基于人工智能的疲勞駕駛檢測(cè)中人臉檢測(cè)技術(shù)研究

王旬

【摘 要】疲勞駕駛是危害交通安全的重要因素，將人工智能應(yīng)用于疲勞駕駛檢測(cè)中，通過(guò)攝像頭監(jiān)測(cè)駕駛?cè)四槻?，采用圖像識(shí)別技術(shù)判斷是否發(fā)生疲勞駕駛，從而達(dá)到預(yù)防疲勞駕駛的目的。基于人工智能的疲勞駕駛檢測(cè)中，圖像識(shí)別的第一步為人臉檢測(cè)，本文采用基于膚色分割算法的人臉檢測(cè)技術(shù)，在研究算法原理的基礎(chǔ)上進(jìn)行算法的MATLAB仿真，結(jié)果表明，該算法復(fù)雜度小，檢測(cè)效果好，適用于基于人工智能的疲勞駕駛檢測(cè)中。

【關(guān)鍵詞】人工智能；疲勞駕駛檢測(cè)；人臉檢測(cè)；膚色分割

中圖分類(lèi)號(hào)： R741.044；TP18 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 2095-2457（2018）25-0049-002

DOI：10.19694/j.cnki.issn2095-2457.2018.25.021

【Abstract】Fatigue driving is greatly harmful to traffic safety.If we can apply artificial intelligence to fatigue driving detection，which uses camera to monitor face of driver to detect whether he/she is tired by face image identification，we can prevent fatigue driving.The first step of image identification in fatigue driving detection is face detection.We use skin segmentation algorithm to do face detecting.After studying the theory of the algorithm，we have done the simulation through MATLAB tools.The results shows that the complexity of the algorithm is small and the detection is successful.The algorithm is suitable for fatigue driving detection.

【Key words】Artificial Intelligence；Fatigue Driving Detection；Face Detection；Skin Segmentation

0 引言

據(jù)調(diào)查，疲勞駕駛是引發(fā)重大交通事故的常見(jiàn)原因。疲勞駕駛時(shí)，人眼會(huì)頻繁閉合，嘴部會(huì)頻繁張開(kāi)打呵欠?？梢酝ㄟ^(guò)人工智能的機(jī)器視覺(jué)監(jiān)測(cè)駕駛員的面部狀態(tài)，識(shí)別人臉的閉眼和張嘴狀態(tài)，根據(jù)一定的準(zhǔn)則判斷是否為疲勞駕駛。發(fā)現(xiàn)疲勞駕駛時(shí)，系統(tǒng)發(fā)出告警信息，從而使駕駛員有較為充足的反應(yīng)時(shí)間，達(dá)到預(yù)防疲勞駕駛規(guī)避交通事故的目的。利用人工智能技術(shù)規(guī)避疲勞駕駛，減小交通事故發(fā)生的幾率，是人工智能一個(gè)非常有意義的應(yīng)用方向。

疲勞駕駛檢測(cè)的研究已有多年，早期的技術(shù)基于駕駛員生理參數(shù)的檢測(cè)，這些檢測(cè)方法需要與人體接觸，設(shè)備昂貴且不適用于實(shí)時(shí)檢測(cè)?；谌斯ぶ悄艿臋z測(cè)方法屬于間接檢測(cè)，不需要接觸人體，不影響駕駛的舒適性，可以實(shí)現(xiàn)實(shí)時(shí)檢測(cè)。

本文針對(duì)基于人工智能的疲勞駕駛檢測(cè)中的人臉檢測(cè)技術(shù)進(jìn)行研究，采用基于膚色分割的算法，通過(guò)MATLAB仿真驗(yàn)證算法的正確性，從而為疲勞駕駛檢測(cè)的進(jìn)一步實(shí)現(xiàn)奠定基礎(chǔ)。

1 疲勞駕駛檢測(cè)流程

基于人工智能的疲勞駕駛首先使用攝像頭對(duì)準(zhǔn)駕駛員面部，獲取駕駛員人臉圖像，然后對(duì)視頻圖像進(jìn)行分幀處理，對(duì)每幀圖像逐一進(jìn)行人臉檢測(cè)、人眼定位及閉眼檢測(cè)，最后計(jì)算一分鐘內(nèi)的PERCLOS（Percentage of Eyelid Closure Over the Pupil Time）值，PERCLOS是指在一定時(shí)間內(nèi)，眼睛閉合所占限定時(shí)間的比例，采用分幀處理的方法中，PERCLOS值可以通過(guò)（1）式來(lái)計(jì)算，最后判斷PERCLOS值是否大于閾值，大于閾值則判定為疲勞駕駛，系統(tǒng)發(fā)出告警信號(hào)。

從檢測(cè)流程可以看出，人臉檢測(cè)算法非常關(guān)鍵，關(guān)系到后續(xù)步驟能否正確實(shí)現(xiàn)，因此，選擇一種準(zhǔn)確度和效率都高的人臉檢測(cè)算法是順利實(shí)現(xiàn)疲勞駕駛檢測(cè)的第一步。

PERCLOS=×100%（1）

2 人臉檢測(cè)

人臉檢測(cè)是在一幅圖片中將人臉的位置與大小檢測(cè)出來(lái)，從而縮小后續(xù)工作的搜索區(qū)域，減小計(jì)算量，是所有后續(xù)工作的基礎(chǔ)。人臉檢測(cè)方法有很多種，常用的有：膚色分割算法、模板匹配法、支持向量機(jī)法、橢圓擬合算法、神經(jīng)網(wǎng)絡(luò)法、Adaboost算法等。考慮到算法復(fù)雜性和系統(tǒng)實(shí)時(shí)性的要求，本文采用膚色分割算法來(lái)進(jìn)行人臉檢測(cè)。

2.1 高斯膚色模型

人臉膚色較特別，圖像背景中與膚色相同的事物較少，所以容易識(shí)別出來(lái)。而且膚色信息與臉部表情、位置變化無(wú)關(guān)，穩(wěn)定性好。利用膚色進(jìn)行人臉檢測(cè)的原理如下：計(jì)算機(jī)色彩理論中，YCbCr空間將亮度信息Y與藍(lán)色色度信息Cb和紅色色度信息Cr分離，可以將引起膚色不同的亮度信息去除，在剩下的穩(wěn)定的色度空間中不同的膚色分布具有聚類(lèi)性，因此可以根據(jù)這種聚類(lèi)性將人臉從背景中分割出來(lái)。

首先需要建立膚色模型，常用的方法有：通過(guò)概率論的知識(shí)計(jì)算出圖形中像素點(diǎn)與膚色的相似程度，或者通過(guò)查找表的方法找出圖像中哪些像素點(diǎn)屬于膚色。這就需要前期對(duì)大量人臉圖像的膚色像素進(jìn)行統(tǒng)計(jì)分析，確定一個(gè)閾值，再將待檢測(cè)圖像的像素與閾值進(jìn)行計(jì)算或者比較，得出結(jié)論。

本文采用的膚色模型為高斯模型，通過(guò)計(jì)算人臉圖像像素的概率值，經(jīng)統(tǒng)計(jì)學(xué)分析得出膚色像素樣本的概率服從高斯分布，從而得到樣本像素的膚色相似度計(jì)算函數(shù)：

P（Cr，Cb）=e（2）

這個(gè)值表征一個(gè)像素點(diǎn)是膚色的概率，其中，x=[Cb，Cr]T是樣本像素點(diǎn)在YCbCr空間的值，M=E（x）為膚色在YCbCr空間的樣本均值，C=E（（x-M）（x-MT）T）為膚色相似度模型的方差矩陣。M和C的統(tǒng)計(jì)特征值是通過(guò)大量采集膚色樣本圖像經(jīng)過(guò)統(tǒng)計(jì)計(jì)算得出的，一般為：

M=[117.4361，156.5599]T（3）

C=160.1301，12.123012.1430，299.4574（4）

2.2 膚色分割算法流程及仿真結(jié)果

算法流程如圖1所示，首先將光線補(bǔ)償后的人臉圖片的RGB值轉(zhuǎn)換為對(duì)應(yīng)的YCbCr值，再依次將每個(gè)像素點(diǎn)的Cb，Cr值代入（2）式計(jì)算出其膚色相似度值，為了方便后續(xù)處理，再將每個(gè)像素點(diǎn)的相似度值進(jìn)行歸一化處理，歸一化處理以后的相似度值域會(huì)落入[0，1]之間；然后選擇合適的閾值對(duì)圖像進(jìn)行二值化，即膚色區(qū)域其值賦為1，非膚色區(qū)域其值賦為0，進(jìn)而方便后續(xù)進(jìn)行水平和垂直方向性的直方圖統(tǒng)計(jì)，顯然膚色區(qū)域的直方圖值會(huì)大于非膚色區(qū)域，從而得出人臉的區(qū)域。

在這一過(guò)程中，有一個(gè)關(guān)鍵的環(huán)節(jié)就是選取合適的閾值，關(guān)系到是否會(huì)發(fā)生誤判最終影響檢測(cè)效果。較好的選擇最佳閾值的方法需要根據(jù)具體的圖片來(lái)確定，研究表明，如果選擇的閾值剛大于最佳閾值，會(huì)使得膚色區(qū)域減小而非膚色區(qū)域大量增加，因此可以動(dòng)態(tài)地來(lái)確定最佳閾值，編程實(shí)現(xiàn)時(shí)，將閾值設(shè)定在[0.6，0.1]區(qū)間內(nèi)，每次以0.05的步進(jìn)減小，每改變一次閾值就統(tǒng)計(jì)一次膚色像素的數(shù)量，當(dāng)膚色像素?cái)?shù)量變化最小時(shí)的那個(gè)閾值就是最佳閾值，根據(jù)每幅圖像動(dòng)態(tài)地選取最佳閾值，人臉?lè)指钚Ч^好。仿真結(jié)果如圖2所示，結(jié)果表明采用本算法可以成功從圖片中提取出人臉區(qū)域。

3 小結(jié)

隨著人工智能技術(shù)的發(fā)展，其應(yīng)用給我們的生活帶來(lái)了巨大的便利，將人工智能應(yīng)用于疲勞駕駛檢測(cè)領(lǐng)域，可以大大改善行車(chē)安全性能，助力智慧交通。本文所研究的膚色分割算法人臉檢測(cè)技術(shù)是基于人工智能的疲勞駕駛檢測(cè)的關(guān)鍵一步，其檢測(cè)性能的優(yōu)劣直接關(guān)系到疲勞駕駛檢測(cè)的性能，仿真結(jié)果表明，采用膚色分割算法的人臉檢測(cè)技術(shù)，運(yùn)算量較小，人臉檢測(cè)效果較好，是比較適合疲勞駕駛檢測(cè)技術(shù)的一種人臉檢測(cè)算法。

【參考文獻(xiàn)】

[1]周云鵬.基于面部視覺(jué)多特征融合的駕駛員疲勞檢測(cè)方法研究[D].長(zhǎng)沙：湖南大學(xué)，2015.4

[2]蘇曉娜，李曉明.人臉檢測(cè)及眼睛定位在駕駛員疲勞檢測(cè)中的應(yīng)用[J].科學(xué)技術(shù)與工程，2012，17（12）：183-186.

[3]葛如海，陳彥博，劉志強(qiáng).基于計(jì)算機(jī)視覺(jué)的駕駛疲勞識(shí)別方法的研究.中國(guó)安全科學(xué)學(xué)報(bào)，2006，16（9）：134-137

[4]李剛，高政，人臉自動(dòng)識(shí)別方法綜述[J].計(jì)算機(jī)應(yīng)用研究，2003：20（8）：4-9.

[5]田欣.基于不同色彩空間的膚色模型[J].西安科技學(xué)院學(xué)報(bào).2001，12（4）：369-371.