[发明专利]疲劳驾驶监控装置及方法

说明书

技术领域

本发明涉及人脸检测技术及基于眼部疲劳特征检测的疲劳驾驶检测技术领域，特别是涉及一种疲劳驾驶监控装置及方法。

背景技术

2013年的《全球道路安全状态报告》显示，交通事故是造成世界人口死亡原因的第八大因素，全球每年大约有100万人死于交通事故中，而进一步由统计数据分析发现，疲劳驾驶是造成交通事故的重要原因之一，因此对疲劳进行检测和报警非常必要。

检测疲劳驾驶的方法大致分为三类：

一、基于车辆行驶状态的检测，如检测车辆是否偏离行驶轨迹；

二、基于驾驶员生理参数的检测，如检测驾驶员的脑电图，心电图等；

三、基于驾驶员行为特征的检测，如眼睛的闭合，嘴部运动等。

其中基于生理参数检测的方法最为可靠，但是由于其需要驾驶员佩戴一定的检测设备，属于接触式检测，会造成驾驶舒适度下降，而基于车辆行驶状态的检测虽然是非接触式，但是容易受到复杂道路环境的影响而造成可靠性降低。基于驾驶员行为特征的方法,尤其是检测眼睛状态的方法由于其具有检测直接、非侵入性等特点,是目前多数研究机构广泛采用的方法。

行为特征的检测主要和人面部行为相关，就涉及到人脸检测。人脸检测作为人脸信息处理中的一项关键技术，近些年来成为模式识别与计算机视觉领域内一项受到普遍重视、研究十分活跃的课题。

目前，人脸检测已经在新一代的人机界面、视频监控和基于内容的检索等领域得到了广泛应用。但是，人脸检测是一类具有很大挑战性的问题，其主要难点在于：(1)人脸是一类高度非刚性的目标，存在相貌，表情，肤色等差异；(2)人脸上可能会存在一些附属物，诸如眼镜、胡须等；(3)人脸的姿态变化万千，并且可能存在遮挡物；(4)待检测图像性质的差异，比如：待检图像的分辨率，摄录器材的质量等；(5)人脸可能存在倾斜角度等等。

人脸检测方法各异，大体上可分为:基于先验知识、特征不变性、模板等几何特征的人脸检测方法，基于肤色模型的人脸检测方法，基于子空间、神经网络、支持向量机、隐马尔可夫模型、Boosting等统计理论的人脸检测方法。P.Viola和M.Jone通过将AdaBoost算法与基于积分图的Haar-Like特征结合起来实现的人脸检测系统，是历史上第一次使人脸检测达到了实时处理的程度。

但是，一般的人脸检测算法都比较复杂，实时性并没有那么好，尤其当人脸的倾斜角度比较大的时候。

检测出人脸之后，一般疲劳的而检测主要针对眼睛瞳孔。PERCLOS是眼睛疲劳检测较高的检测方法，被美国公路交通安全局(NHTSA)认可的疲劳驾驶检测方法。

PERCLOS是PercentEyeClosure的缩写，指在一定的时间内眼睛闭合时所占的时间比例。原理如图1。t1为眼睛完全睁开到闭合20％的时间，t2为眼睛完全睁开到闭合80％的时间，t3为眼睛完全睁开到下一次睁开20％的时间，t4为眼睛完全睁开到下一次睁开80％的时间，通过测量出t1，t2，t3，t4的值就能计算出PERCLOS的f：

f=t3-t2t4-t1]]>

f为眼睛闭合时间所占某一特定时间的百分率，一般认为f>0.15时，驾驶员处于疲劳状态。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种疲劳驾驶监控装置及方法，所述疲劳驾驶监控装置及方法能够快速、准确地通过检测人脸，人眼，瞳孔等特征判断驾驶员是否处于疲劳状态，并决定是否发出警报，该装置及方法不受人脸倾斜角度影响。