[发明专利]一种多指标融合的驾驶员疲劳检测的方法

说明书

本发明公开了一种多指标融合的驾驶员疲劳检测的方法，该方法首先采集驾驶员正常状态下的面部图像进行人脸定位，选择第一面部特征点，通过第一面部特征点确定驾驶员眼睛疲劳判断阈值；获取驾驶员在驾驶状态下的面部图像并进行人脸定位，选择第二面部特征点，分别计算驾驶员的眼睛疲劳指标、嘴巴疲劳指标以及头部姿态疲劳指标；结合所述的眼睛疲劳指标、嘴巴疲劳指标以及头部姿态疲劳指标对驾驶员是否疲劳驾驶做出判断。本发明综合考虑了人在疲劳状态下的多种生理特征，采用多指标融合的方式进行驾驶员疲劳状态的检测，能够更加准确地检测出驾驶员的疲劳状态，有效克服了传统的单指标检测方法存在的容易受到干扰、识别准确率低的问题。

技术领域

本发明涉及计算机视觉领域，具体涉及一种多指标融合的驾驶员疲劳状态检测的方法。

背景技术

汽车的普及方便了人们的出行，同时也导致了越来越多的交通事故。国家安全监管总局和交通运输部联合发布的2017年道路交通运输安全发展报告[1]指出，每年交通运输事故起数在全国重特大事故总量的占比中可达70％，死亡人数占比达80％。据统计，在这些交通事故中有20％至30％的交通事故是由于疲劳驾驶引起的，尤其是在高速公路上由于疲劳驾驶导致交通事故的占比达到30％以上。因此，研究一种驾驶员驾驶状态实时监测方法，并在必要时给予一定的提示及预警，对降低交通事故率具有重要意义。

在现有的技术方案中，基于驾驶员生理参数的检测方法通过专用设备获取包括心电、脑电、眼电及皮肤电等驾驶员的生理信号，驾驶员需要接入接触式测量装置，因此这种方法会对驾驶员造成一定的干扰。基于车辆行驶信息的检测方法主要从方向盘转动、加速及制动踏板的操作和车辆行驶轨迹等方面来判断驾驶员的疲惫程度。这种方法要求车辆在结构化道路上行驶，检测结果易受驾驶员操作意图影响，判别精度相对较低。基于视觉的疲劳状态检测方法使用图像传感器获取驾驶员头部和面部等的图像，通过计算包括持续闭眼时间、眨眼频率、打哈欠频率及头部持续偏移时间等面部及头部信息指标，获得驾驶员的疲劳指数，判别驾驶员的疲劳状态。

文献2利用眼白在Cb-Cr通道上良好的聚类性，在YCbCr颜色空间中建立高斯眼白分割模型，然后在人脸区域图像内做眼白分割，计算眼白面积，最后将眼白面积作为人眼开度指标，结合PERCLOS(percentage of eyelid closure over the pupil over time)指标判定人的疲劳状态^[2]。这种算法易受光线强度干扰，在光线较强或较弱的情况下，会出现误判。文献3提出了一种基于多个特征的驾驶员疲劳融合检测算法。选取能够直接反映驾驶员疲劳程度眼睛和嘴巴等两个面部特征对驾驶员状态进行综合判断。针对驾驶员头部多角度变化时导致面部特征定位困难的问题，提出了基于主动形状模型(Active Shape Model,ASM)人脸特征定位算法，使用12个ASM特征标记点，得出眼睛和嘴部特征参数，采用基于模糊推理系统量化表示疲劳这一模糊概念，从而给出疲劳状态判断^[3]。然而，当人体进入疲劳状态时，会出现频繁点头或有明显的持续低头或仰头的头部姿态的变化，由于ASM本身的局限性，在上述情况下，特征点定位会发生严重漂移现象，基于ASM特征点定位方法难以判断出驾驶员的疲劳状态。文献4提出了一种基于面部多种疲劳参数的驾驶员状态检测算法。首先利用Gabor滤波和梯度信息增强眼睛和嘴部的边缘信息以进行准确定位，然后采用一种具有旋转不变性的LBP金字塔特征对眼睛进行特征描述，训练线性SVM分类器判别眼睛的开闭状态，根据嘴部的张开面积及宽高比判断嘴部的开闭状态，通过统计眼睛在垂直方向上的运动确定头部位置的变化。最后基于眼睛和嘴部的状态、头部的位置，计算出4个能够描述驾驶员状态的疲劳参数，利用模糊系统推理得出驾驶员最终的疲劳状态^[4]。由于头部位置是依赖于眼睛在垂直方向的偏移量，当驾驶员头部水平旋转的角度很大时，该方法的准确性降低。

参考文献：

[1]2017年道路交通运输安全发展报告[EB/OL],2017-12-21.