基于STM32 智能算法的汽車防疲勞駕駛檢測系統(tǒng)

羅龍

（江西理工大學(xué)，江西贛州，341000）

0 引言

我國每年因為疲勞駕駛發(fā)生交通事故數(shù)量有一定增長，數(shù)據(jù)顯示年交通事故發(fā)生率達(dá)到20 萬起，死亡人數(shù)達(dá)到6萬多人，疲勞駕駛所致交通事故的死亡人數(shù)為3000 人左右，占比達(dá)到4.9%左右。世界范圍內(nèi)，人為因素所致交通事故占比達(dá)到85%左右，駕駛員疲勞駕駛占比較高。人們在駕駛汽車時候，并不能夠進行持續(xù)駕駛，長時間駕駛?cè)菀讓?dǎo)致身體疲勞，進而打瞌睡，生理學(xué)家研究提出一旦睡意來襲，人們會出現(xiàn)5 ～10s 短暫性睡眠，雖然從表面上看駕駛員眼睛睜著，但是大腦已進入休息狀態(tài)。針對此情況，為有效減少因為駕駛員疲勞駕駛所致交通事故發(fā)生率，需要專門建構(gòu)一個汽車防疲勞駕駛檢測系統(tǒng)[1]，因此本次在STM32 智能算法的應(yīng)用下，實現(xiàn)關(guān)于汽車防疲勞駕駛檢測系統(tǒng)的設(shè)計，并對其應(yīng)用效果實施試驗研究。

1 整體系統(tǒng)設(shè)計

在本次系統(tǒng)設(shè)計中，整體設(shè)計包括有數(shù)據(jù)采集模塊、最小主控系統(tǒng)、藍(lán)牙以及應(yīng)用層等部分。數(shù)據(jù)采集模塊主要是對駕駛員面部特征數(shù)據(jù)實施采集，主控系統(tǒng)可以實現(xiàn)和系統(tǒng)芯片的實時通訊，針對所采集的數(shù)據(jù)值通過SPI 傳輸協(xié)議，直接傳輸?shù)絊TM32 智能算法的MCU 主控中，MCU 在獲取原始數(shù)據(jù)后通過串口傳輸給藍(lán)牙模塊，之后將其發(fā)送到PC端應(yīng)用層，以此實現(xiàn)關(guān)于相關(guān)數(shù)據(jù)的處理，獲取駕駛員的面部特征數(shù)據(jù)處理結(jié)果，進而實現(xiàn)對其狀態(tài)的評估。整體方案見圖1。

圖1 整體設(shè)計方案

在這一系統(tǒng)架構(gòu)中，選用的是半導(dǎo)體的STM32 系列作為最小主控系統(tǒng)。當(dāng)前市面上存在有較多微控制器，例如TI 的MSP 產(chǎn)品、51 單片機以及ST 公司的STM32 以及STM8 等，相對來講STM32 應(yīng)用最為廣泛，操作最為便捷，因此本次選取這一系列。在秉承夠用即可原則下，這一系統(tǒng)選取的是STM32 F0 系列作為主控[2]，這一單片機設(shè)置有為M0 內(nèi)核，存在有32 位處理性能，也具備STM32 系列較多功能，屬于是一個微控制器，在應(yīng)用中的優(yōu)勢有實時性強、運算功效低以及具有一定先進性，工作頻率為48MHz，且具備豐富的I/0 口，不但可以充分發(fā)揮系統(tǒng)主控資源有效利用例，也能夠在應(yīng)用中迅速實施傅里葉算法，對于內(nèi)存以及閃存的要求不高。另外在市場上應(yīng)用較為廣泛，硬件資源豐富，性價比較高。

2 系統(tǒng)實現(xiàn)

2.1 檢測原理

針對圖像處理智能分析中，即為通過所獲取的圖像信息進行評估。其中數(shù)據(jù)有效性對其評估結(jié)果具有直接影響，因此需要將存在遮擋、清晰度不足的圖像進行處理[3]。防疲勞檢測系統(tǒng)主要是對人臉信息進行檢測，詳情見圖2，先要實施面部信息特征識別，若存在有效信息，采用相關(guān)算法對其實施智能判斷；若清晰度不足，先要再次采集相關(guān)信息，再次識別；若無法成功采集到面部信息，需要再次進行采集之后實時數(shù)據(jù)處理。

圖2 數(shù)據(jù)清理和過濾

圖3 眼睛6 點示意圖

針對所獲取的數(shù)據(jù)，可以針對駕駛員眼睛和嘴巴閉合度、閉合時間對其疲勞狀態(tài)實施判斷。在眼睛評估中分析連續(xù)20 幀內(nèi)眼睛閉合情況，若出現(xiàn)連續(xù)幀內(nèi)眼睛閉合，未睜開，也就可以發(fā)出提醒語言；若閉眼次數(shù)已經(jīng)達(dá)到20 次，需要發(fā)出預(yù)警提示；若嘴巴張開尺度已經(jīng)過大情況，即可以判定為疲勞。在針對眼睛特征參數(shù)分析中，主要指標(biāo)包括有眼睛閉合時間百分比、閉眼持續(xù)時間最大值以及眨眼頻率[4]。其中在眼睛閉合時間百分比（PRRCLOS）中，也就是一定周期內(nèi)眼睛閉合程度在某一閾值范圍之外時間占比。為簡化計算，提升計算準(zhǔn)確性，可以在視頻幀數(shù)的應(yīng)用下替代時間，也就是計算單位時間內(nèi)閉眼視頻幀數(shù)在總視頻中的占比進行計算，具體計算公式為：

在以上公式中，N 為單位時間內(nèi)閉眼視頻幀數(shù)，M 為單位時間內(nèi)視頻總幀數(shù)。

針對閉眼持續(xù)時間最大值（MDEC）計算中，即為計算特定時間內(nèi)眼睛閉合持續(xù)時間的最大值。通常在人體疲勞狀態(tài)下，會隨著疲勞程度加深而逐漸延長人體的眼睛的睜閉時間。所以，可以針對正常清醒狀態(tài)下，駕駛員正常閉眼持續(xù)時間最大值實施統(tǒng)計，并將其作為閾值，檢測發(fā)現(xiàn)某段時間內(nèi)駕駛員閉眼持續(xù)時間最大值比這一閾值大，即可判定為駕駛員疲勞。具體計算公式為：

在以上公式中，Z1，Z2，...，ZN分別為某時間段內(nèi)的眼睛閉合持續(xù)時間。

針對眨眼頻率（BF）計算中，即為統(tǒng)計1min 中的眨眼次數(shù)。在這一指標(biāo)評估中，是在眼睛縱橫比（EAR）應(yīng)用下實現(xiàn)對眼睛張開程度的評估[5]，即為采用的是6 點判定法，針對每只眼睛采用6 個點表示，具體見圖2。眼部縱橫比的應(yīng)用計算公式為：

在以上公式中，P1，P2...P6即為眼部特征點6 點。

嘴部特征參數(shù)提取中，是在嘴巴縱橫比（MAR）應(yīng)用下實現(xiàn)對其張開程度的判定，結(jié)合持續(xù)時間，通常打哈欠時間在4s 以上，以此判定駕駛員是否打哈欠。

嘴部縱橫比計算方法為：

在以上公式中，M1，M...M6 為嘴部特征點。如果MAR計算結(jié)果在正常狀態(tài)下最大閾值以上，即為判定為打哈欠。

2.2 系統(tǒng)實現(xiàn)

在我們?nèi)粘Ｉ钪?，圖像處理技術(shù)的應(yīng)用較為廣泛，即為在圖像識別中，針對采集的圖像實施預(yù)處理，消除冗余信息，以能夠有效提取關(guān)鍵特征信息。

2.2.1 數(shù)據(jù)處理

系統(tǒng)中的數(shù)據(jù)比較多，也具備多樣性以及異構(gòu)性，針對數(shù)據(jù)處理過程中需要數(shù)據(jù)具備一定實時性和準(zhǔn)確性。所以，針對數(shù)據(jù)處理可以有效應(yīng)用數(shù)據(jù)融合、數(shù)據(jù)激活、數(shù)據(jù)挖掘以及數(shù)據(jù)可視化等相關(guān)技術(shù)。因此本次設(shè)計系統(tǒng)檢測采集的數(shù)據(jù)中，還存在有部分視頻圖像數(shù)據(jù)，所以也需要有效應(yīng)用圖像智能分析技術(shù)，進而實施視頻圖像數(shù)據(jù)處理，在分層處理過程中有效分離視頻圖像的有用信息。這一技術(shù)在應(yīng)用中，主要是建立在強大數(shù)據(jù)處理功能基礎(chǔ)上，能夠迅速分析視頻圖像數(shù)據(jù)，且對其實施過濾冗余信息處理。自動分析以及提取視頻源中的關(guān)鍵信息，因此為駕駛員狀態(tài)評估提供有用信息[6]。例如在圖像識別技術(shù)的應(yīng)用下，可以在通行數(shù)據(jù)的應(yīng)用下，實現(xiàn)關(guān)于車輛車牌號以及品牌等信息的識別。也能夠在駕駛員駕車視頻的應(yīng)用下，實現(xiàn)對駕駛員駕駛狀態(tài)的判斷評估。

2.2.2 圖像識別

在計算機和電子技術(shù)迅速發(fā)展應(yīng)用下，計算機不但能夠?qū)崿F(xiàn)圖像的實時處理，也能夠為圖像處理提供高效算法以及識別技術(shù)。其中識別技術(shù)的應(yīng)用較為廣泛，主要是針對圖像特征，實現(xiàn)關(guān)于圖像的預(yù)處理，以此將圖像中的冗余信息有效消除，進而實現(xiàn)關(guān)于圖像中關(guān)鍵人物信息的提取。之后還能夠針對圖像樣本實施分類，以此獲取不同特征分類組，進而也就可以實現(xiàn)關(guān)于識別完成圖像的識別分類。

想要進一步提升檢測模塊識別率，首先要實施圖像處理。針對圖像實施預(yù)處理，可以顯著降低圖像信息中的冗余信息，最大化減少原始圖像噪聲。在這一單元建構(gòu)中主要包括有照相機、掃描儀以及其他采集設(shè)備。通常圖像預(yù)處理過程中，主要為灰度化、去噪、分割等相關(guān)步驟。

2.2.3 圖像灰度級

因為彩色圖像調(diào)色板內(nèi)容相對較為復(fù)雜，對于較多圖像

算法沒有足夠的處理能力，所以需要處理彩色圖像的灰度值。圖像中各個像素R、G 以及B 分量灰度圖像值一致。通常圖像灰度值即為針對圖像的R、G 以及B 分量實施加權(quán)，最終獲取的灰度值即為最終的使用參數(shù)。一般在針對灰度值計算過程中，所采用的方法有平均法、加權(quán)平均法以及最大法等[7]。本次采用的是平均法，以此實現(xiàn)關(guān)于各個像素R、G 以及B 分量的平均亮度計算，所得結(jié)果即為這一像素的灰度值，計算方法為：

這一像素點的兩個值是在把一定標(biāo)準(zhǔn)內(nèi)實現(xiàn)對像素的分類，通常是分成具有較大對比度的兩種顏色。在灰度值計算中所采用的方法有自適應(yīng)閾值和給定閾值，本次是在閾值法應(yīng)用下實施計算，具體為設(shè)置圖像（fx,y），灰度范圍需要在兩者之間選取合理灰度值P，其中灰度值P 的范圍為，具體為：

在以上公式中，(x,y)為像素點圖表，P 代表閾值，F(xiàn)(x,y)即為在這一像素點經(jīng)過兩值處理中的灰度圖像，g(x,y)即為原始灰度圖像。通過以上公式可以看出，如果g(x,y)＜P 情況下，f(x,y)為0，這一點即為背景圖像點；如果g(x,y)≥P 情況下，f(x,y)為1，這一點即為目標(biāo)像點。如果計算發(fā)現(xiàn)P 值較大，也會出現(xiàn)將出現(xiàn)物體作為是背景情況；如果發(fā)現(xiàn)P 值較小，容易導(dǎo)致這一值和噪聲出現(xiàn)混合。通過自適應(yīng)閾值化應(yīng)用下，能夠針對圖像依照所選取閾值實施二值化處理，處理對象呈現(xiàn)出黑色，背景為白色。

3 試驗分析

在駕駛員面部特征提取疲勞狀態(tài)評估中，最容易提取的體征即為眼部及嘴部特征，所以本次試驗研究則以駕駛員眼睛和嘴巴特征參數(shù)作為識別參數(shù)。

3.1 數(shù)據(jù)采集

在實際道路駕駛過程中，在本次系統(tǒng)應(yīng)用下實現(xiàn)對駕駛員駕駛過程面部圖像數(shù)據(jù)實施采集，以此對其面部特征提取，并評估系統(tǒng)的應(yīng)用有效性。本次研究共選取8 位駕駛員，6 位男性、2 位女性，年齡不同。試驗過程中叮囑駕駛員駕駛過程中盡量減少換道操作，如果遇到阻擋盡可能實施跟車，避免交談，禁止播放音樂等。選取城市站道路，駕駛速度為50—80km/h，盡可能不要超出所選取的形式路段。在得到視頻樣本后，和駕駛員的自我描述及評價小組綜合評價結(jié)果實現(xiàn)對其疲勞狀態(tài)的評估[8]。評估規(guī)則即為：分割駕駛員的面部視頻，將其轉(zhuǎn)變?yōu)闀r長為30s 的視頻片段，結(jié)合面部特征評價各個駕駛員疲勞狀態(tài)。評估結(jié)果為三級，分別為清醒、疲勞以及嚴(yán)重疲勞。具體見表1。

表1 試驗樣本情況

3.2 特征點定位

在特征點定位中，針對系統(tǒng)所采集的圖像實施隨機像素點閾值對比，實現(xiàn)對其分裂方向的判斷，將圖像在某個葉節(jié)點中進行劃分，通過葉節(jié)點平均殘差，也就是在位置偏移量的應(yīng)用下，實現(xiàn)對初始形狀向量的更新，之后將結(jié)果輸給下一棵樹。各級回歸期均需要實施多次更新，且將偏移位移量輸出，針對輸出結(jié)果實施級聯(lián)回歸更新，即可以獲取預(yù)測形狀。人臉特征點定位見圖4。

圖4 人臉特征點定位過程

3.3 疲勞判定流程

在關(guān)于眼睛狀態(tài)評估中，選取的PETCLOS 參數(shù)閾值為0.12，如果針對駕駛員狀態(tài)評估中計算結(jié)果在這一閾值以上，即判定為疲勞；選取的MDEC 計算結(jié)果如果在0.8s 以上，即判定為疲勞；選取的眨眼頻率參數(shù)，統(tǒng)計的閾值為15~20 次/min，若計算結(jié)果在這一范圍之外即判定為疲勞；針對嘴部縱橫比，閾值為0.8，如果計算結(jié)果在這一值以上，即判定為出現(xiàn)打哈欠行為。在針對駕駛員狀態(tài)實施檢測中，若發(fā)現(xiàn)眼部和嘴部特征參數(shù)不一致，處理策略為：第一，如果發(fā)現(xiàn)駕駛員眼睛參數(shù)存在有兩項或以上在閾值之上，但是嘴部并未打哈欠，主要參考指標(biāo)即為眼部特征，即為疲勞；第二，如果發(fā)現(xiàn)駕駛員嘴部打哈欠，但是眼睛相關(guān)指標(biāo)正常，依舊是以嘴部特征為主，即為疲勞。因為一旦人體出現(xiàn)重度疲勞，也就會出現(xiàn)面部表情僵硬，頭部動作變換遲緩，肢體動作時有時無或者緩慢，所以在狀態(tài)判斷中主要參數(shù)為眼睛特征。所設(shè)定的眼部狀態(tài)參數(shù)有兩項或以上超出閾值范圍25%，即可以判定為嚴(yán)重疲勞。相應(yīng)的疲勞判定流程如圖5 所示。

圖5 疲勞判定流程

3.4 結(jié)果評估

針對本次所采集的8 位駕駛員樣本集中，隨機抽取100個有效樣本實施分析，分別標(biāo)定有效樣本，將樣本輸入到系統(tǒng)中，由系統(tǒng)對其實施識別。

其中樣本標(biāo)定結(jié)果和系統(tǒng)識別結(jié)果見表2。通過評估結(jié)果可以發(fā)現(xiàn)，系統(tǒng)識別結(jié)果具有較高準(zhǔn)確率[9]，針對駕駛員的清醒和非清醒狀態(tài)可以實施準(zhǔn)確評估，平均識別準(zhǔn)確率為91.26%，具有比較高識別準(zhǔn)確率。

表2 樣本評估結(jié)果

4 結(jié)語

通過以上研究，所得結(jié)果為：第一，在針對駕駛員疲勞狀態(tài)檢測中，通過駕駛員面部特征實施識別，進而提取臉部圖像，判定有效信息，除去無效信息，可以實現(xiàn)對駕駛員疲勞狀態(tài)的評估；第二，在汽車防疲勞駕駛檢測系統(tǒng)應(yīng)用中，可以在數(shù)據(jù)處理、圖像識別以及圖像灰度級的應(yīng)用下，實現(xiàn)關(guān)于圖像特征的提取和評估；第三，針對汽車防疲勞駕駛檢測系統(tǒng)所采集的數(shù)據(jù)，實施疲勞狀態(tài)評估中，所選取的面部特征參數(shù)為眼睛和嘴部特征，主要為眼睛閉合時間百分比、閉眼持續(xù)時間最大值以及眨眼頻率、嘴部縱橫比，制定相關(guān)參數(shù)閾值，進而實現(xiàn)對駕駛員疲勞狀態(tài)的評估；第四，本次設(shè)計系統(tǒng)在應(yīng)用中，所得平均識別準(zhǔn)確率達(dá)到91.26%，針對交通安全具有重要預(yù)防作用。