基于極限學(xué)習(xí)機(jī)面部識(shí)別的疲勞駕駛監(jiān)測(cè)方法的研究

趙旭陽(yáng)，王宇豪

（吉林大學(xué) 汽車工程學(xué)院，吉林 長(zhǎng)春 130022）

調(diào)查數(shù)據(jù)顯示，在導(dǎo)致交通事故的因素中，疲勞駕駛引發(fā)的事故數(shù)量占49%，是所有因素的首位。因此，研究疲勞駕駛監(jiān)測(cè)系統(tǒng)對(duì)交通安全問(wèn)題的改善具有重大意義。通過(guò)生理信號(hào)來(lái)判斷被測(cè)對(duì)象的疲勞狀態(tài)有多種方法。而通過(guò)人臉識(shí)別技術(shù)來(lái)提取駕駛員的眼部動(dòng)作信息來(lái)判斷其生理狀況是一種較為有效的方法。人臉識(shí)別主要分為兩個(gè)步驟：即特征提取和模式識(shí)別。為提高系統(tǒng)的訓(xùn)練速度與精度，本文引入了一種極限學(xué)習(xí)機(jī)算法，并將其運(yùn)用到建立的識(shí)別系統(tǒng)中。

1 方法

1.1 圖像預(yù)處理

所有的二維圖像都可以用一個(gè)二維函數(shù)f(x,y)唯一、確定地表示。其中，x,y是空間坐標(biāo)，而每一對(duì)(x,y)所對(duì)應(yīng)的f函數(shù)的函數(shù)值稱作為這個(gè)圖形點(diǎn)的灰度值。目的就是使圖像對(duì)于人和機(jī)器的視覺系統(tǒng)辨識(shí)度更高。

彩色圖像處理分為兩個(gè)主要步驟：全彩處理和假色處理。全彩處理中，圖像是由全彩傳感器獲取得到。假色處理的主要問(wèn)題是如何對(duì)一個(gè)顏色分配一個(gè)特定強(qiáng)度的假色。數(shù)字圖像處理在實(shí)踐中最常用的是三原色（紅綠藍(lán)）顏色模型。

根據(jù)給定的彩色圖像的三原色原則，任意顏色的灰色變換都可以使用此三個(gè)原色進(jìn)行混合得到，過(guò)程可采用如下的方程：

F=r×R+g×G+b×B（r,g,b的值分別是三原色混合系數(shù)）。

而后對(duì)圖像進(jìn)行二值化處理。圖像二值化是從灰度圖像轉(zhuǎn)換為二進(jìn)制圖像的過(guò)程。我們引入閾值，它在不損失圖像信息的情況下將256級(jí)圖像轉(zhuǎn)換2級(jí)圖像。所有像素中高于閾值的點(diǎn)為白，其余為黑。

1.2 人臉檢測(cè)與人眼定位

在本文中，我們引入KLT(Kanade-Lucas-Tomasi)算法進(jìn)行人臉檢測(cè)。KLT算法首先從初始圖像或框架中篩選出特征點(diǎn)進(jìn)行跟蹤，而后跟蹤下一幀圖像的特征。KLT算法的具體步驟在后面的框圖中有所體現(xiàn)。人眼定位的基本原理是利用眼睛在外觀和形狀上與臉部其它部位的差異將人眼從圖像中分辨出來(lái)。而圖像邊緣檢測(cè)是一種常用方法，步驟為：先對(duì)圖像進(jìn)行平滑處理，即在不破壞邊緣的情況下，對(duì)圖像進(jìn)行降噪處理；應(yīng)用增強(qiáng)濾波器確定哪些噪聲應(yīng)該保留,以確定邊緣的確切位置。邊緣位置可利用Sobel邊檢測(cè)器確定。此檢測(cè)器由nm的卷積核圖組成，反映了在水平、豎直方向強(qiáng)度的偏導(dǎo)數(shù)，以表示不同測(cè)量方向上的梯度。

在得到了預(yù)估的眼睛區(qū)域之后，我們使用積分投影找到打開和關(guān)閉眼睛的程度。在得到眼部的灰度圖并對(duì)灰度值進(jìn)行標(biāo)準(zhǔn)化之后，我們使用歸一化圖像強(qiáng)度值得到集成的圖像。而后得到眼部圖像的最低與最高點(diǎn)，即可鎖定眼部的位置。

1.3 疲勞監(jiān)測(cè)與極限學(xué)習(xí)機(jī)

在監(jiān)測(cè)疲勞的眼部特征參量中，我們根據(jù)測(cè)得的眼睛開閉的時(shí)間長(zhǎng)度值可算得的有：眨眼頻率、眼睛睜開和關(guān)閉時(shí)間。之后，我們引入極限學(xué)習(xí)機(jī)算法構(gòu)建系統(tǒng)，以求利用這些特征參量實(shí)現(xiàn)對(duì)測(cè)試對(duì)象的疲勞駕駛狀態(tài)進(jìn)行監(jiān)測(cè)。在構(gòu)建初始數(shù)據(jù)庫(kù)時(shí)，我們用PVT實(shí)驗(yàn)得到被測(cè)對(duì)象的疲勞反應(yīng)時(shí)作為判定其疲勞狀態(tài)的預(yù)判指標(biāo)。

為了構(gòu)建和訓(xùn)練此系統(tǒng)并得到最終結(jié)果，我們引入了三個(gè)算法，即極限學(xué)習(xí)機(jī)算法、訓(xùn)練集算法和檢測(cè)算法。其步驟（檢測(cè)算法略）分別如圖1所示。

此系統(tǒng)特征參數(shù)的提取和疲勞檢測(cè)的流程如圖2。

圖1 算法步驟

圖2 特征參數(shù)提取和疲勞檢測(cè)流程圖

圖3 處理速度比較

從此流程圖中可見：為判斷檢測(cè)對(duì)象的疲勞程度，我們利用眨眼頻率和眼睛開閉時(shí)間作為判斷的特征指標(biāo)。先通過(guò)圖像提取和計(jì)算特征值，之后利用隊(duì)列將算得的數(shù)據(jù)值放入，當(dāng)新參數(shù)值被不斷加入時(shí)，舊參數(shù)值會(huì)彈出，隊(duì)列中始終保持定量的數(shù)據(jù)值，實(shí)現(xiàn)實(shí)時(shí)檢測(cè)。

2 樣本分析與結(jié)論

在本文中，我們建立了兩套算法代碼（訓(xùn)練代碼及檢測(cè)代碼）。我們根據(jù)PVT預(yù)判實(shí)驗(yàn)結(jié)果將樣本分為兩類，這兩類樣本在訓(xùn)練代碼程序中對(duì)極限學(xué)習(xí)機(jī)系統(tǒng)進(jìn)行訓(xùn)練，之后在檢測(cè)代碼程序中進(jìn)行對(duì)另一組樣本的預(yù)測(cè)與準(zhǔn)確度檢驗(yàn)。實(shí)驗(yàn)結(jié)果顯示：隨著樣本量的增多，不斷進(jìn)行迭代與系統(tǒng)的訓(xùn)練，整個(gè)系統(tǒng)的預(yù)測(cè)準(zhǔn)確率得以提高。在將極限學(xué)習(xí)機(jī)和其他算法進(jìn)行比較時(shí)，我們發(fā)現(xiàn)：對(duì)于相同樣本量的數(shù)據(jù)，選用極限學(xué)習(xí)機(jī)構(gòu)建系統(tǒng)處理數(shù)據(jù)的速度是基于支持向量機(jī)構(gòu)建系統(tǒng)處理數(shù)據(jù)的速度5倍以上，如圖3。

參考文獻(xiàn)：

[1]賈李楠．疲勞駕駛檢測(cè)算法的研究與開發(fā)[D]．北京工業(yè)大學(xué),2016．

[2]Diallo Abdourahamane．采用ELM的基于眼部狀態(tài)的駕駛員疲勞檢測(cè)方法的研究[D]．東北大學(xué),2014．

[3]牛清寧．基于信息融合的疲勞駕駛檢測(cè)方法研究[D]．吉林大學(xué),2014．

[4]詹紅梅．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)[J]．電子測(cè)試,2016,(17):84-85．