基于機器視覺的駕駛員危險駕駛檢測系統(tǒng)的設計與實驗研究

張貝寧，郜健銘，王靖涵，張 敬，頓媛雅，許留洋

（周口師范學院，河南 周口）

疲勞駕駛是誘發(fā)交通事故的重要因素，如果能夠在駕駛員出現(xiàn)駕駛疲勞時準確檢測并進行語音提醒，可以幫助駕駛員集中注意力，從而降低交通事故的發(fā)生率。基于機器視覺的駕駛員危險駕駛檢測系統(tǒng)，利用車內(nèi)攝像頭實時采集駕駛員的頭部圖像信息，并通過人臉檢測算法對駕駛員的眼睛狀態(tài)進行識別，通過算法計算出是否處于疲勞狀態(tài)。當判定為疲勞駕駛時，通過語音提示駕駛員及時休息，切實保障了行車安全。

1 駕駛員危險駕駛檢測系統(tǒng)的硬件設計

1.1 系統(tǒng)的硬件結(jié)構(gòu)

該系統(tǒng)對圖像處理速度要求較高，為滿足系統(tǒng)的實時性要求采用了TMS320C6748 型DSP 芯片，該芯片能減少卷積運算和信號濾波的時間，顯著提高了數(shù)字信號的運算速率，滿足了實時檢測的需求。從組成架構(gòu)上來看，駕駛員危險駕駛檢測系統(tǒng)主要由圖像采集、圖像存儲和圖像處理3 個核心模塊構(gòu)成，除此之外還有配套的電源模塊、語音報警模塊等，硬件的整體架構(gòu)見圖1。

圖1 系統(tǒng)硬件結(jié)構(gòu)圖

圖像采集模塊的核心設備是前端攝像頭，用于收集汽車駕駛員的圖像信息，將收集信息進行A/D 轉(zhuǎn)換后利用VPIF 接口輸入到DSP 芯片中。CPU 對轉(zhuǎn)換后的信息進行處理，利用EDMA 控制器將處理后的結(jié)果傳輸至存儲器中。根據(jù)分析結(jié)果，如果系統(tǒng)判定駕駛員存在危險駕駛行為，則利用McASP 音頻輸出接口控制報警器發(fā)出警報，提醒駕駛員。

1.2 圖像采集模塊設計

該模塊的主要作用是采集駕駛員的實時圖像，因此對攝像頭的像素、靈敏度、動態(tài)范圍等參數(shù)有較高的要求。本系統(tǒng)選用帶圖像傳感器的MT9V034 型攝像頭，輸出圖像的像素為760×500，最大時鐘頻率30 MHz，在光線較暗的環(huán)境下也能清晰成像。在確定攝像頭的型號與參數(shù)后，還要尋找合適的安裝位置。為了拍攝到完整的駕駛員頭部圖像，將攝像頭放置在駕駛員前方35～40 cm 處，仰角為60～70°，攝像頭焦距在15～18 mm 之間。

1.3 處理器的選擇

處理器的性能決定了駕駛員危險駕駛檢測系統(tǒng)的應用效果，本系統(tǒng)的處理器（CPU）選擇TI 公司生產(chǎn)的TMS320C6478 芯片，該芯片擁有C674X 內(nèi)核結(jié)構(gòu)，內(nèi)置64 個32 位的通用寄存器，支持C674x 系列指令集和C++語言，降低了系統(tǒng)的開發(fā)難度。提供VPIF 視頻接口和McSAP 語音接口，提高了圖像、語音、視頻等多種類型信息的傳輸能力。配備的EMDA 增強型訪問控制器，對提高系統(tǒng)的整體運行效能有積極幫助[1]。

1.4 語音報警模塊設計

在系統(tǒng)檢測到駕駛員處于疲勞駕駛狀態(tài)時，播報警示語音提醒駕駛員集中注意力或盡快停車休息。該模塊的核心硬件是TLV320AIC3106 音頻芯片，共有3個I/O 口。其中2 個為音頻輸入口，分別是音頻模擬輸入口、麥克風輸入口；1 個音頻模擬輸出口。在系統(tǒng)啟動運行后，把報警語音文件通過音頻模擬輸入口傳輸?shù)叫酒校⒗脙?nèi)置的A/D 轉(zhuǎn)換模塊將音頻信號變成電信號。當系統(tǒng)檢測到駕駛員處于疲勞駕駛狀態(tài)后，觸發(fā)語音報警功能。此時音頻芯片控制音頻模擬輸出口工作，再重新將電信號轉(zhuǎn)變?yōu)樯硇男盘?，利用外置揚聲器播報語音。

2 駕駛員危險駕駛檢測系統(tǒng)的軟件設計

2.1 系統(tǒng)的軟件結(jié)構(gòu)

本文設計的駕駛員危險駕駛檢測系統(tǒng)，軟件部分主要由圖像采集、圖像預處理、人臉檢測和危險駕駛判定等核心模塊構(gòu)成，軟件結(jié)構(gòu)見圖2。

圖2 系統(tǒng)軟件結(jié)構(gòu)圖

在硬件初始化后，軟件部分同步運行，圖像采集模塊收集駕駛員的圖像，并執(zhí)行一個判斷程序“是否成功獲取一幀圖像？”如果判定結(jié)果為“否”，則返回初始化程序，重新采集圖像信息；在判定結(jié)果為“是”后，進入圖像預處理環(huán)節(jié)。預處理后的圖像有兩種用途，一種是進行人臉檢測，通過人眼定位、提取眼睛閉合度、計算Perclos 值等一系列處理后，完成危險駕駛的判定；另一種是用于分心駕駛判定。如果有疲勞駕駛和分心駕駛行為，則進行語音告警。

2.2 基于視覺特征的疲勞駕駛檢測

2.2.1 圖像預處理

在汽車行駛過程中，由于外界光線的變化以及車輛或攝像頭的抖動等原因，采集到的圖像可能會出現(xiàn)噪聲、失真等情況，導致圖像的清晰度變差，影響檢測結(jié)果的準確性。為了避免此類問題，在設計駕駛員危險駕駛檢測系統(tǒng)的軟件時，加入了圖像預處理模塊，具體方法有兩種：

其一是圖像濾波法，已知圖像的能量主要分布于幅度譜的中低頻段，噪聲主要分布于高頻段，通過圖像濾波有助于降低高頻成分幅度，達到去除噪聲的效果。同時，圖像濾波還能盡可能地保留圖像的細節(jié)特征，不影響圖像本身的精度。其二是光照補償法，主要是解決因為光照過強或過暗引起的圖像失真問題[2]。目前常用的補償算法是直方圖均衡法，計算待處理圖像的灰度分布直方圖，然后通過非線性變換讓圖像中的像素值重新排列，讓像素從集中分布變?yōu)榫鶆蚍植?，達到光照補償效果。

2.2.2 人臉檢測

對于預處理完畢后的圖像，使用AdaBoost 算法做進一步分析，提取特征并檢測圖像中的人臉。人臉檢測的實現(xiàn)大體可分為兩個步驟，即分類器訓練和圖像檢測，流程見圖3。

圖3 人臉檢測流程圖

樣本質(zhì)量在一定程度上決定了分類器對人臉的識別準確度，為此必須提供足夠多的樣本圖像數(shù)據(jù)進行分類器的訓練[3]。在選擇樣本時，收集10 000 張人臉圖像作為正樣本集，同時收集6 000 張非人臉圖像（如動物、汽車、風景等）作為負樣本集。利用正負樣本集訓練分類器。利用Haar-like 特征構(gòu)建弱分類器，其數(shù)學模型為：

上式中，x 表示子窗口圖像，f（x）表示圖像的Haar-like特征值，p 表示不等號的方向，θ 表示閾值。如果Haar-like 特征值在閾值內(nèi)，則輸出結(jié)果為“1”，表示圖像為人臉；反之，如果Haar-like 特征值不再閾值內(nèi)，則輸出結(jié)果為“0”，表示圖像為非人臉，由此實現(xiàn)人臉檢測。按照上述方法對分類器進行500 次迭代訓練。執(zhí)行一個判斷程序“是否達到迭代次數(shù)？”，在迭代次數(shù)達到500 次后完成訓練，將結(jié)果保存為XML 文件，并利用訓練好的分類器進行人臉檢測。

2.2.3 疲勞駕駛判定

當駕駛員長期駕駛并出現(xiàn)駕駛疲勞時，會出現(xiàn)眨眼頻率升高、眼睛閉合速度變慢、閉眼時間過長等生理特征[4]?；跈C器視覺的疲勞駕駛檢測就是在識別人臉的前提下，對人眼的狀態(tài)進行識別，從而利用相關參數(shù)判斷駕駛員是否處于疲勞狀態(tài)。本文采用了以統(tǒng)計像素值為基礎的計算眼睛張開度的方法，計算公式如下：

上式中，H（i）表示第i 幀圖像中眼睛的睜開度，Hm×1/2 表示判斷眼睛睜閉的閾值。如果f（i）為0，表示眼睛閉合；如果f（i）為1，表示眼睛睜開。

在識別眼睛狀態(tài)的基礎上，還要提取疲勞參數(shù)、進行疲勞判定?，F(xiàn)階段常用的疲勞參數(shù)提取方法有兩種類型，分別是基于脈搏、心率的生理參數(shù)法和基于眨眼頻率、眼睛閉合時間的視覺特征參數(shù)法，本文選擇后一種方法，并將單位時間內(nèi)眼睛閉合時間百分比（Perclos）作為判定指標[5]。Perclos 與疲勞程度的映射關系如圖4 所示。

圖4 Perclos 與疲勞程度的關系曲線

由圖4 可知，Perclos值越高，說明疲勞程度越高，該值可通過以下公式求得：

上式中，M 表示60 s 內(nèi)眼睛閉合圖像的幀數(shù)，m 表示60 s 內(nèi)系統(tǒng)采集到的圖像總幀數(shù)。

3 駕駛員危險駕駛檢測系統(tǒng)的實驗探究

3.1 系統(tǒng)開發(fā)平臺

本系統(tǒng)的硬件部分包括TMS320C6748 芯片、MT9V034 攝像頭、LCD 顯示屏，以及1 臺GYX1060 計算機；軟件部分使用Matlab2018 進行系統(tǒng)開發(fā)，使用OpenCV 數(shù)據(jù)庫，運行系統(tǒng)為DSP/BIOS。收集1 000張（700 張為人臉、300 張為非人臉）圖像和50 段視頻進行檢測。

3.2 系統(tǒng)實驗結(jié)果

3.2.1 人臉檢測結(jié)果

將1 000 張圖像輸入到駕駛員危險駕駛檢測系統(tǒng)中，測試人臉檢測準確率，結(jié)果見表1。

表1 人臉檢測分類器測試結(jié)果

由表1 數(shù)據(jù)可知，對于非正面人臉、多人臉和有遮擋的圖像，分類器的檢測準確率較高，基本維持在90%以上；而光照過強或過暗的圖像，檢測準確率相對較低，這表明光線強弱是影響人臉檢測準確率的核心因素。

3.2.2 疲勞駕駛判定結(jié)果

將50 段駕駛員的駕車視頻（時長40～100 s）作為檢測樣本，利用該系統(tǒng)進行疲勞判定，結(jié)果見表2。

表2 疲勞駕駛判定結(jié)果

參與檢測的50 段視頻中，有43 段視頻的疲勞判定結(jié)果準確，準確率為86%；其他7 段視頻中，有5 組屬于正常駕駛，系統(tǒng)判定結(jié)果為輕度疲勞，這意味著在系統(tǒng)設計時需要適當提高疲勞駕駛的判定閾值。

結(jié)束語

基于機器視覺的駕駛員危險駕駛檢測系統(tǒng)以前端攝像頭提供的圖像作為分析對象，檢測到人臉后提取眼部參數(shù)，然后求解Perclos 值，進而推測出駕駛員的駕駛狀態(tài)。如果判定為疲勞駕駛則進行語音提示，使駕駛員集中注意力。該系統(tǒng)判定結(jié)果的準確率可以達到86%，應用效果符合設計預期。