基于RBF神經網絡的汽車危駕限制系統(tǒng)研究

蔡 兵，金 鑫，吉向東，宗振華，曹 陽

(1.湖北文理學院 物理與電子工程學院，湖北 襄陽 441053；2.湖北文理學院 機械與電子工程學院，湖北 襄陽 441053；3.湖北臺基半導體股份有限公司,湖北 襄陽 441021)

?

基于RBF神經網絡的汽車危駕限制系統(tǒng)研究

蔡 兵1，金 鑫1，吉向東1，宗振華2，曹 陽3

(1.湖北文理學院 物理與電子工程學院，湖北 襄陽 441053；2.湖北文理學院 機械與電子工程學院，湖北 襄陽 441053；3.湖北臺基半導體股份有限公司,湖北 襄陽 441021)

針對汽車的危駕問題,給出了危駕檢測限制系統(tǒng).此危駕檢測限制系統(tǒng)包括人臉攝像電路、紅外檢測器和系統(tǒng)控制電路等,算法上采用RBF神經網絡算法.MATLAB仿真表明,其識別率可達95%以上.相比較其他人臉檢測方法,本系統(tǒng)具有結構簡單、成本低的特點.

RBF神經網絡;汽車危駕限制系統(tǒng);紅外檢測器中

危駕對人類的財產和生命產生了嚴重的危害，因此駕駛員危駕的檢測與預防越來越受到各國的重視.雖然目前國內外出現了各種危駕檢測方法和設備，如呼吸式酒精檢測儀與抽血式檢測儀等，但由于存在缺乏可操作性或者時差問題，并沒有得到廣泛的使用.為此，開發(fā)出新的危駕檢測限制系統(tǒng)一直是目前研究的難點和熱點之一[1]，目前人臉圖像檢測常采用活動外觀模型AAM[2]、局部判別分量分析[3]、局部二元模式[4]、方向梯度直方圖[5]和Gabor小波變換[6]等方法，而基于神經網絡的人臉圖像驗證在防止駕駛員的危險駕駛中的研究近幾年來有了較快發(fā)展[7]，為此本文采用RBF神經網絡方法來設計汽車危駕限制系統(tǒng).

1 汽車危駕限制系統(tǒng)結構

汽車危駕限制系統(tǒng)包括人臉攝像電路、紅外檢測器和系統(tǒng)控制電路等.其結構圖如圖1和圖2.采用人臉攝像電路進行危駕拍照，采用語音提示電路提醒駕駛員該做什么，采用系統(tǒng)控制電路對整個危駕檢測進行控制，最后決定是否啟動汽車點火系統(tǒng).紅外檢測器檢測人體血液中的酒精濃度[8]，其酒精檢測方法可參照文獻[9]，此處不再贅述.

圖1 汽車危駕檢測限制系統(tǒng)框圖

圖2 紅外檢測器

2 RBF神經網絡結構與原理

將駕駛員的人臉圖像特征數據值作為神經網絡的輸入[10-11]，由于與BP神經網絡相比，RBF神經網絡具有分類速度快等特點，因此采用RBF神經網絡[12].其結構如圖3所示，其隱層函數采用高斯函數為

(1)

其RBF神經網絡輸出為：

(2)

式(1)和(2)中，Ci為高斯函數中心[7]，w為隱層與輸出層之間的權重，σi為圍繞中心點的寬度，P為維度.

圖3 RBF神經網絡結構圖

3 實驗仿真

實驗選取MATLAB6.0進行仿真.用CCD 攝像頭來采集駕駛員危駕時的人臉圖像信息作為原始圖像，如駕駛員疲勞駕駛時的眼睛圖像，駕駛員的邊駕駛邊吃東西或說話時的口圖像和邊駕駛邊打手機時的耳朵圖像，且這些圖像是在光照略有變化、不同時間、不同表情、不同臉部細節(jié)下獲取的.其訓練集和測試集的每幅圖像為歸一化預處理后的96×96像素的灰度圖像[13]，如圖4.將這些圖像數據分為7組，每組樣本個數為30個，得到訓練輸入樣本和測試樣本共210個，其中訓練輸入樣本為70個，測試樣本為140個.

圖4 仿真中使用的3類危駕圖像的樣例

本文選用的神經網絡由1 層輸入層、1 層隱層和1 層輸出層組成的RBF神經網絡.輸入層的節(jié)點數為200個，輸出節(jié)點為1，根據參考文獻[14]，隱層節(jié)點為55，對網絡進行訓練，然后用測試樣本測試.其不同噪聲級別樣本圖像的識別率如表1 所示.

表1 不同噪聲級別樣本圖像的識別率

從表1可看出，隨著噪聲的增大，RBF神經網絡的識別率會越來越低，但其人臉圖像識別率仍可達95%以上.其得到的人臉圖像識別誤差曲線如圖5所示.

圖5 識別誤差曲線

從圖5可看出，隨著時間的增加，RBF神經網絡的收斂，其誤差越來越小，人臉圖像跟蹤識別效果較好.

為了驗證RBF神經網絡算法在人臉圖像識別上與其他算法的差異性，實驗對基于BP算法、CNN算法[15]、PCA算法[16]進行了比較，其結果如表2所示.

表2 不同算法在人臉圖像識別率的比較

從表2可看出，相比較其他人臉圖像檢測識別方法，只比CNN方法的識別率低，但CNN所要求的硬件電路和軟件復雜程度都高，因此采用RBF神經網絡方法，具有識別率高，結構簡單、成本低的特點.

4 結束語

由于神經網絡有可逼近任意連續(xù)有界非線性函數的能力，利用RBF神經網絡強大的分類能力和學習能力，建立人臉特征的非線性數學模型進行鑒別判斷，可使準確性達到95%以上.

對人臉采用圖像識別處理技術，在汽車啟動時不僅可以檢測駕駛員的酒駕是否同一個人，而且在汽車啟動后的行駛過程中，人臉攝像電路一直對駕駛員的人臉進行掃描拍照采樣，通過駕駛員的眼睛圖像判斷駕駛員是否在疲勞駕駛，通過駕駛員的口的圖像判斷其是否在邊駕駛邊吃東西或說話，通過耳朵的圖像判斷其是否在邊駕駛邊打手機.所以采用人臉攝像電路的專利，可限制酒駕，限制疲勞駕駛，限制邊駕駛邊打手機或邊駕駛邊吃東西等危駕行為.這些功能保證了駕駛員的安全.

[1]李曉靜, 劉書倫. 基于物聯網的嵌入式酒駕智能辨識系統(tǒng)[J].制造業(yè)自動化,2012,(34)11:33-36.

[2]FASEL B,LUETTIN J. Automatic facial expression analysis:A survey[J] . Pattern Recognition, 2003,36(1):259-275.

[3]GU Wenfei,XIANG Cheng,VENKATESH Y Vet al . Facial expression recognition using radial encoding of local Gabor features and classifier synthesis[J].Pattern Recognition, 2012,45(1):80-91.

[4]蔣斌，賈克斌.一種用于表情識別的局部判別分量分析算法[J].電子學報,2014,42(1)：155-159.

[5]WANG X, IN C, IU W et al. Feature fusion of hog and wed for facial expression recognition[C].IEEE/SICE International Symposium on System integration.2013:227-232.

[6]盧管明,石婉婉,李旭,等.基于LBP特征和稀疏表示的新生兒疼痛表情識別[J].南京郵電大學學報，2015,35(1)：19-25.

[7]葛春苑.基于神經網絡的人臉識別系統(tǒng)研究[D].濟南:山東師范大學,2011.

[8]蔡兵.一種汽車酒駕檢測限制裝置:中國[P].2015-10-07，http://epub.sipo.gov.cn.

[9]羅斯特.人體血液中酒精濃度近紅外光譜法無損檢測及關鍵技術[D].濟南：山東大學，2013.

[10] 陳志勇,彭力,張紀寬.基于全局與局部特征的嵌入式人臉識別系統(tǒng)[J].江南大學學報,2015,14(3)：305-309.

[11]王飛.基于主分量分析GA-BP神經網絡的人臉識別算法[J].中國科技西部,2015,14(6)：73-75.

[12]李康順,李凱,張文生.一種基于改進BP神經網絡的PCA人臉識別算法[J]. 計算機應用與軟件,20014,31(1)：158-161.

[13]Son Lam Phung. A Pyramidal Neural NETWORK For Visual Pattern[J].IEEE TRANSACTIONS ON NEURAL NETWORKS,18,2,2007.

[14]蔡 兵,王培元,胡榮玉.RBF網絡參數確定方法的研究[J].襄樊學院學報,2008,29(2)：69-71.

[15] 孫勁光,孟凡宇.基于深度神經網絡的特征加權融合人臉識別方法[J].計算機應用,2016,36(2)：437-443.

[16] TUHK M,ALEX P. Eigenfaces for recognition[J]. Journal of Cognitive Neuroscience,1991,3(2): 71-86.

(責任編輯:王前)

Study on Limited System of Illegally Driving Car Based on RBF Neural Network

CAI Bing1，JIN Xin1，JI Xiang-gong1，ZONG Zhen-hua2,CAO Yang3

(1.SchoolofPhysicsandElectronicEngineering,HubeiUniversityofArts&Science,Xiangyang,Hubei441053,China; 2.SchoolofMechanical&AutomotiveEngineering,HubeiUniversityofArts&Sciences,Xiangyang,Hubei441053,China; 3.HubeiTechSemiconductorsCo.Ltd,Xiangyang,Hubei441021,China)

In order to resolving illegally driving problem,illegally driving limit detection system is studied.This violation of driving restriction system including face detection circuit cameras,infrared detectors and system control circuit and other circuits.RBF neural network algorithm is introduced on the algorithm in detail.The simulation showed that the recognition rate is still more than 95%.Compared to other methods,the system has a simple structure and low cost.

RBF NN;Limited System of Illegally Driving Car;Infrared Detector

2016-06-21.

汽車零部件制造裝備數字化湖北省協(xié)同創(chuàng)新中心項目(hbuas201501).

蔡兵，男，湖北鐘祥人，教授.

A

1008-7974(2016)05-0001-03

10.13877/j.cnki.cn22-1284.2016.10.001