[发明专利]基于多特征融合的疲劳驾驶检测方法

说明书

本发明公开了一种基于多特征融合的疲劳驾驶检测方法，包括以下步骤：S1：采集人脸和道路视频图像，进行图像预处理；S2：对人脸图像进行眼睛和嘴巴的精确定位，提取眼睛和嘴巴图片；S3：实现眼睛开闭检测和嘴巴开度测量；S4：使用直线车道模型，实现车道线的检测；S5：对于眼睛开闭检测的结果采用PERLOS方法来判断疲劳；对于嘴巴开度疲劳分析，采用开度阈值和时长阈值来判断疲劳；对于车道偏航，采用偏航率δ来做车道偏航分析判断疲劳；S6：对以上特征做融合分析，采用多特征数据融合方法以及融合多特征信息的加权平均分析法，对疲劳程度进行计算；S7：根据检测到车道偏离，并在嘴巴和眼睛特征上有疲劳表征，便做出相应的预警。

技术领域

本发明涉及一种基于多特征融合的疲劳驾驶检测方法。

背景技术

据最新数据统计，若驾驶员在3s时间内出现注意力不集中，会造成大约80％的交通事故，主要有车道偏离和追尾事故,大量交通事故的发生严重影响了我们的和谐生活。研究显示，若在公路交通事故发生前的1.5s给驾驶员发出预警，则可避免90％的这类事故。所有这些都道出“疲劳驾驶猛于虎”。所以疲劳驾驶除了合理安排行车时间，还需要有效的科技预警装置，才能最大程度减少疲劳驾驶事故的发生。据检测分析可知，疲劳特征越简单明显，对其进行识别和提取的算法实效性越好，抗干扰性越强。同时基于机器视觉的检测方法发展迅速，其非接触式检测范围广、可扩展性强。而车载检测系统的主流也由基于多传感器信息融合技术的疲劳驾驶智能检测系统替代了眼部检测装置。所以本发明提出基于驾驶员面部特征(眼睛、嘴巴特征)、车道行驶轨迹特征信息进行综合分析的研究方法。

发明内容

本发明要解决的技术问题是提供一种基于多特征融合的疲劳驾驶检测方法。

基于多特征融合的疲劳驾驶检测方法，包括以下步骤：

S1：采集人脸和道路视频图像，并进行图像预处理；

S2：对于处理后的人脸图像进行眼睛和嘴巴的精确定位，并提取眼睛和嘴巴图片；

S3：运用一些图像处理算法实现眼睛开闭检测和嘴巴开度测量；

S4：根据道路图像的特点使用直线车道模型，实现车道线的检测；

S5：对于眼睛开闭检测的结果采用PERLOS方法来判断疲劳；对于嘴巴开度疲劳分析，采用开度阈值和时长阈值来判断疲劳；对于车道偏航，采用偏航率δ来做车道偏航分析判断疲劳；

S6：对以上特征做融合分析，采用多特征数据融合方法以及融合多特征信息的加权平均分析法，对疲劳程度进行计算；

S7：根据检测到车道偏离，并在嘴巴和眼睛特征上有疲劳表征便做出相应的预警。

进一步的，所述PERLOS方法来判断疲劳的具体方法如下：

S2-1：计算f值：

1)在眼睛开闭检测算法提供的数据基础上，使用一些简单的滤波方法，使得提高数据的可靠性；

2)在检测到某两帧的状态从“1”变到“0”时，开始帧计数；

3)在步骤2)的基础上，当算法检测到某两帧状态从“0”变到“1”时停止帧计数；

4)在步骤3)的基础，使用帧数来乘帧间隔时间，得到这段的闭眼时间；

5)使用以下公式计算时间比例，并集合判断疲劳规则得出实验人员所处状态；

其中，正常眨眼时间长度为Δt，在一次闭眼测量中测量到的闭眼时间长度为Δt'，f为PERCLOS值；

6)重置帧计数，并进入步骤1)；

S2-2：基于f值的疲劳判断规则：