基于Adaboost和LBP算法的實(shí)時(shí)疲勞駕駛預(yù)警算法

趙如新， 宋春林

(同濟(jì)大學(xué), 電子與信息工程學(xué)院， 上海 201804)

0 引言

隨著人們生活水平的提高，中國(guó)機(jī)動(dòng)車(chē)及機(jī)動(dòng)車(chē)駕駛?cè)藛T數(shù)量也隨之增高，同時(shí)也伴隨著更多的交通事故的發(fā)生。根據(jù)新聞報(bào)道，在交通事故中疲勞駕駛是最主要的原因之一。為了能夠有效減少此類(lèi)事故的發(fā)生，目前已經(jīng)有很多方法將人臉識(shí)別技術(shù)應(yīng)用于監(jiān)測(cè)駕駛員面部表情判斷其是否處于疲勞駕駛狀態(tài)而提醒其注意休息。主要思路為從原始駕駛員面部圖像中來(lái)識(shí)別疲勞面部表情。通常使用過(guò)濾響應(yīng)，特征碼直方圖或字典原子分布等方法，如：2010年，Cao[1]等人提出一種基于學(xué)習(xí)的局部描述符和姿勢(shì)自適應(yīng)匹配的人臉識(shí)別技術(shù)，通過(guò)學(xué)習(xí)局部濾波器來(lái)獲得更好的區(qū)別性，通過(guò)學(xué)習(xí)編碼以獲取更好的緊湊性。但由于針對(duì)于復(fù)雜的非線性面部外觀，局部描述符仍有無(wú)法避免的局限性并且提高人臉識(shí)別的準(zhǔn)確性緩慢。基于該研究，2013年，Chen[2]等人提出一種高維特征及其有效壓縮技術(shù)(HD-LBP)用于人臉識(shí)別，對(duì)傳統(tǒng)方法進(jìn)行高維度映射。所提出的稀疏投影方法在不犧牲精度的前提下減少模型存儲(chǔ)及計(jì)算量。但該方法在實(shí)際應(yīng)用中卻有諸多不足使其十分不穩(wěn)定。隨著機(jī)器學(xué)習(xí)及深度學(xué)習(xí)研究的不斷深入，越來(lái)越多的研究通過(guò)采用深度學(xué)習(xí)模型的方法解決這一問(wèn)題，并且期望能夠得到精度上的高度提升。針對(duì)人臉識(shí)別，常規(guī)的流程包括四個(gè)階段：檢測(cè)、對(duì)齊、表示及分類(lèi)。2014年，Taigman[3]等人通過(guò)對(duì)3D人臉建模來(lái)重新實(shí)現(xiàn)對(duì)齊和表示步驟，以便應(yīng)用分段仿射變換，經(jīng)過(guò)九層深度神經(jīng)網(wǎng)絡(luò)的特征點(diǎn)分析，對(duì)人臉特征點(diǎn)進(jìn)行描述。該神經(jīng)網(wǎng)絡(luò)使用面部數(shù)據(jù)集進(jìn)行了訓(xùn)練，其包含來(lái)自4000多個(gè)身份的400萬(wàn)張面部圖片。經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，該模型可推廣至任意環(huán)境下的面部圖像。2009年，Balasubramanian等[4]提出一種使用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBFNN)的自動(dòng)識(shí)別面部和嘴部方法。通過(guò)使用多尺度形態(tài)學(xué)進(jìn)行面部和嘴部的特征提取。該方法利用運(yùn)動(dòng)信息對(duì)人臉區(qū)域進(jìn)行定位，并通過(guò)對(duì)人臉區(qū)域的處理確定眼睛的位置。

根據(jù)以上基于人臉識(shí)別方法的描述，將人臉識(shí)別技術(shù)應(yīng)用于駕駛員疲勞駕駛檢測(cè)的方法應(yīng)運(yùn)而生。2015年，Zhang等[5]根據(jù)經(jīng)驗(yàn)知識(shí)采用快速魯棒性面部檢測(cè)算法來(lái)描述和規(guī)范化面部表情圖像，基于局部特征，對(duì)面部采用局部二進(jìn)制模式算子(Local Binary Pattern, LBP)方式表示，并且發(fā)現(xiàn)LBP功能在疲勞面部圖像內(nèi)能穩(wěn)定執(zhí)行。2010年，Yang等[6]提出了一種基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的駕駛員疲勞估計(jì)推斷方法，其中使用了多個(gè)特征，包括上下文特征，物理特征和非物理特征。主要思想將離散隨機(jī)過(guò)程的當(dāng)前模型擴(kuò)展到連續(xù)隨機(jī)過(guò)程以處理更多實(shí)際情況。實(shí)驗(yàn)表明，物理特征類(lèi)別可以有效地檢測(cè)出駕駛員疲勞駕駛的特征，具有更好的可靠性。2017年，Zhang等[7]提出一種基于眼睛狀態(tài)識(shí)別的駕駛員疲勞檢測(cè)方法。眼睛狀態(tài)識(shí)別方法提供了很高的準(zhǔn)確性。通過(guò)使用眼睛的狀態(tài)計(jì)算PERCLOS和眨眼頻率參數(shù)，判別駕駛員是否處于疲勞狀態(tài)。該方法可以在戴眼鏡的情況下工作。然而，由于疲勞駕駛一般出現(xiàn)在深夜凌晨等駕駛艙光照條件較弱的時(shí)段，基于局部特征的算法誤差較大；同時(shí)由于車(chē)載設(shè)備性能的限制復(fù)雜度較高的算法，無(wú)法用于實(shí)時(shí)監(jiān)測(cè)。

本文將基于駕駛艙實(shí)際環(huán)境，首先計(jì)算駕駛艙環(huán)境像素平均值判別當(dāng)前狀態(tài)為日間或夜間。其中，在地下車(chē)庫(kù)等光線較差的地方統(tǒng)一認(rèn)為為夜間狀態(tài)。針對(duì)不同的環(huán)境，采用不同的面部識(shí)別算法。在日間狀態(tài)下，本文基于AdaBoost算法，選取5個(gè)矩形特征組合作為模板進(jìn)行特征訓(xùn)練，以此得到適合疲勞監(jiān)測(cè)系統(tǒng)所需的眼部及嘴部特征，并依據(jù)此特征計(jì)算眼部PERCLOS值用于判斷駕駛員疲勞狀態(tài)。

判斷夜間環(huán)境由于光照條件差，傳統(tǒng)利用深度網(wǎng)絡(luò)從圖像幀中提取時(shí)空間特征來(lái)進(jìn)行微表情識(shí)別的誤差率較大。論文[8]中發(fā)現(xiàn)人的瞳孔反射光對(duì)于光變化較為敏感，而人臉的其他部分變化不大。依據(jù)此原理，本文采用相鄰幀間差分的方法確定眼部的特征，同時(shí)使用局部二進(jìn)制特征(local Binary Patterns, LBP)算法來(lái)處理眼部的開(kāi)合狀態(tài)。在已經(jīng)定位眼睛的前提下，根據(jù)人臉部器官的分布來(lái)定位嘴部的位置。然后使用LBP算法進(jìn)一步測(cè)試打哈欠行為，根據(jù)打哈欠的長(zhǎng)度和頻率確定駕駛員的疲勞程度。

同時(shí)，為了評(píng)估眼部狀態(tài)信息和嘴部狀態(tài)信息對(duì)駕駛員是否處于疲勞駕駛狀態(tài)的比重，本文對(duì)其進(jìn)行了實(shí)驗(yàn)比對(duì)。實(shí)驗(yàn)結(jié)果表明：當(dāng)嘴部狀態(tài)信息權(quán)重β為0.44，系統(tǒng)判別精度最高。在日間清醒場(chǎng)景下最高精度可達(dá)93.6%，平均識(shí)別準(zhǔn)確率為92.1%。

1 疲勞駕駛檢測(cè)算法

本文提出的基于AdaBoost及LBP算法的日間夜間疲勞駕駛檢測(cè)算法總體框架，如圖1所示。

該算法共分為兩部分：日間狀態(tài)和夜間狀態(tài)。在識(shí)別出面部信息后，對(duì)眼部信息進(jìn)行PERCLOS值計(jì)算，對(duì)嘴部信息采用LBP算法估測(cè)其開(kāi)合程度及頻率。最后根據(jù)眼部和嘴部的信息值加權(quán)判斷駕駛員當(dāng)前狀態(tài)是否為疲勞駕駛。

1.1 圖像預(yù)處理

為了能夠準(zhǔn)確判別出攝像機(jī)所檢測(cè)到的圖像幀中的人臉輪廓，本文采用Canny邊緣檢測(cè)算法[8]對(duì)圖像幀進(jìn)行輪廓檢測(cè)。相比于Sobel算子和Prewitt算子，Canny邊緣檢測(cè)算法具有更低的錯(cuò)誤率，即所有邊緣都可以被找到；邊緣點(diǎn)定位更準(zhǔn)確。Canny算法的主要步驟如下。

(1) 為了盡可能降低噪聲對(duì)圖像處理的影響，首先對(duì)圖像進(jìn)行高斯平滑濾波，從而減少邊緣檢測(cè)器上的噪聲影響。式1表示當(dāng)卷積核大小為(2k+1)(2k+1)時(shí)，卷積核每位計(jì)算式為

1≤i;j≤(2k+1)

(1)

假設(shè)圖像描述為大小為(2k+1)×(2k+1)的矩陣M，則經(jīng)過(guò)高斯濾波后，其像素點(diǎn)m的亮度值為

m=H*M

(2)

其中，*表示卷積。

(2) 計(jì)算梯度強(qiáng)度和方向，圖像的邊緣可以指向各個(gè)方向，在Canny算法中，選取水平、垂直和對(duì)角邊緣。首先通過(guò)Sobel等算子計(jì)算出水平Gx和垂直Gy方向的一階導(dǎo)數(shù)，則可得到像素點(diǎn)處的梯度的值G和方向θ：

(3)

θ=arctan(Gy/Gx)

(4)

(3) 若x和y方向的Sobel算子分別為sx和sy，圖像窗口為矩陣M，則在像素點(diǎn)m處的梯度值為

Gx=sx*M

(5)

Gy=sy*M

(6)

(4) 僅僅采用梯度值來(lái)提取邊緣像素點(diǎn)的結(jié)果仍非常模糊，為了能夠增強(qiáng)邊緣點(diǎn)強(qiáng)度，采用非極大值抑制技術(shù)來(lái)增強(qiáng)邊緣像素點(diǎn)。其主要思路為：將當(dāng)前像素的梯度強(qiáng)度與沿正負(fù)梯度方向上的2個(gè)像素進(jìn)行比較，若當(dāng)前像素的梯度強(qiáng)度與另外2個(gè)像素相比最大，則該像素點(diǎn)保留為邊緣點(diǎn)，否則該像素點(diǎn)將被抑制；

(5) 使用雙閾值檢測(cè)進(jìn)一步確定像素邊緣點(diǎn)。

如圖2所示，左側(cè)為相機(jī)采集到的圖像幀，右側(cè)為通過(guò)圖像預(yù)處理階段得到的完成邊緣檢測(cè)的圖片。人物的關(guān)鍵邊緣點(diǎn)均被檢測(cè)出，結(jié)果總能保證對(duì)人臉部邊緣點(diǎn)的信息檢測(cè)。

圖2 采用Canny算法進(jìn)行圖像邊緣檢測(cè)

1.2 基于Adaboost臉部識(shí)別算法

Adaboost算法[9]是Boosting族算法中最具代表性的算法。Boosting族算法的主要工作機(jī)制為：首先在初始訓(xùn)練集中進(jìn)行訓(xùn)練，得出初始學(xué)習(xí)器。對(duì)初始學(xué)習(xí)器所預(yù)測(cè)出的樣本質(zhì)量進(jìn)行劃分，重點(diǎn)關(guān)注訓(xùn)練錯(cuò)誤的樣本。基于訓(xùn)練錯(cuò)誤的樣本，進(jìn)行下一輪學(xué)習(xí)器的訓(xùn)練，不斷重復(fù)上述步驟，直至學(xué)習(xí)器數(shù)量達(dá)到期望閾值數(shù)S則停止學(xué)習(xí)。最后，對(duì)這S個(gè)學(xué)習(xí)器進(jìn)行加權(quán)結(jié)合。其主要目的在于將弱學(xué)習(xí)器提升為強(qiáng)學(xué)習(xí)器。Adaboost算法步驟如下。

(1) 初始化第s個(gè)學(xué)習(xí)器樣本權(quán)重，其中0≤s≤S，

(7)

(2) 根據(jù)學(xué)習(xí)器的樣本權(quán)重分布Ds進(jìn)行數(shù)據(jù)訓(xùn)練得到Gs(x)：

Gs(x):χ→{-1,+1}

(8)

(3) 計(jì)算Gs(x)在加權(quán)訓(xùn)練數(shù)據(jù)集上的分類(lèi)誤差率：

(9)

其中，I(·)為指示函數(shù)，同時(shí)判斷分類(lèi)誤差率是否滿(mǎn)足基本條件，若不滿(mǎn)足則停止學(xué)習(xí)。

(4) 計(jì)算Gs(x)在全部學(xué)習(xí)器中的權(quán)重：

(10)

(5) 更新訓(xùn)練樣本權(quán)重：

Ds+1=(wm+1,1,wm+1,2,…,wm+1,N)

(11)

(12)

其中，Zs是規(guī)范化因子。

基于以上集成學(xué)習(xí)的優(yōu)勢(shì)，本文期望通過(guò)采用Adaboost算法中各個(gè)學(xué)習(xí)器的結(jié)合，使系統(tǒng)對(duì)于眼部及嘴部的位置識(shí)別結(jié)果更加精確。

1.3 基于幀間差分算法的瞳孔估計(jì)算法

夜間模式由于光照條件限制，傳統(tǒng)的基于特征提取的人臉識(shí)別方法誤差率較大。由于瞳孔對(duì)可見(jiàn)光反射相較于人臉其他部位變化明顯得多，并且相鄰幀間圖像的間隔不大，只有瞳孔反射光的變化較為明顯，由此采用幀間差分算法對(duì)瞳孔位置進(jìn)行定位。具體步驟如下。

(1) 將當(dāng)前幀灰度化，之后使用將當(dāng)前幀圖像與上一幀處理過(guò)的圖像做差，最后利用取絕對(duì)值。

(2) 對(duì)差分圖像進(jìn)行局部二進(jìn)制特征處理，使得眼部特征更顯性地分離出來(lái)。具體做法是用雙峰法將原灰度圖轉(zhuǎn)化為二值圖。

駕駛艙圖像主要由前景和背景兩部分組成，在處理圖像的灰度直方圖上，前景及背景像素的灰度值分布會(huì)形成山峰狀態(tài)，而在兩峰之間的低谷就是圖像分割的閾值所在。從而得出夜間模式下的瞳孔信息。

為了能夠在夜間模式下獲取到嘴部信息，根據(jù)幀間差分算法估計(jì)出瞳孔位置后，本文將采用“三庭五眼”的規(guī)律來(lái)定位嘴部位置，具體來(lái)說(shuō)：人臉上鼻尖和下巴將整個(gè)臉部在豎直方向上三等分，俗稱(chēng)“三庭”。“五眼”是指左右眼的內(nèi)外眼角將人臉從寬度上五等分。實(shí)際效果如圖3所示。

圖3 “三庭五眼”嘴部位置估計(jì)

1.4 眼部PERCLOS特征計(jì)算

在日間模式或夜間模式提取到臉部的眼部信息后，需要計(jì)算獲得眼部的高寬比v用于判斷當(dāng)前眼部狀態(tài)是否處于疲憊狀態(tài)。具體公式如：

(13)

其中，we、le分別為讀取到的眼部寬度和眼部長(zhǎng)度。當(dāng)眼部高寬比小于270時(shí)，可以視為閉合狀態(tài)；當(dāng)高寬比大于400時(shí)，視為打開(kāi)狀態(tài)。將高寬比用于計(jì)算PERCLOS(單位時(shí)間內(nèi)眼睛閉合時(shí)間所占的百分率)來(lái)衡量駕駛員的疲勞程度。PERCLOS值計(jì)算式如下：

(14)

PERCLOS度量的是單位時(shí)間內(nèi)駕駛員眼睛閉合程度超過(guò)某一閾值(本文所用為70%)的時(shí)間占總駕駛時(shí)間的百分比。在美國(guó)聯(lián)邦道路局的研究中，PERCLOS被證明是九種現(xiàn)有與疲勞駕駛有關(guān)的指標(biāo)中相關(guān)性最好的。

1.5 嘴部fyawn特征計(jì)算

在確定的嘴部的大致區(qū)域后，本文使用LBP算法來(lái)檢測(cè)打哈欠的行為。首先將整個(gè)區(qū)域劃分為16×16的cell，在每個(gè)cell中，對(duì)于每一個(gè)像素，將自己的灰度值作為閾值，周?chē)?個(gè)相鄰像素點(diǎn)的灰度值若大于該閾值，則標(biāo)記為1，否則標(biāo)記為0。這樣，與中心像素相鄰的8個(gè)點(diǎn)就產(chǎn)生了一個(gè)8位二進(jìn)制數(shù)，即為該中心點(diǎn)的LBP值。如，該矩陣的紋理信息即為(11010011)10= 211。之后計(jì)算每個(gè)cell的LBP直方圖(即統(tǒng)計(jì)LBP值出現(xiàn)的頻率)，對(duì)直方圖進(jìn)行歸一化處理。最后將得到的每個(gè)cell的統(tǒng)計(jì)直方圖連接成為特征向量，也就是整個(gè)圖像的LBP特征向量。圖4為經(jīng)過(guò)LBP處理后的矩陣。

圖4 LBP處理過(guò)程

在獲得駕駛員嘴部特征后，根據(jù)嘴部高寬比o來(lái)判斷當(dāng)前嘴巴是否處于張開(kāi)狀態(tài)，具體計(jì)算式如下：

(15)

由實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，當(dāng)o大于1 200時(shí)，嘴部處于閉合或正常說(shuō)話裝填；當(dāng)o小于700時(shí)，嘴巴處于張大狀態(tài)。為了將駕駛員因受驚而嘴巴張開(kāi)和打哈欠的狀態(tài)區(qū)分開(kāi)來(lái)，如果最近的6幀圖像中有超過(guò)5幀嘴部處于張大狀態(tài)，則判斷駕駛員在打哈欠。最終，采用如下等式計(jì)算fyawn：

(16)

1.6 基于眼部和嘴部信息融合的估計(jì)算法

基于前文，本文已針對(duì)攝像機(jī)采集到的圖像幀經(jīng)過(guò)處理并針對(duì)不同模式下的臉部及嘴部進(jìn)行識(shí)別。但我們知道，在現(xiàn)實(shí)場(chǎng)景中，駕駛員可能會(huì)說(shuō)話。在這種情況下，嘴部信息可能會(huì)導(dǎo)致結(jié)果的誤判，為了考慮這一點(diǎn)，本文提出一種基于權(quán)重的嘴部和眼部信息融合估計(jì)算法，得出最終用于判別駕駛員疲勞狀態(tài)的FV(Fatigue Value)。以提高算法的穩(wěn)定性。主要計(jì)算式如下：

FV=PERCLOS+β×fyawn

(17)

在具體判別過(guò)程中，若FV大于1 500，則判斷駕駛員當(dāng)前為疲勞駕駛狀態(tài)，同時(shí)給予駕駛員及周?chē)?chē)輛警告。若FV小于700，則表明駕駛員精神狀態(tài)良好。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)環(huán)境配置

實(shí)驗(yàn)環(huán)境：訓(xùn)練模型所用計(jì)算機(jī)配備I9-9900K CPU、RTX 2070 SUPER顯卡。視頻錄制設(shè)備為羅技C270網(wǎng)絡(luò)攝像頭，視頻分辨率為1 280×720，采樣頻率為60fps。實(shí)驗(yàn)平臺(tái)為Win10操作系統(tǒng)下的MATLAB2020a。

本文模擬了不同人員在清醒以及疲勞狀態(tài)下駕駛過(guò)程并錄制成視頻作為數(shù)據(jù)集。視頻錄制場(chǎng)景分為白天自然光環(huán)境以及夜晚弱燈光環(huán)境，并要求模擬人員晃動(dòng)頭部以模擬實(shí)際行車(chē)過(guò)程中觀察路面的動(dòng)作，所有錄制均在室內(nèi)完成。其中包含白天自然光環(huán)境與夜晚弱燈光環(huán)境各200段視頻，每段視頻長(zhǎng)度為30 s。

2.2 嘴部特征權(quán)重分析

經(jīng)驗(yàn)表明，人在疲勞時(shí)會(huì)伴隨眼睛的打盹及打哈欠狀態(tài)。為了能夠更好的預(yù)測(cè)出駕駛員是否處于疲勞狀態(tài)及嘴部行為權(quán)重β在判別駕駛員疲勞程度中發(fā)揮的作用，本文將β從0開(kāi)始(0即為不考慮嘴部行為)以0.05的步長(zhǎng)增加到1，同時(shí)在夜晚及白天數(shù)據(jù)集下測(cè)試算法總準(zhǔn)確度。結(jié)果如圖5所示。

圖5 權(quán)重β對(duì)實(shí)驗(yàn)結(jié)果精度的影響

從圖5的結(jié)果可以看出，算法準(zhǔn)確率在β=0.44處達(dá)到最高值，在β小于0.2及β大于0.55區(qū)間內(nèi)算法準(zhǔn)確率均以較大程度下滑。本文將采用=0.44作為系統(tǒng)的權(quán)值 。

2.3 夜間環(huán)境算法準(zhǔn)確率分析

夜晚場(chǎng)景如下表所示，為驗(yàn)證幀間差分算法的有效性，本文實(shí)現(xiàn)了經(jīng)典AdaBoost與SVM算法，并與本文算法進(jìn)行對(duì)比，結(jié)果如表1所示。

表1 夜間環(huán)境算法準(zhǔn)確率比較

實(shí)驗(yàn)結(jié)果表明，幀間差分算法在夜晚疲勞狀態(tài)及夜晚清醒狀態(tài)下，識(shí)別準(zhǔn)確率均高于經(jīng)典AdaBoost算法及SVM算法。幀間差分算法比AdaBoost算法在兩種數(shù)據(jù)集上分別高了2.8%和4.1%，比SVM算法在兩種數(shù)據(jù)集上分別高了7.6%和11.1%。在整個(gè)夜晚場(chǎng)景數(shù)據(jù)上，幀間差分算法判別準(zhǔn)確率比AdaBoost算法和SVM算法分別高了3.5%和9.4%。另外，3種算法均在疲勞數(shù)據(jù)集上有更好的表現(xiàn)。

2.4 算法準(zhǔn)確率分析

為驗(yàn)證算法整體準(zhǔn)確性，將本文算法在全部數(shù)據(jù)集上與當(dāng)前主流的駕駛員疲勞識(shí)別方法相比較，包括SVM方法、經(jīng)典AdaBoost算法以及EGG腦電圖[10]、脈搏和HPM頭位置測(cè)量法[11]等接觸式判別方式，結(jié)果如表2所示。

圖6 本文算法在各場(chǎng)景下實(shí)際運(yùn)行結(jié)果

表2 整體算法準(zhǔn)確率比較 單位：%

實(shí)驗(yàn)結(jié)果表明，本文算法在4個(gè)場(chǎng)景下均表現(xiàn)良好。具體來(lái)看，在夜晚清醒場(chǎng)景下，本文算法準(zhǔn)確率為90.3%，相比于次高的HPM頭位置測(cè)量法有一定程度的提高，但相較于對(duì)比的AdaBoost算法準(zhǔn)確率有4.1%的上升，在有挑戰(zhàn)性的夜晚環(huán)境中上升幅度明顯。其余算法在夜晚-疲勞環(huán)境下表現(xiàn)不理想。在日間清醒場(chǎng)景下，本文算法較之前夜晚環(huán)境下有3.3%的提升，達(dá)到了4個(gè)場(chǎng)景中最高的93.6%。其余算法中準(zhǔn)確率最高的是經(jīng)典AdaBoost算法，達(dá)到了91.7%。因此，將嘴部開(kāi)合動(dòng)作加入到判斷駕駛員疲勞模型中是有效的。在夜晚疲勞場(chǎng)景中，本文算法對(duì)比經(jīng)典AdaBoost有2.8%的提升。HPM頭測(cè)量法依舊在夜晚場(chǎng)景上表現(xiàn)良好，達(dá)到90.4%。在日間疲勞場(chǎng)景上，本文算法正確率達(dá)到93.4%，相對(duì)于日間清醒場(chǎng)景的93.6%下降了0.2%。經(jīng)典AdaBoost和HPM頭測(cè)量法對(duì)比本文算法分別下降了0.8%和1.7%。

整體上看，基于脈搏測(cè)量的判別方法在四個(gè)場(chǎng)景下表現(xiàn)均不理想，準(zhǔn)確率保持在65%—70%范圍內(nèi)?；谀槻孔R(shí)別的本文算法、經(jīng)典AdaBoost和SVM方法在日間和夜間場(chǎng)景上有較大性能差異，日間場(chǎng)景準(zhǔn)確率比夜間場(chǎng)景平均有4.0%的提升。其中經(jīng)典AdaBoost方法相差最大，達(dá)到4.9%；SVM次之，為4.3%；本文算法在兩個(gè)場(chǎng)景之間相差最小，為2.8%。因此，幀間差分的識(shí)別方式增強(qiáng)了算法的魯棒性。此外，基于接觸式人體信號(hào)檢測(cè)的EGG腦電圖方法和脈搏測(cè)量法在日間和夜間場(chǎng)景上準(zhǔn)確率變化分別為-0.6%和-1.7%，穩(wěn)定性比基于人臉識(shí)別的方法好得多，說(shuō)明夜間光照條件不佳仍是算法性能的主要瓶頸，之后的工作可以圍繞接觸式測(cè)量與人臉識(shí)別特征相結(jié)合的方向展開(kāi)。

最后，本文所提出的算法可以在便攜式計(jì)算機(jī)上實(shí)時(shí)運(yùn)行，能夠滿(mǎn)足車(chē)載設(shè)備實(shí)時(shí)監(jiān)測(cè)算法的復(fù)雜度要求。

3 總結(jié)

本文提出一種基于AdaBoost和LBP算法的實(shí)時(shí)疲勞駕駛預(yù)警監(jiān)測(cè)系統(tǒng)，首先對(duì)攝像機(jī)采集到的視頻進(jìn)行視頻關(guān)鍵幀提取，對(duì)視頻關(guān)鍵幀進(jìn)行圖像預(yù)處理，采用Canny算法進(jìn)行人臉邊緣檢測(cè)確定人臉位置。接下來(lái)主要用于識(shí)別眼睛和嘴巴，主要分為2種情況：在白天模式下，采用AdaBoost算法精確識(shí)別出臉部的眼睛和嘴巴；在夜間模式下，采用幀間差分算法獲取瞳孔信息再通過(guò)人臉面部構(gòu)造估計(jì)出嘴部位置。當(dāng)對(duì)眼部和嘴部進(jìn)行精準(zhǔn)定位后，提取眼部信息并計(jì)算PERCLOS值，采用LBP算法檢測(cè)嘴部開(kāi)合程度及頻率。為了進(jìn)一步明確眼部和嘴部對(duì)疲勞駕駛結(jié)果精度的影響，本文添加β參數(shù)用于眼部和嘴部的權(quán)重平衡，最終對(duì)駕駛員是否處于駕駛狀態(tài)進(jìn)行預(yù)測(cè)并預(yù)警。相比于其他方法，本文所提出的方法在白天模式下可提高4%，在夜間模式下可提高3%，并且具有更好的穩(wěn)定性。