[发明专利]一种疲劳驾驶检测方法

摘要

本发明公开了一种疲劳驾驶检测方法，包括以下步骤：首先，对人脸视频图像采集，每隔一段时间拍摄一副图像；对采集到的视频图像分析，提取PERCLOS、眨眼频率和平均闭合时间三种眼动特征；同时对人体脉搏信息采集，对脉搏信号信息分析，提取人体脉搏信息中的主波间期均值、主波间期标准差和高低频功率比三个脉搏特征；通过对眼动特征和脉搏特征的融合，采用极限学习机作为分类器，将疲劳和正常状态下两类不同数据分开，对驾驶员当前是否处于疲劳状态进行识别。本发明设计了基于极限学习机的信息融合与疲劳驾驶识别算法，可以有效地提高疲劳驾驶的识别精度。

主权项

1.一种疲劳驾驶检测方法，其特征在于，包括以下步骤：S1：人脸视频图像采集，每隔一段时间▽t拍摄一副图像；对采集到的视频图像分析，提取PERCLOS(Percent Eye Closure,眼睛闭合时间占特定时间的百分率)、眨眼频率和平均闭合时间三种眼动特征，具体包括以下步骤：S1‑1：将采集到的视频图像进行背景去除操作，将图像纵坐标范围在1‑219和421‑640的像素点作为背景去除掉；S1‑2：首先对步骤S1‑1处理后的图像进行水平积分投影，得到水平投影曲线，对该曲线进行平滑处理，并记录曲线最低点所对应的纵坐标，记作y,该值即为图像中眼睛位置的纵坐标，将图像中纵坐标范围在y‑20至y+20之间的图像部分单独提取出来；对上述提取出来的图像进行垂直投影，得到垂直投影曲线，对该曲线进行平滑处理，并记录曲线最小值对应的横坐标，记作x，该值即为图像中眼睛位置的横坐标，将图像中横坐标范围在x‑40至x+40之间的图像部分提取出来；得到眼睛的一个点坐标(x,y)和一副尺寸为40*80的有效信息图像；S1‑3：对步骤S1‑2所得的图像进行直方图均衡化处理；S1‑4：对步骤S1‑3所得图像进行分割，首先，构造一个320*3的矩阵O，将图像中的每个像素点按照从左到右，从上到下的顺序进行遍历，并以此点的横坐标、纵坐标和灰度值分别作为矩阵O每一行三个元素的值，将O的每一行作为一个样本点，即实现了图像的数学建模；然后，设置核函数和容许误差，分别以每个样本点作为初始点运行mean‑shift算法直至收敛；最后，选择图像中灰度值最小的像素点作为图像的特征点S，以S的收敛点为圆心，以5为半径限定一个球域，将所有收敛至此球域的样本点提取出来，即实现了人眼的分割；S1‑5：从分割后的人眼图像得到眼睛高度db和宽度da，计算眼睛开度dr，计算公式为将dr归一化为[0，1]的范围内，并以时间t为x轴，以归一化的dr为y轴,在平面坐标系中作出dr随t变化的离散点图，根据dr和t之间的对应关系，即可计算的出PERCLOS、眨眼频率和平均闭合时间三个特征值的大小；PERCLOS值的计算，计算公式如下：其中，f为眼睛闭合时间占设定时间段的百分率；t₁为眼睛睁开程度减小到80％的时刻；t₂为眼睛睁开程度减小到20％的时刻；t₃为眼睛再次睁开到20％的时刻；t₄眼睛再次睁开到80％的时刻；眨眼频率的计算方法为，在单位时间内眼睛闭合的次数；平均闭合时间的计算方法为，单位时间内眼睛处于闭合状态所占的时间长度；S2：与步骤S1同时，人体脉搏信息采集，对脉搏信号信息分析，提取人体脉搏信息中的主波间期均值、主波间期标准差和高低频功率比三个脉搏特征，具体包括以下步骤：S2‑1:选用基于Stein无偏似然估计分层阈值的方法对脉搏信息进行去噪处理；S2‑2：选择正交小波Coiflet作为小波基，对脉搏信息进行三层小波分解；单独提取分解后的第三层高频系数，并以此重构第三层高频信号；在第三层高频系数中，采用自适应阈值法，检测每个周期范围内的最大值点；以此最大值点为基准点，并将其对应到原始信号中；在原始信号中，前后各取100个点作为搜索范围检测该范围内原始信号的最大值点，该点即为脉搏的主波波峰位置；S2‑3：计算主波间期均值、主波间期标准差和高低频功率比特征，具体计算方法为，取一段脉搏信号，采用步骤S2‑2方法检测出各主波的波峰，求出两个相邻主波之间时间差，记作x_i，i＝1,2,3...，则x_i的均值即为主波间期均值，x_i的标准差即为主波间期标准差；将脉搏信号通过FFT变换至频率域，分别计算其在高频0.15‑0.4Hz与低频0.04‑0.15Hz分量的功率HF和LF，两者相除即可得到脉搏的高低频功率比；S3:通过对眼动特征和脉搏特征的融合，采用极限学习机作为分类器，将疲劳和正常状态下两类不同数据分开，对驾驶员当前是否处于疲劳状态进行识别，具体包括以下步骤：S3‑1：假设当前的训练样本中共有m个正常样本和m个疲劳样本，根据步骤S1和S2中的方法，分别提取每一个样本的眼动疲劳特征和脉搏疲劳特征；S3‑2：将所有特征数据进行归一化和无量纲化处理；S3‑3：设定ELM训练时所需的参数，如下表所示，S3‑4：以m个样本对ELM进行训练，确定输出权值；S3‑5：以训练后的ELM作为分类器，对测试样本进行识别，输出为1时判定为疲劳，输出为0时判定为正常。