高的算法運(yùn)算復(fù)雜度過(guò)高，無(wú)法達(dá)到嵌入式系統(tǒng)實(shí)時(shí)性的要求，而檢測(cè)速度快的算法精度又不好。經(jīng)過(guò)近十多年的研究，涌現(xiàn)了許多的檢測(cè)方法，例如使用輪廓、膚色、深度、運(yùn)動(dòng)等方法來(lái)加速檢索的過(guò)程及提高檢測(cè)精度，神經(jīng)網(wǎng)絡(luò)與統(tǒng)計(jì)學(xué)習(xí)的方法在其中的應(yīng)用也提高了檢測(cè)精度。為了滿足車(chē)載環(huán)境對(duì)系統(tǒng)穩(wěn)定性的要求，本系統(tǒng)采用基于ARM核心的CPU作為硬件平臺(tái)，但是與常見(jiàn)的X86平臺(tái)相比，ARM處理器的運(yùn)算資源相對(duì)比較少。因此，人臉定位算法在ARM處理器上的性能優(yōu)化成為系統(tǒng)成敗的關(guān)鍵。目前學(xué)術(shù)界主要使用Adaboost算法處理人臉定位的分類(lèi)問(wèn)題，Adaboost算法不需要構(gòu)造復(fù)雜的特征描述方法，只需要級(jí)聯(lián)多個(gè)運(yùn)算簡(jiǎn)單的弱分類(lèi)器，構(gòu)成一個(gè)強(qiáng)分類(lèi)器，就可以獲得比較好的分類(lèi)效果。 本研究提出一種基于Adaboost和C5.0決策樹(shù)相結(jié)合的算法。和傳統(tǒng)的Adaboost算法比較，該算法具有層級(jí)少，分類(lèi)速度快，精度高的特點(diǎn)。另外，本系統(tǒng)還需要針對(duì)ARM處理器進(jìn)行平臺(tái)相關(guān)的性能優(yōu)化，ARM平臺(tái)的優(yōu)化主要包括：（1）緩存命中及存儲(chǔ)空間相關(guān)的優(yōu)化；（2）將通用指令集轉(zhuǎn)換為多媒體指令集相關(guān)的優(yōu)化；（3）提升CPU流水線飽和度相關(guān)的優(yōu)化；

2.3駕駛環(huán)境下的眼睛定位算法

2.3.1駕駛環(huán)境下的眼睛圖像采集系統(tǒng)研究。在駕駛環(huán)境中，人眼的圖像信息受到多方面因素的影響，其中包括汽車(chē)行駛過(guò)程中受到不同方向光照的影響、駕駛員佩戴眼鏡及墨鏡對(duì)眼睛遮擋的影響、駕駛員不同姿態(tài)、表情的影響等。因此，為了保證人眼定位具有足夠的精度，必須為防疲勞駕駛系統(tǒng)制定專(zhuān)門(mén)的圖像采集系統(tǒng)。

為了滿足運(yùn)營(yíng)防疲勞駕駛系統(tǒng)全天候的使用要求，本系統(tǒng)計(jì)劃在圖像采集系統(tǒng)加入了主動(dòng)光源進(jìn)行照明，主動(dòng)光源類(lèi)型選擇940nm近紅外LED燈，LED光源具有功耗低、效率高、體積小、穩(wěn)定時(shí)間長(zhǎng)等特點(diǎn)，同時(shí)，對(duì)于波長(zhǎng)大于780nm的光照，人眼的敏感度非常低，因此，使用近紅外LED燈進(jìn)行補(bǔ)光可以避免對(duì)駕駛員造成干擾。在機(jī)器視覺(jué)中，通過(guò)濾光片可以對(duì)不同波長(zhǎng)的光線進(jìn)行篩選。本系統(tǒng)采用中心波長(zhǎng)為940nm、半高寬為30nm的近紅外帶通濾光片，與主動(dòng)LED光源配合使用，在實(shí)際駕駛環(huán)境中可以排除其他波長(zhǎng)的光照干擾，增強(qiáng)主動(dòng)光源的作用，提高圖像質(zhì)量的穩(wěn)定性。同時(shí)，在戴墨鏡的情況下，由于近紅外波段的光線可以穿透墨鏡，濾光片濾除墨鏡上可見(jiàn)光的反射光線，因此，鏡頭可以對(duì)戴墨鏡情況下的眼睛進(jìn)行成像，排除戴墨鏡無(wú)法檢測(cè)的情況。

2.3.2基于自適應(yīng)形狀模型的人眼定位算法研究。由于系統(tǒng)根據(jù)一段時(shí)間內(nèi)眼睛閉合的情況來(lái)判斷司機(jī)駕駛疲勞，所以精確的定位人眼是非常關(guān)鍵的一步。在駕駛環(huán)境下，周邊光線變化比較復(fù)雜，駕駛員的姿態(tài)也在不停的進(jìn)行調(diào)整，傳統(tǒng)的人眼定位方法都存在不同程度的缺陷，誤驗(yàn)率較高。經(jīng)過(guò)前期實(shí)驗(yàn)和可行性分析，本系統(tǒng)提出了一種基于自適應(yīng)形狀模型的人臉定位算法。本算法以數(shù)據(jù)為驅(qū)動(dòng)，主要依賴于訓(xùn)練樣本建立的人臉外觀特征模型和特征點(diǎn)之間的幾何約束關(guān)系，因此，訓(xùn)練樣本數(shù)量越大，樣本表現(xiàn)出的眼睛部位的變化就越多，人眼定位的準(zhǔn)確性就越高。

3　防疲勞駕駛系統(tǒng)產(chǎn)品

經(jīng)過(guò)筆者公司團(tuán)隊(duì)一年多的研究、開(kāi)發(fā)，基于復(fù)雜環(huán)境下面部特征識(shí)別技術(shù)的防疲勞駕駛系統(tǒng)已產(chǎn)品化，目前在廈門(mén)公交集團(tuán)BRT車(chē)、公交車(chē)、客運(yùn)車(chē)、貨運(yùn)車(chē)小量測(cè)試，對(duì)于復(fù)雜道路環(huán)境、氣候變化、光線變化，疲勞預(yù)警誤報(bào)、漏報(bào)很少。

［1］ 楊述斌，金璐，章振保.疲勞駕駛檢測(cè)中的快速人眼定位方法［J］.武漢理工大學(xué)學(xué)報(bào)，2013，35（6）

［2］ 耿磊.基于 DSP 的疲勞檢測(cè)算法及應(yīng)用優(yōu)化研究［D］.濟(jì)南：山東大學(xué)，2006.

［3］ 袁健.基于面部特征的駕駛員疲勞檢測(cè)［D］.杭州：浙江工業(yè)大學(xué)，2008.

Anti fatigue driving system based on the technique of feature recognition under complex driving environment

Zhan Hongmei
（Xiamen Rui for Information Technology Co.， Ltd.， Xiamen Fujian， 361004）

This paper describes characteristic recognition technology based on the face of anti-fatigue driving system research and development.Large data through background management system analysis，research pilot fatigue rules，predict driver fatigue may occur，to facilitate the management of targeted focus "often fatigue，"the driver，to achieve fine management，early prevention to avoid fatigue driving，driving safety for the good pass.

facial feature recognition；anti fatigue driving；intelligent；large data analysis；fine management