疲勞駕駛檢測技術(shù)研究

徐麗珍

摘 要：文中主要介紹了基于三類不同特征獲取的具有代表性的疲勞駕駛檢測的關鍵技術(shù)，然后詳細分析了基于眼部PERCLOS特征的疲勞檢測系統(tǒng)，最后提出基于視覺識別技術(shù)融合不同特征獲取具有非接觸性、實時性、簡便性的疲勞駕駛檢測技術(shù)是未來發(fā)展的方向。

關鍵詞：PERCLOS；疲勞駕駛檢測；Adaboost；實時性

中圖分類號：TP39；U471 文獻標識碼：A 文章編號：2095-1302（2017）04-00-02

0 引 言

隨著中國汽車數(shù)量日益增長，公路規(guī)模不斷擴大，交通安全事故頻發(fā)引起了越來越廣泛的關注。據(jù)統(tǒng)計，在各類交通事故中，疲勞駕駛導致事故的比例竟達到25%～30%[1]。因此，對疲勞駕駛的關鍵檢測技術(shù)進行研究，對于降低交通事故具有重要意義。

綜合國內(nèi)外研究現(xiàn)狀，疲勞駕駛檢測的關鍵技術(shù)主要是針對三種特征參數(shù)的獲取[2]。即疲勞駕車時車輛行駛的相關參數(shù)，駕駛員疲勞時的生理信號，駕駛員疲勞時表現(xiàn)出的外部特征信息。

1 車輛行為特征獲取

基于車輛行為特征獲取的疲勞檢測方法，可從駕駛員對車輛的操控情況間接判斷駕駛員是否處于疲勞狀態(tài)。該類方法采用線路跟蹤或結(jié)合駕駛車輛與前車距離等車輛行為表現(xiàn)出的狀態(tài)進行疲勞檢測。行駛車輛的狀態(tài)參數(shù)包括駕駛時間、行駛速度、行駛路線、方向盤轉(zhuǎn)角、相對道路偏移等。檢測系統(tǒng)主要通過傳感器獲取上述參數(shù)，基于單片機來判斷駕駛員的疲勞狀態(tài)。Jamal[3]等人采用基于視頻分析的方法對彎道以及夜間等復雜情況下車道檢測進行了研究。Bertozzi[4]等人利用道路幾何形態(tài)特征來分析判斷車輛運行情況，此方法能夠在平坦路面上檢測行駛方向。

上述方法應用較少的檢測設備，通過車輛行駛中固有的信息來進行疲勞判斷，且不會對駕駛員造成干擾，算法簡單。但由于受車型、路況以及天氣等多變的外在因素影響，疲勞檢測的準確度不高，且其抗干擾性、適應性較差。比如車道偏離，報警系統(tǒng)檢測駕駛員疲勞狀況，只有在車道邊沿有白色標志線的高速路段和城區(qū)路段才能使用。

2 駕駛員生理特征的獲取

獲取駕駛員生理特征用于疲勞檢測的方法是通過在車內(nèi)架設相應設備，準確獲取駕駛員的相關生理參數(shù)，主要包含腦電圖（EEG）、心電圖（ECG）、肌電圖（EMG）[5]等，系統(tǒng)根據(jù)相應參數(shù)變化情況來判斷駕駛員是否產(chǎn)生疲勞。

基于精密的電子儀器設備，將頭皮上腦部的電位變化信號放大，并詳細記錄，獲得腦電圖。腦電圖被稱為是測量瞌睡的“金標準”，根據(jù)腦電圖可以比較容易的判斷駕駛員是否處于疲勞狀態(tài)。腦電圖共有α、β、θ、δ四個波段，用來反映大腦不同的狀態(tài)，疲勞早期，腦電圖中θ、δ波形變換不大，在疲勞和極度疲勞階段，θ、δ以及α波的變化都會加深。當β波有變化時則往往是從疲勞狀態(tài)逐步恢復清醒。腦電圖（EEG）根據(jù)各波段的幅度變化情況來判斷駕駛員的疲勞程度，因此在使用EEG檢測疲勞時，波譜的提取以及分類情況對識別效果有很大影響，目前研究的熱點主要是對波段數(shù)據(jù)的特征提取以及分類。例如使用小波分析提取EEG數(shù)據(jù)特征；使用多類支持向量機對EEG數(shù)據(jù)進行分類；分析支持向量機對EEG疲勞檢測分類的重要性以及可行性等。EEG信號檢測具有較高的可靠性和很好的靈敏度，其抗干擾性也很強，但缺點是成本高、結(jié)構(gòu)復雜、可擴展性較差。

心電圖（ECG）利用心電圖儀器測出波形圖，根據(jù)心跳變化情況判斷疲勞狀況。研究基于心電圖的疲勞監(jiān)測系統(tǒng)將心電圖儀器放置在方向盤內(nèi)，實時獲取ECG數(shù)據(jù)，對信號放大、濾波，得出心跳率并通過圖形方式顯示，根據(jù)心跳率數(shù)據(jù)判斷駕駛員是否產(chǎn)生疲勞。焦昆等人通過研究心率變異性與血壓變異性的功率譜分析，綜合評價駕駛員的精神疲勞程度。疲勞前后心電信號的時域、頻域及非線性特征可以作為疲勞檢測的指標之一。

肌電圖（EMG）則通過貼于肌肉表面的電極記錄肌電信號，肌電信號的頻率和幅值都與疲勞程度有關，適合在線駕駛疲勞的監(jiān)測，目前尚無實用的方法。

對于上述基于駕駛員生理參數(shù)的疲勞檢測技術(shù)，其準確性與生理參數(shù)檢測儀器有較大關系，比較客觀。同時測量一般都需要相應的設備，并且多為接觸式的檢查方法，多少會給駕駛員帶來不便甚至干擾。針對該問題，可以考慮改進檢測設備，通過自主開發(fā)的硬件檢測系統(tǒng)檢測出相應數(shù)據(jù)，進一步推動集實用性和實時性為一體的基于駕駛員生理特征的疲勞檢測系統(tǒng)。

3 駕駛員外部特征提取

此類外部特征提取方法一般采用視覺識別方法判斷駕駛員在疲勞狀態(tài)時的臉部物理反應特征，如當處于疲勞駕駛狀態(tài)時，駕駛者大多有眼睛閉合，頻繁打哈欠，頻繁低頭等特征變化。這些變化特征都為駕駛疲勞監(jiān)測提供線索，容易形成實用化的監(jiān)測技術(shù)。因此，通過計算機視覺方法，采用圖像識別技術(shù)，獲取判斷駕駛員臉部特征并給出響應的預警信息，是當前疲勞駕駛檢測研究的熱點。

根據(jù)獲取臉部特征的不同，基于駕駛員外部特征提取的疲勞檢測主要包括基于眼部特征的疲勞駕駛監(jiān)測；基于唇部特征的疲勞駕駛監(jiān)測；基于眼部和唇部特征融合的疲勞駕駛監(jiān)測；基于各種臉部特征融合的疲勞駕駛監(jiān)測。經(jīng)過實驗證明，在實際應用中，基于眼部特征檢測的PERCLOS[6]是最為有效的物理指標特征，在很多實驗中證明，任何其他臉部物理特征中只要融合眼部PERCLOS特征，就能輕微提高檢測實驗的正確率，因此，基于PERCLOS特征的疲勞駕駛檢測是今后研究的主要趨勢?；谘鄄縋ERCLOS特征的疲勞檢測系統(tǒng)流程圖如圖1所示。

系統(tǒng)中的圖像預處理模塊主要是將從攝像頭獲得的臉部圖像進行灰度化，然后進行直方圖均衡化處理。

人臉檢測模塊一般采用目前相對成熟的基于haar-like[7]特征的Adaboost[8]級聯(lián)分類器算法。haar-like特征最早是由Papageorigiou等人用于人臉描述，目前常用的是線性特征、邊緣特征、點特征（中心特征）、對角線特征。haar-like特征圖如圖2所示。

每一種特征都是黑色填充區(qū)域的像素值之和與白色填充區(qū)域的像素值之和的差值。而計算出來的差值就是所謂的Haar-like特征的特征值。大量實驗證明，Haar-like特征能很好的反映駕駛員臉部的水平、傾斜、垂直邊緣，有效對目標進行檢測區(qū)別。

Adaboost算法是一種分類器算法，其基本思想是利用大量的分類能力將一般的簡單分類器通過一定的方法疊加起來，構(gòu)成一個分類能力更好的強分類器，再將若干強分類器串聯(lián)成為級聯(lián)分類器（cascadeclassifier），獲得符合期望的分類器。

將人臉的特征變化用特征向量的形式表示后，就可以采用模式識別方法或直接運用疲勞標準判斷駕駛疲勞的狀態(tài)，即由面部特征的變化，如是否打哈欠及其頻率、眨眼頻率、眼睛閉合時間等來確定駕駛員是否處于駕駛疲勞狀態(tài)，最后給出駕駛疲勞的預警。疲勞狀態(tài)判斷模塊中基于眼睛睜閉特征來檢測疲勞程度的PERCLOS方法是當前最為常用、最有效的方法。

PERCLOS法是指眼睛閉合時間占某一特定時間的百分率，PERCLOS法測量原理如圖3所示。開展眼部閉合的研究通常有三種標準，即眼睛閉合70%，80%和完全閉合，其中以80%標準的效果最好。研究結(jié)果表明，PERCLOS可以反應緩慢的眼皮閉合而非快速眨眼，有效反應精神的疲勞狀態(tài)。

對于上述基于駕駛員外部特征提取的疲勞檢測，其非接觸性可大大減少對駕駛員的干擾。如果將疲勞檢測系統(tǒng)嵌入智能手機，利用手機前置攝像頭獲取駕駛員臉部特征，則可方便獲得準確度高的檢測結(jié)果，且通用性較好。缺點是容易受到光線以及駕駛員個體因素的影響。

4 結(jié) 語

針對上述基于駕駛員自身特征的疲勞檢測方法和對基于車輛行為的疲勞檢測方法，由于駕駛環(huán)境差異以及從駕駛舒適度的角度來說，目前基于視覺識別疲勞的檢測方法比基于駕駛生理參數(shù)的方法更受關注。疲勞檢測研究取得了突破性進展，但目前仍然存在一些有待解決的問題，如采用單一種類算法的檢測方法已難以取得進一步突破，而且直接提取的表面特征數(shù)據(jù)類型有限且冗余。因此除了用先進的信號處理方法提取最能表征疲勞的特征參數(shù)之外，還要采用多種算法融合，多種信息融合的方法，將多個疲勞特征參數(shù)結(jié)合起來以對駕駛員的疲勞狀況進行檢測，克服空間、光照等影響，提高檢測算法的實時性及準確度。

同時疲勞檢測從模擬駕駛走向真實環(huán)境就必須考慮檢測設備的性價比。在不干擾駕駛員駕駛行為的基礎上，低廉、有效、便攜的基于智能手機的疲勞駕駛監(jiān)測系統(tǒng)是今后研究的重點。系統(tǒng)將會克服駕駛員個體差異與駕駛環(huán)境差異，對提高檢測的實時性、準確性、魯棒性提出了更高的要求。

參考文獻

[1]公安部交通管理局.中華人民共和國道路交通管理年報（2000—2011）[R].公安部交通管理局，2001-2011.

[2] Ivan G Daza，Luis M Bergasa，Sebastian Bronte，et al.Fusion of Optimized Indicatorsfrom Advanced Driver Assistance Systems（ADAS）for Driver Drowsiness Detection[J].Sensors，2014，14（1）：1106-1131.

[3]王奕直，周凌霄，孔萬增.基于Adaboost的疲勞駕駛眨眼檢測[J].杭州電子科技大學學報，2013（4）：35-38.

[4]柳露艷.駕駛員疲勞駕駛檢測系統(tǒng)的研究與實現(xiàn)[D].上海：東華大學，2014.

[5]李立凌.基于人眼定位技術(shù)的疲勞駕駛檢測方法[D].成都：電子科技大學，2012.

[6]肖怡晨.駕駛狀態(tài)監(jiān)測技術(shù)研究[D].南京：南京理工大學，2014.

[7]劉金金，林慶.基于多參數(shù)的駕駛員疲勞檢測系統(tǒng)[J].無線通信技術(shù)，2014，23（2）：47-51.

[8]鞏曉倩，蒲亦非，楊智勇，等.基于有限狀態(tài)自動機的人眼開度PERCLOS實現(xiàn)算法[J].計算機應用研究，2014，31（1）：307-310.