一種基于列車司機在途疲勞狀態(tài)檢測及預(yù)警的方法

摘? 要：針對列車司機膚色與背景圖的聚類分布特性較好分離，而且具備高斯兩維獨立分布，可將列車司機圖像分布區(qū)域與列車駕駛室內(nèi)部背景圖很好地分開，將列車司機的頭部信息，作為人臉檢測定位算法的原始訓(xùn)練集。反復(fù)修改訓(xùn)練列車司機圖像數(shù)據(jù)的權(quán)值分布，最終將背景圖像剔除掉，得到列車司機的人臉圖像。確認(rèn)人臉區(qū)域后進一步確認(rèn)眼睛位置，實現(xiàn)級聯(lián)結(jié)構(gòu)增強的定位識別，在利用眼睛狀態(tài)判定時，則用眼部和嘴部的融合狀態(tài)判斷駕駛員是否疲勞，相對提高了疲勞判斷的全面性和準(zhǔn)確性。

關(guān)鍵詞：疲勞駕駛;智能聯(lián)動檢測;眼睛狀態(tài)判斷;人臉檢測率

中圖分類號：TP391.4? ? ? ? ? ? ? ? ?文獻標(biāo)識碼：A文章編號：2096-4706（2021）20-0098-05

A Method of Detection and Early Warning Based on the Transit Fatigue

State of Train Driver

JIANG Yuelong

（Guangzhou Railway Polytechnic， Guangzhou 510430， China）

Abstract： For the clustering distribution characteristics of the train drivers skin color and the background image is easy to separate， and has Gaussian two-dimensional independent distribution. The distribution area of the train drivers image can be well separated from the background image inside the train cab. The head information of the train driver is used as the original training set of the face detection and location algorithm. Repeatedly modify and train the weight distribution of the data of the train driver image， and the background image is removed finally to get the face image of the train driver. After confirming the face area， further confirm the eye position to realize the location recognition enhanced by the cascade structure. When determining through the eye state， the fusion state of eye and mouth is used to judge whether the driver is tired， it relatively improves the comprehensiveness and accuracy of fatigue judgment.

Keywords： fatigue driving; intelligent linkage detection; judgment of eye state; face detection rate

0? 引? 言

在軌道交通運營過程中，由于整個城市軌道交通系統(tǒng)是錯綜復(fù)雜的，在列車行駛過程中如出現(xiàn)任何故障都會造成一定損失，為了有效地保障軌道交通運營的穩(wěn)定性與可持續(xù)性，需要開展地鐵列車司機的駕駛風(fēng)險監(jiān)督防護措施和維保工作，以提高列車行駛安全。雖然采用人工智能技術(shù)與計算機系統(tǒng)作為輔助，但作為高速軌道列車運行的直接指揮和操控崗位行車人員在工作過程中需要精力高度集中，這也將導(dǎo)致列車司機在駕駛列車過程中發(fā)生司機注意力不集中、打瞌睡等狀況時，極易產(chǎn)生工作疲勞，容易造成安全事故[1]。操控崗位行車人員的工作行為、精神狀態(tài)需要對列車司機或者行車人員的工作狀態(tài)，如工作是否疲勞、有無錯誤操作。列車司機駕駛過程中司機狀態(tài)檢測、司機室內(nèi)環(huán)境變化的監(jiān)控，如濕度、溫度、煙霧濃度等進行實時監(jiān)測，將直接影響到軌道列車行車過程。

因此，在列車行駛過程中，需要對列車司機駕駛工作狀態(tài)及列車駕駛室內(nèi)的環(huán)境進行實時監(jiān)測和管理，以避免列車運行事故的發(fā)生[2]。

1? 列車在途狀態(tài)智能聯(lián)動檢測系統(tǒng)

列車在途狀態(tài)智能聯(lián)動檢測系統(tǒng)在司機室內(nèi)安裝有高清攝像頭以及環(huán)境檢測系統(tǒng)，對司機狀態(tài)以及司機室內(nèi)環(huán)境數(shù)據(jù)進行采集，并將數(shù)據(jù)實時傳送到監(jiān)控中心。后臺服務(wù)器會對傳輸數(shù)據(jù)進行數(shù)據(jù)分析，判斷司機的實時狀態(tài)，如果在駕駛過程中，司機如果出現(xiàn)疲勞，注意力不集中狀態(tài)，系統(tǒng)會對正在駕駛的司機進行語言提醒，同時在監(jiān)控中心內(nèi)也會顯示司機的狀態(tài)情況，而另外，司機室內(nèi)環(huán)境狀況也是至關(guān)重要的，系統(tǒng)也會將駕駛室內(nèi)的環(huán)境狀況數(shù)據(jù)傳輸?shù)奖O(jiān)控中心，并實時顯示。該系統(tǒng)的遠(yuǎn)程監(jiān)視監(jiān)控工作人員可以實時獲得在線軌道列車的運行狀態(tài)以及司機是否疲勞狀態(tài)，同時，列車在運行過程中發(fā)生任何情況，可立即獲知該列車的信息，包括列車司機的疲勞狀態(tài)以及列車行駛狀況[3]。本文一種列車司機在途疲勞狀態(tài)檢測及預(yù)警的方法，主要有四個部分組成：實時獲取在線地鐵列車運行狀態(tài)、實時獲取在線地鐵列車環(huán)境數(shù)據(jù)、車地?zé)o線通信系統(tǒng)、列車在途狀態(tài)展示。如圖1所示。

列車司機在途疲勞狀態(tài)檢測與遠(yuǎn)程監(jiān)控主要實現(xiàn)以下幾個功能：

（1）實時獲取列車在途運行狀態(tài)：當(dāng)列車在行使過程中通過該系統(tǒng)在司機處于疲勞狀態(tài)智能檢測過程中，利用列車數(shù)據(jù)采集裝置模塊將每個列車廂中各個設(shè)備的數(shù)據(jù)，如車輛狀態(tài)數(shù)據(jù)、列車設(shè)備數(shù)據(jù)、列車故障信息、列車司機精神狀態(tài)數(shù)據(jù)等匯聚上傳地面列車狀態(tài)到遠(yuǎn)程監(jiān)視中心人員。該遠(yuǎn)程監(jiān)視中心人員可以在監(jiān)控室實時獲知在線地鐵列車的運行狀態(tài)，列車在運行過程中如果發(fā)生了任何地點、任何維修故障。

（2）車地?zé)o線通信系統(tǒng)：該系統(tǒng)主要包括5G通信傳輸模塊、車載主控模塊、信號系統(tǒng)數(shù)據(jù)采集模塊，實現(xiàn)信號系統(tǒng)及車輛數(shù)據(jù)轉(zhuǎn)發(fā)功能。

（3）實時獲取在線地鐵列車環(huán)境數(shù)據(jù)：列車在途狀態(tài)智能聯(lián)動檢測系統(tǒng)在駕駛室內(nèi)安裝高清攝像頭以及環(huán)境檢測系統(tǒng)，對司機狀態(tài)及環(huán)境數(shù)據(jù)進行采集，并將數(shù)據(jù)實時傳送至監(jiān)控中心。

2? 列車司機狀態(tài)監(jiān)測軟件算法

列車司機狀態(tài)監(jiān)測軟件算法主要基于非接觸式監(jiān)測方法，適應(yīng)性強的人工智能的視覺分析技術(shù)，由于城市軌道列車在行駛過程中路況比較復(fù)雜，如高架、地面、隧道等路況，采集司機面部光線比較復(fù)雜，而且采集到司機人臉信息還有明顯黑暗差異，所以跟蹤分析列車司機的眼睛狀態(tài)來分析司機疲勞程度是關(guān)鍵。圖2是列車司機疲勞狀態(tài)監(jiān)測算法流程圖。

本文主要算法由3個部分組成：

（1）列車司機的圖像濾波降噪處理和光照補償處理。在軌道交通列車駕駛室內(nèi)拍攝的列車司機圖像，對列車司機圖像進行預(yù)處理，該預(yù)處理主要采用非線性的中值濾波法去除列車司機圖像中降噪處理和光照補償處理。

（2）人臉檢測定位方法。是一種主要采用級聯(lián)結(jié)構(gòu)人臉分類器在分割出的膚色區(qū)域里準(zhǔn)確檢測人臉的方法[4]，具體實施步驟為：

第一步：列車司機圖像預(yù)處理，由于在YCbCr顏色空間具有色度和亮度分離優(yōu)點，Y代表亮度分量，Cb代表藍(lán)色分量，而Cr代表紅色分量[5]，針對列車司機膚色和背景圖的聚類分布特性比較好分離，而且具備高斯兩維獨立分布，可以很好地將列車司機頭部圖像分布區(qū)域與列車駕駛室內(nèi)部背景圖分開，從列車司機的頭部信息，作為人臉檢測定位算法原始訓(xùn)練集。

第二步：反復(fù)修改訓(xùn)練列車司機圖像的數(shù)據(jù)的權(quán)值分布，得到列車司機的人臉區(qū)域，如圖3所示。

輸入：列車司機圖像的訓(xùn)練數(shù)據(jù)集如（x₁，y₁），（x₂，y₂），（x₃，y₃），（x₄，y₄）…（x_m，y_n）。

輸出：最終分類器G（x），得到列車司機的人臉信息。

圖4中從左到右，可見最終的求和與符號函數(shù)，再看到右邊求和之前，圖中的虛線表示不同輪次的迭代效果，第1次迭代時，只有第1行的結(jié)構(gòu)，第2次迭代時，包括第1行與第2行的結(jié)構(gòu)。通過列車司機圖像數(shù)據(jù)集dataset與數(shù)據(jù)權(quán)重W（i）訓(xùn)練弱分類器（i），并得出其分類錯誤率，這樣計算出其弱分類器權(quán)重α_m（i），最終分類器G（x）可以得到列車司機的人臉圖像，將背景其他圖像剔除掉[7]，如圖5所示。

第三步：得到人臉區(qū)域，進一步確定人的眼睛。在確認(rèn)人臉區(qū)域后，進行使用該方法，進一步確認(rèn)眼睛位置，實現(xiàn)級聯(lián)結(jié)構(gòu)增強的定位識別。

3? 列車司機張閉眼睛判斷方法

判斷列車司機疲勞的方法，我們的人臉特征點有68個，如圖6所示。

計算閉眼方法，將左眼的特征點提取并連接成多邊形，如圖7和圖8所示。

4? 列車司機疲勞算法判別方法

對眼部和嘴部分別進行了特征提取，并對其作了狀態(tài)分析，則用眼部和嘴部的融合狀態(tài)判斷駕駛員是否為疲勞[9]，這樣就相對提高了疲勞判斷的全面性和準(zhǔn)確性，如圖10疲勞算法判別流程圖。眼睛狀態(tài)判定時，眼睛睜開六邊形的面積，經(jīng)本實驗確定閾值為面積大于0，同時，本文選擇連續(xù)超過3～5秒（本文統(tǒng)計選擇5 s）認(rèn)為駕駛員處于疲勞狀態(tài)。

5? 結(jié)? 論

在列車司機室內(nèi)安裝有高清攝像頭、語音裝置、環(huán)境檢測裝置以及數(shù)據(jù)傳輸裝置，系統(tǒng)將會對司機的面部，行為動作以及室內(nèi)的溫度、濕度、煙霧濃度等數(shù)據(jù)進行采集，并將這些數(shù)據(jù)實時傳輸，服務(wù)器將會對傳輸來的數(shù)據(jù)進行分析[10]。根據(jù)采集到的司機面部、行為動作等數(shù)據(jù)對司機的精神狀態(tài)得出一個判斷結(jié)果，同時將結(jié)果反映到監(jiān)控中心，以達(dá)到對司機精神狀態(tài)實時監(jiān)控的目的。在駕駛過程中，當(dāng)司機以精神飽滿的狀態(tài)進行駕駛，系統(tǒng)會在監(jiān)控中心顯示“狀態(tài)良好”，當(dāng)司機的精神狀態(tài)萎靡，出現(xiàn)疲勞、注意力不集中時，系統(tǒng)便會在監(jiān)控中心顯示“狀態(tài)差”，司機室內(nèi)的語音系統(tǒng)也會對司機發(fā)出提醒，以提醒司機及時換人休息，保證列車司機的精神狀態(tài)。

參考文獻：

[1] 陳多偉.鐵路行車安全事故分析及防范對策 [J].工業(yè)技術(shù)創(chuàng)新，2016，3（5）：1056-1059.

[2] 王亮軍，陳燕飛，靳育權(quán).城市軌道交通列車司機駕駛狀態(tài)監(jiān)測研究 [J].中國新技術(shù)新產(chǎn)品，2020（5）：10-12.

[3] 李欣，陳洪茹.全自動駕駛軌道交通綜合監(jiān)控系統(tǒng)關(guān)鍵功能要點研究 [J].工程建設(shè)與設(shè)計，2016（14）：172-175.

[4] 李強.基于PERCLOS的列車司機駕駛疲勞檢測研究 [D].北京：北京交通大學(xué)，2014.

[5] 周靈飛.基于DM642和統(tǒng)計顏色模型的火災(zāi)檢測研究 [D].西安：西安電子科技大學(xué)，2013.

[6] 王海川，張立明.一種新的Adaboost快速訓(xùn)練算法 [J].復(fù)旦學(xué)報（自然科學(xué)版），2004（1）：27-33.

[7] nk_wavelet，AdaBoost人臉檢測介紹（3）：AdaBoost算法流程 [EB/OL].[2021-08-22].https：//www.it610.com/article/1282735567196405760.htm.

[8] 黃伊琳，張征.基于HTML5的微信游戲設(shè)計 [J].計算機系統(tǒng)應(yīng)用，2017，26（8）：261-266.

[9] 王豪榮.基于人臉特征融合的疲勞檢測方法研究 [D].西安：長安大學(xué)，2015.

[10] 趙東輝.基于物聯(lián)網(wǎng)的智慧園區(qū)信息平臺的設(shè)計與實現(xiàn) [D].石家莊：河北科技大學(xué)，2018.

作者簡介：江躍龍（1984—），男，漢族，福建龍巖人，電子工程師，碩士研究生，研究方向：人工智能領(lǐng)域、智能信息系統(tǒng)、機器學(xué)習(xí)、機器視覺。