基于視頻信息的駕駛員疲勞檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理和模式識別領(lǐng)域,具體設(shè)計為一種駕駛員疲勞檢測方法。
【背景技術(shù)】
[0002] 隨著汽車產(chǎn)業(yè)的飛速發(fā)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(dǎo)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(dāng)駕駛員處于疲勞狀態(tài)時,其穴位生物電、 腦電波、血壓等生理指標(biāo)都會發(fā)生變化,根據(jù)這些指標(biāo)變化可以檢測駕駛員狀態(tài),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(chǎn)生駕駛不適的使用體驗。
[0004] (2)基于車輛行駛狀態(tài)的檢測方法,車輛的側(cè)向位移、速度、加速度等狀態(tài)信息都 能反映出駕駛員所處駕駛狀態(tài),對車輛的狀態(tài)信息進(jìn)行檢測,可以推測出駕駛員狀態(tài),不過 這種方法準(zhǔn)確度不高。
[0005] (3)基于駕駛員駕駛行為的檢測方法,當(dāng)駕駛員處于疲勞狀態(tài)時,駕駛行為會發(fā)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(jìn)行檢查,可以 判斷駕駛員狀態(tài)。不過這種方法所采用的標(biāo)準(zhǔn)難以統(tǒng)一,難以真正大規(guī)模推廣。
[0006] (4)基于駕駛員眼部特征的檢測方法,當(dāng)駕駛員處于疲勞狀態(tài)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(shù)獲得人眼睜閉狀態(tài)進(jìn)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(biāo)準(zhǔn)的選擇還有待進(jìn)一步精確,在準(zhǔn)確度和實時性層面有一定的提升空間。
【發(fā)明內(nèi)容】
[0007] 為解決上述技術(shù)問題,本發(fā)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(shù)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(tài)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(shù)進(jìn)行判斷,當(dāng)P>〇. 75時, 可認(rèn)為人眼處于閉合狀態(tài),當(dāng)P〈〇. 75時則根據(jù)λ的范圍判斷:如果λ〈〇. 21則認(rèn)為是閉合 百分之八十,如果〇. 21〈 λ〈〇. 32則認(rèn)為是半開半閉狀態(tài),如果λ >〇. 32則認(rèn)為是完全睜開 狀態(tài);在對駕駛員的疲勞狀態(tài)判斷的過程中,采用PERCL0S原理與眨眼頻率相結(jié)合的方式, 設(shè)置不同閾值,進(jìn)行判斷。
[0009] 進(jìn)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(shù)對視頻幀圖像 進(jìn)行灰度化、增強(qiáng)和濾波;
[0011] S2、采用Harr分類器對視頻圖像進(jìn)行檢測,將檢測到的人臉區(qū)域作為感興趣區(qū) 域,在此區(qū)域內(nèi)繼續(xù)利用Harr分類器檢測人眼,并采用自適應(yīng)閾值法排除非人眼區(qū)域;
[0012] S3、采用卡爾曼濾波跟蹤算法對駕駛員人眼進(jìn)行目標(biāo)跟蹤;
[0013] S4、將人眼區(qū)域圖像二值化,計算人眼高寬比、眼部區(qū)域面積與外接矩形面積比, 并判定人眼狀態(tài);
[0014] S5、在獲得人眼狀態(tài)的基礎(chǔ)上,計算單位時間內(nèi)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(shè)閾值相比,從而判定駕駛員疲勞狀態(tài)。
[0015] 進(jìn)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(tài)用位置和速度表示,設(shè)時間t = k時,通過Adaboost 算法檢測人眼位置坐標(biāo)為(xk,yk),在x、y軸方向的移動速度為(uk,v k),此時狀態(tài)向量方程 為:
[0018] A2、由于沒有輸入,進(jìn)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(biāo)運(yùn)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(guān),因而Η可以表示為
[0026] 跟蹤狀態(tài)初始值由連續(xù)兩幀中的人眼運(yùn)動信息確定;在每次迭代校正過程中,通 過Adaboost算法進(jìn)行人眼檢測獲得觀測值;在實際跟蹤中,若出現(xiàn)目標(biāo)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(jìn)一步地,S4中人眼狀態(tài)識別步驟具體包括:
[0028] A1、在人眼區(qū)域二值化圖像中進(jìn)行積分投影,獲得人眼高寬比;
[0029] A2、計算人眼區(qū)域二值化圖像中人眼黑色區(qū)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(shè)閾值進(jìn)行判斷,λ有兩個閾值: 0· 21、0· 32, Ρ 閾值為 0· 75。
[0031] 進(jìn)一步地,S5步驟具體包括:
[0032] Α1、計算PERCL0S =眼睛閉合幀數(shù)/檢測單元總幀數(shù);
[0033] Α2、計算檢測單元內(nèi)眨眼頻率F ;
[0034] A3、將PERCL0S值和F進(jìn)行閾值比較并最終判斷駕駛員狀態(tài),如果PERCL0S值f小 于0. 39,則判斷F是否小于5,當(dāng)F〈5時,認(rèn)為駕駛員走神;如果f大于0. 39,則判斷F是否 大于20,當(dāng)F>20時,可認(rèn)為駕駛員狀態(tài)正常。
[0035] 與現(xiàn)有技術(shù)相比,本發(fā)明具有如下優(yōu)點(diǎn)和技術(shù)效果:該方法利用攝像頭采集的實 時信息,首先在實現(xiàn)人臉檢測的基礎(chǔ)上,通過Harr分類器定位人眼區(qū)域,并且通過自適應(yīng) 閾值法排除非人眼區(qū)域,然后利用人眼高寬比和外接矩形面積占比兩種參數(shù)進(jìn)行人眼狀態(tài) 識別,最后通過PERCLOS原理與眨眼頻率相結(jié)合的方法對駕駛員狀態(tài)予以識別,具好較好 的檢測效果。本發(fā)明綜合多項指標(biāo)判定駕駛員疲勞狀態(tài),從而使得判斷結(jié)果更為科學(xué)和準(zhǔn) 確。
【附圖說明】
[0036] 圖1為實例中的整體模塊架構(gòu)示意圖;
[0037] 圖2為實例中人眼狀態(tài)識別流程示意圖;
[0038] 圖3為實例中疲勞狀態(tài)檢測流程示意圖。
【具體實施方式】
[0039] 下面結(jié)合附圖對本發(fā)明的具體實施過程作詳細(xì)說明,但本發(fā)明要求保護(hù)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(gòu)中,包括圖像預(yù)處理模塊、目標(biāo)檢測模塊、目標(biāo)跟蹤 模塊、狀態(tài)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(jìn)行。
[0042] S1、對圖像進(jìn)行預(yù)處理,將CCD攝像頭采集的駕駛員圖像進(jìn)行灰度化、直方圖增 強(qiáng)、濾波去噪等處理;
[0043] S2、采用Harr分類器對視頻圖像進(jìn)行檢測,將檢測到的人臉區(qū)域作為感興趣區(qū) 域,在此區(qū)域內(nèi)繼續(xù)利用Harr分類器檢測人眼,并采用自適應(yīng)閾值法排除非人眼區(qū)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(qū)域,并進(jìn)一步通過人眼特征分 類器檢測人眼區(qū)域;
[0046] A3、采用自適應(yīng)閾值法排除非人眼區(qū)域,這里所指的自適應(yīng)閾值是根據(jù)Ha