基于視頻信息的駕駛員疲勞檢測方法
【技術領域】
[0001] 本發明涉及圖像處理和模式識別領域，具體設計為一種駕駛員疲勞檢測方法。
【背景技術】
[0002] 隨著汽車產業的飛速發展，汽車保有量不斷上升的同時交通安全問題也日益突 出，其中因疲勞駕駛導致的交通事故也越來越多。目前針對疲勞檢測的方法有四種。
[0003] (1)基于駕駛員生理信號的檢測方法，當駕駛員處于疲勞狀態時，其穴位生物電、 腦電波、血壓等生理指標都會發生變化，根據這些指標變化可以檢測駕駛員狀態，不過這種 方法對檢測儀器的精度有很高的要求，并且接觸到駕駛員會產生駕駛不適的使用體驗。
[0004] (2)基于車輛行駛狀態的檢測方法，車輛的側向位移、速度、加速度等狀態信息都 能反映出駕駛員所處駕駛狀態，對車輛的狀態信息進行檢測，可以推測出駕駛員狀態，不過 這種方法準確度不高。
[0005] (3)基于駕駛員駕駛行為的檢測方法，當駕駛員處于疲勞狀態時，駕駛行為會發生 變化，如對方向盤的操作時間，腳踏板控制力度等，通過傳感器對駕駛行為進行檢查，可以 判斷駕駛員狀態。不過這種方法所采用的標準難以統一，難以真正大規模推廣。
[0006] (4)基于駕駛員眼部特征的檢測方法，當駕駛員處于疲勞狀態時，其眼睛睜閉時間 的比例與正常情況不同，通過采用圖像處理技術獲得人眼睜閉狀態進而判斷駕駛員疲勞狀 況，這種方法相對簡單實用，目前被廣泛采用。不過這種檢測方法對人眼定位的要求較高， 對疲勞判斷標準的選擇還有待進一步精確，在準確度和實時性層面有一定的提升空間。
【發明內容】
[0007] 為解決上述技術問題，本發明公開了一種基于駕駛員圖像信息的疲勞檢測方法， 具體技術方案如下。
[0008] -種基于視頻信息的駕駛員疲勞檢測方法，該方法在對每幀圖像中的人眼狀態識 別過程采用人眼高寬比P、人眼面積和外接矩形面積比λ兩種參數進行判斷，當P>〇. 75時， 可認為人眼處于閉合狀態，當P〈〇. 75時則根據λ的范圍判斷：如果λ〈〇. 21則認為是閉合 百分之八十，如果〇. 21〈 λ〈〇. 32則認為是半開半閉狀態，如果λ >〇. 32則認為是完全睜開 狀態；在對駕駛員的疲勞狀態判斷的過程中，采用PERCL0S原理與眨眼頻率相結合的方式， 設置不同閾值，進行判斷。
[0009] 進一步地，所述的一種基于視頻信息的駕駛員疲勞檢測方法包括如下步驟：
[0010] S1、通過CCD攝像頭實時采集駕駛員圖像信息，利用圖像處理技術對視頻幀圖像 進行灰度化、增強和濾波；
[0011] S2、采用Harr分類器對視頻圖像進行檢測，將檢測到的人臉區域作為感興趣區 域，在此區域內繼續利用Harr分類器檢測人眼，并采用自適應閾值法排除非人眼區域；
[0012] S3、采用卡爾曼濾波跟蹤算法對駕駛員人眼進行目標跟蹤；
[0013] S4、將人眼區域圖像二值化，計算人眼高寬比、眼部區域面積與外接矩形面積比， 并判定人眼狀態；
[0014] S5、在獲得人眼狀態的基礎上，計算單位時間內閉合眼睛所占百分比PERCL0S值 和眨眼頻率，將PERCL0S值及眨眼頻率與所設閾值相比，從而判定駕駛員疲勞狀態。
[0015] 進一步地，所述S3中，人眼跟蹤步驟采用卡爾曼濾波跟蹤算法并采用Adaboost算 法作為觀測條件，具體是：
[0016] A1、在每幀圖像中，人眼的狀態用位置和速度表示，設時間t = k時，通過Adaboost 算法檢測人眼位置坐標為（xk，yk)，在x、y軸方向的移動速度為（uk，v k)，此時狀態向量方程 為：
[0018] A2、由于沒有輸入，進一步有：
[0020] A3、在實際檢測中，相鄰兩幀圖像時間間隔較短，目標運動能看做是勻速線性的， 八1<可表示為：
[0022] A4、觀測模型為：
[0023] Zk=Hxk+Vk
[0024] Zk表示t時刻圖像中人眼位置，且僅跟位置相關，因而Η可以表示為
[0026] 跟蹤狀態初始值由連續兩幀中的人眼運動信息確定；在每次迭代校正過程中，通 過Adaboost算法進行人眼檢測獲得觀測值；在實際跟蹤中，若出現目標丟失情況，此時需 要采用Adaboost算法對整幅圖像重新檢測定位。
[0027] 進一步地，S4中人眼狀態識別步驟具體包括：
[0028] A1、在人眼區域二值化圖像中進行積分投影，獲得人眼高寬比；
[0029] A2、計算人眼區域二值化圖像中人眼黑色區域面積與其外接矩形面積的比例；
[0030] A3、將人眼高寬比λ和外接矩形面積比P與所設閾值進行判斷，λ有兩個閾值： 0· 21、0· 32, Ρ 閾值為 0· 75。
[0031] 進一步地，S5步驟具體包括：
[0032] Α1、計算PERCL0S =眼睛閉合幀數/檢測單元總幀數；
[0033] Α2、計算檢測單元內眨眼頻率F ;
[0034] A3、將PERCL0S值和F進行閾值比較并最終判斷駕駛員狀態，如果PERCL0S值f小 于0. 39,則判斷F是否小于5,當F〈5時，認為駕駛員走神；如果f大于0. 39,則判斷F是否 大于20,當F>20時，可認為駕駛員狀態正常。
[0035] 與現有技術相比，本發明具有如下優點和技術效果：該方法利用攝像頭采集的實 時信息，首先在實現人臉檢測的基礎上，通過Harr分類器定位人眼區域，并且通過自適應 閾值法排除非人眼區域，然后利用人眼高寬比和外接矩形面積占比兩種參數進行人眼狀態 識別，最后通過PERCLOS原理與眨眼頻率相結合的方法對駕駛員狀態予以識別，具好較好 的檢測效果。本發明綜合多項指標判定駕駛員疲勞狀態，從而使得判斷結果更為科學和準 確。
【附圖說明】
[0036] 圖1為實例中的整體模塊架構示意圖；
[0037] 圖2為實例中人眼狀態識別流程示意圖；
[0038] 圖3為實例中疲勞狀態檢測流程示意圖。
【具體實施方式】
[0039] 下面結合附圖對本發明的具體實施過程作詳細說明，但本發明要求保護的范圍并 不局限于下例表述的范圍。
[0040] 如圖1，本實例的疲勞檢測架構中，包括圖像預處理模塊、目標檢測模塊、目標跟蹤 模塊、狀態識別模塊、疲勞檢測模塊。
[0041] 在具體實施過程中，按照如下步驟進行。
[0042] S1、對圖像進行預處理，將CCD攝像頭采集的駕駛員圖像進行灰度化、直方圖增 強、濾波去噪等處理；
[0043] S2、采用Harr分類器對視頻圖像進行檢測，將檢測到的人臉區域作為感興趣區 域，在此區域內繼續利用Harr分類器檢測人眼，并采用自適應閾值法排除非人眼區域。具 體包括：
[0044] A1、通過Adaboost算法獲得人臉特征分類器和人眼特征分類器；
[0045] A2、使用人臉分類器在視頻圖像幀中檢測出人臉區域，并進一步通過人眼特征分 類器檢測人眼區域；
[0046] A3、采用自適應閾值法排除非人眼區域，這里所指的自適應閾值是根據Ha