基于眼睛狀態(tài)多特征融合的疲勞駕駛檢測(cè)

任 俊，魏 霞，黃德啟，劉 棟

(新疆大學(xué) 電氣工程學(xué)院，新疆 烏魯木齊 830047)

0 引 言

視覺(jué)檢測(cè)[1-3]主要提取面部特征來(lái)判斷疲勞狀態(tài)，然而這些特征提取會(huì)受到外界干擾，如何避免光照、眼鏡以及姿勢(shì)等因素的影響，提高疲勞狀態(tài)檢測(cè)的精度和速度是研究的關(guān)鍵。其中，吳良超等[4]提出構(gòu)建特征點(diǎn)動(dòng)態(tài)變化圖和神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)表情結(jié)合的識(shí)別法，該方法通過(guò)特征點(diǎn)動(dòng)態(tài)變化圖提取人臉輪廓信息，用卷積和循環(huán)神經(jīng)網(wǎng)絡(luò)提取人臉的紋理信息、人臉序列的時(shí)序信息。樊飛等[5]圍繞著人臉特征點(diǎn)檢測(cè)改進(jìn)算法進(jìn)行疲勞檢測(cè)，通過(guò)牛頓提升樹(shù)結(jié)合統(tǒng)計(jì)量特征，提出CNBT人臉特征點(diǎn)檢測(cè)算法，能夠有效提高疲勞識(shí)別準(zhǔn)確率和穩(wěn)定性，但是沒(méi)有考慮駕駛員頭部姿勢(shì)變化等情況，在真實(shí)環(huán)境下的實(shí)用性有待提高。對(duì)于上述提到的問(wèn)題，需要設(shè)計(jì)一種實(shí)用性廣泛的疲勞檢測(cè)框架尤為重要，同時(shí)由于駕駛員會(huì)有不同程度的頭部偏轉(zhuǎn)，采用單眼檢測(cè)來(lái)代替?zhèn)鹘y(tǒng)的雙眼檢測(cè)機(jī)制，增強(qiáng)檢測(cè)的范圍，提高實(shí)用性。根據(jù)特征點(diǎn)和二值圖像得到的縱橫比值、累積黑色素差值以及人眼水平投影高度和寬度比值作為支持向量機(jī)的3個(gè)輸入特征，進(jìn)而在三維立體圖形中得到眼睛狀態(tài)分類結(jié)果，最后根據(jù)眼睛狀態(tài)計(jì)算ECR值作為眼部疲勞特征參數(shù)判斷駕駛員的疲勞狀態(tài)。

1 圖像預(yù)處理及人臉檢測(cè)與跟蹤

1.1 本文整體流程設(shè)計(jì)圖

本文框架分為3個(gè)部分，經(jīng)過(guò)圖像預(yù)處理后檢測(cè)和跟蹤人臉，對(duì)定位好的3類特征點(diǎn)進(jìn)行提取和校正，特征融合判別疲勞狀態(tài)，本文設(shè)計(jì)流程如圖1所示。

圖1 設(shè)計(jì)流程

1.2 圖像濾波去噪與光照均衡化處理

在實(shí)際采集駕駛員視頻和圖片時(shí)可能會(huì)受到周圍環(huán)境的噪聲和光照的影響，使得圖像變得模糊，因此需要先對(duì)采集的圖像進(jìn)行濾波去噪，提高后期人臉檢測(cè)和特征提取的準(zhǔn)確率。采用自適應(yīng)中值濾波[6]的方式，實(shí)際是利用中值濾波來(lái)消除孤立的斑點(diǎn)，并采取自適應(yīng)鄰域中值代替是噪聲的原始像素值，再采用圖像動(dòng)態(tài)閾值的光照均衡化處理，使圖像的光照均勻分布，如圖2所示，均衡化處理后，圖片光照和亮度得到較好的改善，進(jìn)而有效提取人臉的特征。

圖2 光照均勻化前后對(duì)比

1.3 基于AdaBoost人臉檢測(cè)

1.3.1 基于Haar-like特征的AdaBoost人臉檢測(cè)算法

目前在人臉檢測(cè)過(guò)程中，人臉圖像可以用圖像灰度變化的特征來(lái)表征，而Haar-like特征[7]可以反映灰度變化。先用積分圖算法快速得到任意區(qū)域的像素和，再可以由像素灰度和差值來(lái)得到Haar-like模板特征。AdaBoost算法[8]用于人臉檢測(cè)，是通過(guò)訓(xùn)練集訓(xùn)練弱分類器，形成分類效果較好強(qiáng)分類器，進(jìn)而訓(xùn)練出最能代表面部特征，從而加快檢測(cè)速度和提高準(zhǔn)確率。其算法流程如圖3所示。

圖3 AdaBoost算法流程

1.3.2 實(shí)驗(yàn)結(jié)果分析

對(duì)人臉特征識(shí)別完成后進(jìn)而對(duì)眼睛特征進(jìn)行檢測(cè)，輸出可以識(shí)別的人臉區(qū)域和眼睛區(qū)域的矩形框，檢測(cè)效果如圖4所示，可以清楚標(biāo)識(shí)出來(lái)。

圖4 人臉檢測(cè)效果

1.4 面部目標(biāo)跟蹤算法

考慮到在實(shí)際圖像采集的過(guò)程中，由于駕駛員面部偏移距離較小，都在一定范圍內(nèi)，在第一次檢測(cè)到人臉之后，只需要跟蹤人臉上一幀人臉信息，快速獲得下一幀人臉位置信息。采用基于幀間差分法的Mean Shift算法[9]進(jìn)行人臉跟蹤，利用連續(xù)兩幀圖像之間的聯(lián)系，進(jìn)行差分運(yùn)算，然后利用二分閾值法提取邊緣區(qū)域，獲得下一幀人臉的位置信息，提高檢測(cè)速度。

2 基于SVM的睜閉眼狀態(tài)識(shí)別

2.1 基于級(jí)聯(lián)回歸樹(shù)的人臉特征點(diǎn)定位

為了減少外界環(huán)境因素對(duì)人臉特征部位的檢測(cè)及定位的影響，在人眼檢測(cè)定位之前先使用了基于級(jí)聯(lián)回歸樹(shù)算法[10-12](ERT)對(duì)人臉的關(guān)鍵特征點(diǎn)進(jìn)行定位，然后在人臉特征點(diǎn)定位的基礎(chǔ)上，快速定位到人眼?；诩?jí)聯(lián)回歸樹(shù)算法是一種人臉對(duì)齊算法，不斷檢測(cè)特征點(diǎn)然后進(jìn)行更新，最后逐步定位到真實(shí)人臉位置。

如圖5所示，ERT算法可以實(shí)現(xiàn)多個(gè)角度的人臉特征點(diǎn)定位且效果較好。

圖5 不同角度人臉特征定位

2.2 基于人眼特征點(diǎn)計(jì)算人眼縱橫比

在提取人臉特征點(diǎn)之后，通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，駕駛員在正常眨眼過(guò)程中，眼睛的特征點(diǎn)也會(huì)隨之變化，因此我們根據(jù)人眼特征點(diǎn)來(lái)求取眼睛的縱橫比值來(lái)表示人眼的狀態(tài)信息。而且縱橫比值不會(huì)因?yàn)轳{駛員面部位置和攝像頭距離改變而改變。如圖6所示P1到P6分別對(duì)應(yīng)人眼6個(gè)特征點(diǎn)，眼睛縱橫比計(jì)算公式

(1)

圖6 人眼特征點(diǎn)分布

由式(1)可知EAR由眼睛縱向長(zhǎng)度與橫向長(zhǎng)度比值得來(lái)的，當(dāng)頭部左右偏轉(zhuǎn)時(shí)，眼睛的橫向長(zhǎng)度發(fā)生變化，當(dāng)頭部上下點(diǎn)動(dòng)時(shí)，眼睛的縱向長(zhǎng)度發(fā)生變化。因此針對(duì)頭部左右偏轉(zhuǎn)和上下點(diǎn)動(dòng)時(shí)進(jìn)行特征點(diǎn)校正。圖7為眼睛縱向長(zhǎng)度變化。

圖7 人眼縱向長(zhǎng)度變化

圖7中l(wèi)0表示初始狀態(tài)下真實(shí)眼睛的縱向長(zhǎng)度，分別發(fā)生了點(diǎn)頭和抬頭，導(dǎo)致俯仰角β0變成β1和β2，l0也隨之變化為l1和l2。h0為l0投影到二維圖像的高度，h1為l1投影的高度，由于實(shí)際情況下點(diǎn)頭和偏轉(zhuǎn)眼睛真實(shí)縱向長(zhǎng)度不變，即l0=l1，則有

(2)

人眼左右偏轉(zhuǎn)變化和上述過(guò)程類似，以w0和w1分別表示初始狀態(tài)下以及變化后的眼睛橫向長(zhǎng)度，α0和α1分別代表初始狀態(tài)下以及變化后的偏轉(zhuǎn)角，得到w0和w1關(guān)系

(3)

由此可以得到圖像中人眼縱橫比為

(4)

式中：EAR1是校正前眼睛縱橫比值，圖8是校正后的眼睛縱橫比值隨幀數(shù)變化的折線圖，由圖8可以看出，當(dāng)眼睛睜開(kāi)時(shí)縱橫比維持在0.32左右，當(dāng)縱橫比小于0.2時(shí)可視為閉眼狀態(tài)。因此可以通過(guò)計(jì)算人眼縱橫比值來(lái)判斷人眼狀態(tài)。

圖8 人眼縱橫比值隨幀數(shù)變化

2.3 基于自適應(yīng)閾值計(jì)算人眼黑色像素累積差值

根據(jù)定位的人眼區(qū)域，先進(jìn)行人眼圖像二值化處理，再經(jīng)過(guò)中值濾波處理后顯示眼睛的輪廓，表1為人眼不同狀態(tài)下的二值圖像。

表1 人眼不同狀態(tài)二值圖像

在眼睛閉上的情況下，計(jì)算眼睛區(qū)域內(nèi)的黑色像素?cái)?shù)的累積差值，雖然睫毛和眼瞼等黑色區(qū)域可能會(huì)保留，但是瞳孔區(qū)域最大的黑色區(qū)域不會(huì)出現(xiàn)，也就是說(shuō)，當(dāng)眼睛閉上的時(shí)候，黑色像素?cái)?shù)量會(huì)比睜眼的時(shí)候大幅減少，然而，黑色像素的數(shù)量不僅會(huì)隨著眼睛狀態(tài)變化而變化，還會(huì)隨攝像頭與駕駛員面部的距離變化而變化，當(dāng)這個(gè)距離增大時(shí)，眼睛區(qū)域黑色素的數(shù)量會(huì)減小。

如圖9所示，圖(a)顯示了根據(jù)幀數(shù)變化的二值化區(qū)域內(nèi)的黑色像素?cái)?shù)，看到在第101幀之后當(dāng)面部離開(kāi)攝像頭更遠(yuǎn)時(shí)，眼睛區(qū)域的黑色像素減小，因此僅使用第101幀之前的閾值，就無(wú)法區(qū)分第101幀之后的眼睛是睜開(kāi)還是閉上的，可以采用連續(xù)圖像中眼睛區(qū)域的黑色素的差值。

圖9 人眼睜閉過(guò)程中黑色像素值隨幀數(shù)變化

當(dāng)采用的連續(xù)圖像中眼睛區(qū)域的黑色像素的差值作為特征時(shí)，可以識(shí)別部分閉眼狀態(tài)，但如圖(b)中在第41幀、105幀和106幀的差值小于靜態(tài)閾值，錯(cuò)誤地識(shí)別眼睛狀況，為了解決這一問(wèn)題，使用一種新的特征，即眼睛圖像中黑色像素?cái)?shù)的累積差值，當(dāng)檢測(cè)連續(xù)兩幀及以上圖像的差值小于0的條件下，將連續(xù)的差值進(jìn)行累加，如圖(c)中第一個(gè)滿足條件的情況出現(xiàn)在第40幀，而在第102幀時(shí)，盡管差值小于0，但是它沒(méi)有在超過(guò)兩幀情況下保持，因此它不累加。

然而對(duì)于如圖10所示，圖(a)這種情況，累積差值法在識(shí)別眼睛狀態(tài)時(shí)存在以下問(wèn)題，如圖(b)的第257和260幀所示，雖然它們顯示的是閉眼，但是由于差值大于0，它們不是累積的，導(dǎo)致圖(b)的第255幀到260幀都被錯(cuò)誤地識(shí)別為睜開(kāi)眼睛，因此使用了具有自適應(yīng)閾值的累積差值作為特征。

圖10 自適應(yīng)人眼睜閉過(guò)程中黑色像素值隨幀數(shù)變化

如圖11所示，將累積差與自適應(yīng)閾值的使用規(guī)則建模為有限狀態(tài)機(jī)[13](FSM)，F(xiàn)SM有兩種狀態(tài)，狀態(tài)0和狀態(tài)1，首先檢測(cè)當(dāng)前幀黑色像素與前一幀的差值是否大于或等于0，若大于或等于0設(shè)定為此時(shí)為狀態(tài)0并保持狀態(tài)不變，否則由狀態(tài)0變成狀態(tài)1，在狀態(tài)1時(shí)，再檢測(cè)此時(shí)的差值是否小于閾值T(t)時(shí)，若小于T(t)保持狀態(tài)1，并連續(xù)累積差值，否則，狀態(tài)1變成狀態(tài)0，差值不累積。

圖11 有限狀態(tài)機(jī)

基于自適應(yīng)閾值黑色像素算法如下

(5)

T(t)=α*|D(t-1)|,α∈[0,1]

(6)

FSM定義如下，其中ΔN(t) 為第t幀與前一幀的黑色像素?cái)?shù)差值，D(t-1) 為在t-1幀的累積差值，α為0到1之間的定值。

通過(guò)自適應(yīng)閾值算法，如圖10(c)中255幀開(kāi)始差值小于0，設(shè)定為狀態(tài)1，且差值小于閾值，進(jìn)行連續(xù)累加差值，如圖10(c)中257幀和260幀差值可以正確累計(jì)，因此第255幀到260幀可以正確判斷為閉眼狀態(tài)。

2.4 基于積分投影計(jì)算人眼水平投影高度和寬度比值

根據(jù)定位的人眼區(qū)域，提取人眼二值化圖像，再對(duì)二值化圖像進(jìn)行水平投影，得到如圖12所示不同狀態(tài)下人眼水平投影曲線。

圖12 不同狀態(tài)下人眼水平投影曲線

如圖12中所示，眼睛睜開(kāi)時(shí)縱坐標(biāo)跨度較大，橫坐標(biāo)峰值較小，而閉眼時(shí)縱坐標(biāo)跨度較小，橫坐標(biāo)峰值較大，但是實(shí)際情況二者差距不大，因此通過(guò)計(jì)算人眼水平投影的高度與寬度的比值來(lái)識(shí)別眼睛狀態(tài)。先計(jì)算水平投影曲線的高度h和寬度w，計(jì)算并保存h、w和h/w這3個(gè)值，分別記為H、W、K。當(dāng)滿足K值大于0.4時(shí)，可以定義睜眼狀態(tài)，否則為閉眼狀態(tài)。

2.5 SVM分類器融合多特征狀態(tài)識(shí)別

SVM通過(guò)找出邊際最大的決策邊界，來(lái)對(duì)數(shù)據(jù)進(jìn)行分類的分類器。擁有更大的邊際的決策邊界在分類中泛化誤差較小，從而使實(shí)際樣本間隔更大。通過(guò)SVM分類器來(lái)進(jìn)行二分類，其中數(shù)據(jù)選取、處理、訓(xùn)練、測(cè)試都是基于PyCharm開(kāi)發(fā)環(huán)境和OpenCV視覺(jué)庫(kù)等平臺(tái)進(jìn)行具體實(shí)現(xiàn)的。

2.5.1 數(shù)據(jù)選取

本文從YawDD駕駛環(huán)境中拍攝的視頻數(shù)據(jù)集[13]、ZJU眨眼數(shù)據(jù)集[14]中各選取20人，男女各20人，其中20人戴眼鏡，20人不帶眼鏡，再?gòu)闹胁杉?000張睜眼圖像、4000張閉眼圖像，同時(shí)自己采集2000張睜眼圖像、2000張閉眼圖像，一共采集12 000張睜眼和閉眼狀態(tài)圖像。

2.5.2 數(shù)據(jù)處理

首先對(duì)每個(gè)樣本進(jìn)行提取人臉特征點(diǎn)，然后通過(guò)式(4)計(jì)算眼睛縱橫比值記為第一個(gè)特征值F1、由自適應(yīng)閾值法得到的黑色像素累積差值記為第二個(gè)特征值F2、把水平投影高度和寬度的比值h/w記為第三個(gè)特征值F3，即對(duì)每個(gè)樣本提取3個(gè)特征值，3個(gè)特征值分別對(duì)應(yīng)X、Y、Z軸，對(duì)每個(gè)睜眼樣本和閉眼樣本都進(jìn)行特征提取操作。

2.5.3 特征參數(shù)歸一化

由于不同特征參數(shù)之間的量綱不同導(dǎo)致數(shù)值較小的特征參數(shù)在訓(xùn)練過(guò)程中的占比較小，需要對(duì)每個(gè)特征參數(shù)數(shù)據(jù)進(jìn)行歸一化處理，采用Z-score標(biāo)準(zhǔn)化方法，即求取原始參數(shù)數(shù)據(jù)的均值和標(biāo)準(zhǔn)差，再把均值和標(biāo)準(zhǔn)差進(jìn)行數(shù)據(jù)的標(biāo)準(zhǔn)化處理，使處理后的均值和標(biāo)準(zhǔn)差符合正態(tài)分布，然后再進(jìn)行以下轉(zhuǎn)化函數(shù)

(7)

式中：x*為歸一化后的值，x為原始特征值，μx為所有樣本數(shù)據(jù)的均值，σx為所有樣本數(shù)據(jù)的標(biāo)準(zhǔn)差。

2.5.4 模型訓(xùn)練即參數(shù)尋優(yōu)

SVM分類器[15]可以表示為

(8)

(9)

(10)

式中：N是訓(xùn)練數(shù)據(jù)的總數(shù)，yi∈{-1,1} 為訓(xùn)練樣本眼睛狀態(tài)類別，-1表示閉眼狀態(tài)，1表示睜眼狀態(tài)，K(x,xi) 表示核函數(shù)，系數(shù)ai可以通過(guò)由線性約束的二次規(guī)劃得到，常數(shù)b是偏差項(xiàng)。本文采取3個(gè)特征輸入，通過(guò)引入核函數(shù)，支持向量機(jī)可以擴(kuò)展到非線性決策面上，然后利用支持向量確定可以區(qū)分兩類的超平面，來(lái)尋找讓數(shù)據(jù)線性可分的高位空間。根據(jù)最小分類誤差，RBF核函數(shù)分類非線性情況效果較好，故本文采用RBF核函數(shù)進(jìn)行模型訓(xùn)練，式(9)為RBF核函數(shù)，參數(shù)γ定義單個(gè)樣本的影響大小，式(10)為目標(biāo)方程，w和b是模型參數(shù)，ξ參數(shù)為松弛變量，懲罰參數(shù)C是在錯(cuò)誤分類樣本和分界面簡(jiǎn)單性之間進(jìn)行權(quán)衡，這兩個(gè)參數(shù)的選取對(duì)預(yù)測(cè)結(jié)果的精度非常關(guān)鍵。我們通過(guò)分類器交叉驗(yàn)證法來(lái)尋找使預(yù)測(cè)結(jié)果最優(yōu)的參數(shù)C和γ，從收集到的特征值中選取2000組特征值分為10組，每次選9組為訓(xùn)練集，剩余1組為測(cè)試集，選取的所有特征值都經(jīng)過(guò)歸一化處理，測(cè)試結(jié)果標(biāo)簽保存到對(duì)應(yīng)類別中，經(jīng)過(guò)尋優(yōu)發(fā)現(xiàn)，當(dāng)參數(shù)C=1.92，γ=0.9時(shí)，模型預(yù)測(cè)分類效果較好。

2.5.5 實(shí)驗(yàn)檢測(cè)

當(dāng)用SVM分類器融合校正后的特征點(diǎn)計(jì)算人眼的縱橫比值以及人眼二值圖像計(jì)算累積黑色素差值這兩個(gè)特征時(shí)，得出的二維平面分類結(jié)果如圖13所示，睜眼和閉眼這兩種類別基本可以區(qū)分開(kāi)來(lái)，但是還是有少量類別區(qū)分錯(cuò)誤。當(dāng)用SVM分類器融合校正后的特征點(diǎn)計(jì)算人眼的縱橫比值和人眼二值圖像計(jì)算累積黑色素差值以及人眼水平投影高度和寬度比值這3個(gè)特征時(shí)，在三維立體坐標(biāo)系中進(jìn)行分類，如圖14所示，圖(a)和圖(b)采用了不同的角度展示分類效果，在二維平面分類錯(cuò)誤的點(diǎn)在三維坐標(biāo)系中得到正確的區(qū)分，分類準(zhǔn)確率提升到97.51%。

圖13 SVM二維平面分類結(jié)果

圖14 SVM三維立體分類結(jié)果

通過(guò)表2可以看出，提出基于融合多特征算法可以較準(zhǔn)確的識(shí)別眼睛的兩種狀態(tài)，表3為不同算法對(duì)眼睛狀態(tài)的分類準(zhǔn)確率對(duì)比，結(jié)果表明提出的SVM三維立體分類的識(shí)別方法相較于SVM二維平面分類的狀態(tài)識(shí)別方法分類準(zhǔn)確率更高，與文獻(xiàn)[16]相比，本文算法睜眼和閉眼識(shí)別的準(zhǔn)確率也都要更高。

表2 基于SVM融合多特征算法分類測(cè)試結(jié)果

表3 不同算法在眼睛狀態(tài)分類對(duì)比

2.6 基于眼睛篩選機(jī)制的實(shí)驗(yàn)對(duì)比

在實(shí)際駕駛過(guò)程中，駕駛員會(huì)有多種頭部姿態(tài)，當(dāng)左右偏頭幅度過(guò)大時(shí)，會(huì)出現(xiàn)一只眼睛被遮擋，這時(shí)很難準(zhǔn)確提取雙眼的特征，一旦出現(xiàn)一只眼睛錯(cuò)檢，就會(huì)影響最終眼睛狀態(tài)的判斷，對(duì)實(shí)驗(yàn)結(jié)果有很大干擾。為驗(yàn)證頭部多姿態(tài)時(shí)檢測(cè)結(jié)果的準(zhǔn)確率，以駕駛員的正前方為中心軸，頭部向各個(gè)方向偏轉(zhuǎn)一定角度進(jìn)行雙眼檢測(cè)。

如圖15所示，給出部分具有代表性的4種頭部偏轉(zhuǎn)狀態(tài)實(shí)驗(yàn)圖。當(dāng)駕駛員頭部偏轉(zhuǎn)較小方位內(nèi)，雙眼檢測(cè)可以達(dá)到較好效果，圖(d)當(dāng)頭部出現(xiàn)極端角度時(shí)，眼睛狀態(tài)檢測(cè)時(shí)出現(xiàn)了錯(cuò)檢，準(zhǔn)確率會(huì)大幅下降，因此可以采用單眼檢測(cè)機(jī)制，用未被遮擋的單只眼睛代替雙眼檢測(cè)機(jī)制。具體操作如圖16所示。

圖15 雙眼檢測(cè)示例

圖16 眼睛篩選機(jī)制

圖16中x1和x2分別表示檢測(cè)框的寬和高，s表示兩個(gè)瞳孔中心間的距離，d表示瞳孔連線中心點(diǎn)到人臉右框的距離，由于檢測(cè)到的人臉大小不一，所以要對(duì)邊框進(jìn)行切割，提高準(zhǔn)確率，令w=3/4x1, 當(dāng)d大于w/2時(shí)只對(duì)圖中右眼進(jìn)行狀態(tài)判斷，反之只對(duì)圖中左眼進(jìn)行狀態(tài)判斷。這里測(cè)試600張人臉圖像，分別選取在轉(zhuǎn)動(dòng)角度為-30°到30°以及轉(zhuǎn)動(dòng)角度為-60°到60°情況，第一組檢測(cè)睜眼狀態(tài)，第二組檢測(cè)閉眼狀態(tài)，實(shí)驗(yàn)部分單眼檢測(cè)不戴眼鏡各種轉(zhuǎn)動(dòng)角檢測(cè)結(jié)果如圖17所示。

圖17 基于眼睛篩選機(jī)制單眼檢測(cè)不戴眼鏡示例

如圖18所示，第一組檢測(cè)睜眼狀態(tài)，第二組檢測(cè)閉眼狀態(tài)，戴眼鏡時(shí)單眼檢測(cè)不同轉(zhuǎn)動(dòng)角識(shí)別效果也較好。

圖18 基于眼睛篩選機(jī)制單眼檢測(cè)戴眼鏡示例

由表4和表5可知，單眼檢測(cè)對(duì)頭部適應(yīng)性較好，當(dāng)檢測(cè)到頭部大幅度偏轉(zhuǎn)時(shí)采用單眼檢測(cè)具有較高準(zhǔn)確率。

表4 單眼檢測(cè)不戴眼鏡結(jié)果

表5 單眼檢測(cè)戴眼鏡結(jié)果

采用YawDD視頻數(shù)據(jù)集、ZJU眨眼數(shù)據(jù)集來(lái)測(cè)試單眼檢測(cè)和雙眼檢測(cè)的準(zhǔn)確率，各選取20組不戴眼鏡，10組戴眼鏡，總共從拍攝的視頻中選取10 000幀圖片，見(jiàn)表6，實(shí)驗(yàn)結(jié)果表明自適應(yīng)單眼檢測(cè)無(wú)論是在戴眼鏡還是不戴眼鏡情況下準(zhǔn)確率都更高。

表6 單眼檢測(cè)和雙眼檢測(cè)眼睛狀態(tài)對(duì)比

2.7 疲勞駕駛檢測(cè)

當(dāng)在實(shí)際行駛過(guò)程中，駕駛員疲勞時(shí)會(huì)出現(xiàn)頻繁眨眼的現(xiàn)象，同時(shí)眼部狀態(tài)信息是最能顯示疲勞狀態(tài)，為此可以通過(guò)獲取駕駛員眼部的狀態(tài)信息來(lái)判斷駕駛員的疲勞狀態(tài)。本文選取基于PERCLOSE準(zhǔn)則[17]的ECR作為眼部疲勞特征參數(shù)，ECR指檢測(cè)到閉合狀態(tài)時(shí)幀數(shù)與一次眨眼整個(gè)過(guò)程幀數(shù)的比率，即

(11)

式中：n為閉合狀態(tài)時(shí)幀數(shù)，N為眨眼整個(gè)過(guò)程幀數(shù)，根據(jù)眼睛篩選機(jī)制判斷眼睛狀態(tài)方法得到參數(shù)n和N，當(dāng)ECR范圍在0.3到1視為疲勞狀態(tài)，ECR范圍在0到0.2視為正常狀態(tài)，ECR范圍在0.2到0.3內(nèi)時(shí)介于正常和疲勞狀態(tài)之間，為此對(duì)ECR這個(gè)范圍的閾值進(jìn)行6000組測(cè)試，測(cè)試結(jié)果見(jiàn)表7，當(dāng)ECR為0.25時(shí)，檢測(cè)的準(zhǔn)確率最高。

表7 不同ECR值的疲勞檢測(cè)準(zhǔn)確率對(duì)比

文獻(xiàn)[18]采用CNN回歸網(wǎng)絡(luò)檢測(cè)人臉關(guān)鍵點(diǎn)，并用寬度學(xué)習(xí)對(duì)面部狀態(tài)進(jìn)行判別，最后，通過(guò)二級(jí)寬度學(xué)習(xí)網(wǎng)絡(luò)融合眼睛，嘴部和頭部狀態(tài)預(yù)測(cè)駕駛員疲勞狀態(tài)。文獻(xiàn)[19]采用深度卷積層學(xué)習(xí)獲取圖像和特征，并利用相鄰幀間關(guān)系預(yù)測(cè)疲勞狀態(tài)，不同算法疲勞檢測(cè)對(duì)比見(jiàn)表8，相比之下本文精度更高。根據(jù)研究發(fā)現(xiàn)，駕駛員正常情況下的眨眼頻率為15到30 次/分鐘，本文提出的方法檢測(cè)每幀圖片只需要0.091 s，正常平均每次眨眼0.25 s到0.3 s，所以本文算法可以檢測(cè)多種姿態(tài)下的眼睛狀態(tài)，同時(shí)滿足實(shí)時(shí)性的要求。

3 結(jié)束語(yǔ)

本文提出多特征融合的疲勞駕駛檢測(cè)方法，通過(guò)傳統(tǒng)的方法進(jìn)行特征提取，基于SVM分類器融合人眼的縱橫比值、累積黑色素差值、人眼水平投影高度和寬度比值3個(gè)特征，再結(jié)合眼睛篩選機(jī)制進(jìn)行狀態(tài)檢測(cè)，不僅可以適應(yīng)不同光照強(qiáng)度、減少頭部姿態(tài)和戴眼鏡的干擾，而且能實(shí)時(shí)更新檢測(cè)的疲勞狀況，實(shí)驗(yàn)結(jié)果表明該方法具有較高的識(shí)別率和較強(qiáng)的實(shí)用性。

表8 不同算法的疲勞檢測(cè)性能對(duì)比