本文摘要：摘要：針對(duì)目前疲勞駕駛檢測(cè)技術(shù)無(wú)法很好地平衡算法準(zhǔn)確性和實(shí)時(shí)性的問(wèn)題，本文在人臉特征點(diǎn)定位方面采用了實(shí)時(shí)性較好的基于回歸的局部二值特征法(LBF算法)。同時(shí)為了提高檢測(cè)精度，改進(jìn)了該算法的初始化策略。并且在建立LBF隨機(jī)森林時(shí)使用歸一化的像素特征
摘要：針對(duì)目前疲勞駕駛檢測(cè)技術(shù)無(wú)法很好地平衡算法準(zhǔn)確性和實(shí)時(shí)性的問(wèn)題，本文在人臉特征點(diǎn)定位方面采用了實(shí)時(shí)性較好的基于回歸的局部二值特征法(LBF算法)。同時(shí)為了提高檢測(cè)精度，改進(jìn)了該算法的初始化策略。并且在建立LBF隨機(jī)森林時(shí)使用歸一化的像素特征取代原始特征，從而提升分類(lèi)效果。通過(guò)眼部寬高比檢測(cè)人眼閉合程度，并提出將人眼視線(xiàn)方向應(yīng)用于疲勞駕駛檢測(cè)算法中，判斷注意力是否分散，以便在駕駛員陷入深度疲勞之前對(duì)其預(yù)警。利用上述得到的多特征綜合檢測(cè)疲勞程度，實(shí)驗(yàn)結(jié)果表明該技術(shù)提高了算法的準(zhǔn)確性。
關(guān)鍵詞：疲勞駕駛;LBF算法;隨機(jī)森林;眼部信息;PERCLOS值;瞳孔定位;視線(xiàn)方向;分神檢測(cè)
1疲勞駕駛造成的影響是惡劣的，因此通過(guò)研究一種實(shí)時(shí)精準(zhǔn)的疲勞駕駛預(yù)警系統(tǒng)，以便及時(shí)對(duì)駕駛員預(yù)警使其重新獲得對(duì)車(chē)輛的控制權(quán)，這對(duì)社會(huì)安全具有重大的意義。當(dāng)今疲勞檢測(cè)方式主要分為基于生理指標(biāo)、操作行為、車(chē)輛狀態(tài)和視覺(jué)特征這四種方式[1]。其中最后一種方式利用人體可視化特征在清醒狀態(tài)下和疲勞狀態(tài)下的不同表現(xiàn)來(lái)檢測(cè)疲勞，并且無(wú)須穿戴任何設(shè)備，有著很好的研究空間[2]。所以該方法變成疲勞駕駛檢測(cè)領(lǐng)域的研究重點(diǎn)。目前，國(guó)內(nèi)外技術(shù)學(xué)者針對(duì)視覺(jué)特征已經(jīng)開(kāi)展了更深入的研究。張長(zhǎng)隆使用多傳感器采集眼部、嘴部以及方向盤(pán)特征，使用Fisher線(xiàn)性判別分類(lèi)來(lái)檢測(cè)疲勞[3]。
而DeviMS在提取眼部和嘴部信息后，采用了模糊邏輯算法來(lái)確定疲勞程度[4]。柳龍飛使用基于梯度提高學(xué)習(xí)的回歸樹(shù)(ERT)定位人臉特征點(diǎn)后判斷駕駛員是否疲勞[5]。但是在實(shí)際應(yīng)用中基于視覺(jué)特征的方法還需進(jìn)一步完善，因?yàn)檫@些方法在準(zhǔn)確性和實(shí)時(shí)性?xún)蓚�(gè)方面無(wú)法做到很好的平衡。有的方法注重準(zhǔn)確性，但是忽略了實(shí)時(shí)性要求。有的方法能夠做到快速檢測(cè)，但是又面臨精度較差的問(wèn)題。本文針對(duì)上述問(wèn)題，通過(guò)改進(jìn)人臉特征點(diǎn)定位算法提升運(yùn)算速度，利用多特征檢測(cè)來(lái)提高運(yùn)算精度。并且通過(guò)求解駕駛員視線(xiàn)方向辨別注意力是否分散，以便在駕駛員陷入深度疲勞前就對(duì)其預(yù)警，更加保證安全性。
1疲勞駕駛檢測(cè)系統(tǒng)初始化
本文在駕駛員面前架設(shè)攝像頭得到人臉圖像，為驗(yàn)證訓(xùn)練與測(cè)試結(jié)果的真實(shí)性，自建一個(gè)小型數(shù)據(jù)集。其中共有駕駛員8位，每個(gè)人在清醒的時(shí)候收集10分鐘視頻，在疲勞的時(shí)候收集5分鐘視頻。它的采樣幀率是15fps，大小是640*480像素。除此之外，本文還使用了如下公開(kāi)的數(shù)據(jù)集：人臉姿態(tài)數(shù)據(jù)集CAS-PEAL的POSE組[6]，該組數(shù)據(jù)集包含1042個(gè)人的21種不同角度的人臉姿態(tài)圖像，用于后續(xù)人臉朝向估計(jì)算法。人臉特征點(diǎn)數(shù)據(jù)集helen和lfpw集，包含3721幅人臉圖像及其特征點(diǎn)位置。系統(tǒng)運(yùn)行的第一步是對(duì)圖像進(jìn)行預(yù)處理。首先在R-G-B顏色空間使用2g-r-b算子對(duì)駕駛員圖像灰度化[7]，使用自適應(yīng)中值濾波減少噪聲[8]。之后使用haar-like特征進(jìn)行人臉識(shí)別[9]。
因?yàn)閿z像頭位置固定，而且駕駛員所在位置一旦上電之后基本不變，所以前后兩次人臉識(shí)別框的位置偏移較小。所以在第一次識(shí)別到人臉后，下一次只在這次的識(shí)別位置附近判斷即可，以加快算法運(yùn)行，提高實(shí)時(shí)性。在上電之后的5分鐘內(nèi)，本文認(rèn)為駕駛員是清醒的。此時(shí)需要記錄系統(tǒng)運(yùn)行各個(gè)階段的檢測(cè)結(jié)果，將它們作為駕駛員清醒狀態(tài)下的指標(biāo)。其中包括該駕駛員的眼睛寬高比、PERCLOS值和眼睛注視區(qū)域分布，以便在之后的系統(tǒng)檢測(cè)過(guò)程中發(fā)現(xiàn)上述值出現(xiàn)異常時(shí)更準(zhǔn)確的判斷其疲勞程度。
2改進(jìn)人臉特征點(diǎn)定位算法
在疲勞駕駛檢測(cè)過(guò)程中，往往影響系統(tǒng)運(yùn)行快慢的是人臉特征點(diǎn)定位的速度，這也是制約算法實(shí)時(shí)性的一大難點(diǎn)。由于在檢測(cè)過(guò)程當(dāng)中，駕駛員圖像會(huì)由于光照、遮擋等復(fù)雜情況而降低定位的精度。所以本文使用精確度較高、速度很快的基于回歸的局部二值特征法(LBF)來(lái)進(jìn)行人臉特征點(diǎn)定位[10]。LBF算法需要在開(kāi)始時(shí)輸入一個(gè)人臉特征點(diǎn)初始化模型，然后通過(guò)不斷的回歸使得該模型越來(lái)越逼近真實(shí)位置[11]。為提高檢測(cè)精度與速度，對(duì)LBF算法優(yōu)化，采用不同的初始化策略。不再簡(jiǎn)單地使用標(biāo)準(zhǔn)平均人臉來(lái)進(jìn)行初始化，而是首先判斷人臉朝向，從而使用不同的人臉特征點(diǎn)初始化模型。
2.1人臉朝向估計(jì)
本文需要為駕駛員人臉朝向角度訓(xùn)練一個(gè)分類(lèi)器。選取HOG特征作為參數(shù)[12]，之后使用SVM進(jìn)行分類(lèi)[13]。本文使用人臉姿態(tài)數(shù)據(jù)集CAS-PEAL中的POSE組作為輸入圖片，圖片大小均為360*480像素。所以HOG特征提取時(shí)的窗口有10*10=100個(gè)，HOG的每個(gè)窗口里block有36/12*48/16=9個(gè)。1個(gè)block有4個(gè)cell，其特征描述子長(zhǎng)度是9維，所以最終得到的HOG特征向量維數(shù)是100*9*9*4=32400維。
因?yàn)镃AS-PEAL數(shù)據(jù)集的POSE組中包含1042個(gè)人的21種不同角度的人臉圖像，但是本文只選取其中5種角度，分別是無(wú)偏轉(zhuǎn)正向人臉、向左偏轉(zhuǎn)22度人臉、向左偏轉(zhuǎn)45度人臉、向右偏轉(zhuǎn)22度人臉以及向右偏轉(zhuǎn)45度人臉。所以在訓(xùn)練數(shù)據(jù)集文件夾中新建5個(gè)文件夾，分別命名為0、-1、-2、1、2并將對(duì)應(yīng)的圖片存入其中。在SVM訓(xùn)練時(shí)將圖片所在文件夾的名稱(chēng)作為分類(lèi)標(biāo)簽，提取HOG特征向量作為SVM輸入?yún)?shù)，得到人臉朝向粗估計(jì)分類(lèi)器。本文為驗(yàn)證算法精確度，使用了含有500張圖片的測(cè)試樣本集來(lái)計(jì)算該分類(lèi)器的識(shí)別率，其中包含CAS-PEAL數(shù)據(jù)集中的320張圖片和自建數(shù)據(jù)集中的180張圖片，經(jīng)計(jì)算識(shí)別率為95.38%。
3判斷人眼閉合程度
利用LBF改進(jìn)算法定位到特征點(diǎn)后，通過(guò)眼睛位置的先驗(yàn)知識(shí)[15]，截取出眼部圖像，供下一步判斷人眼閉合程度以及求解視線(xiàn)方向。
4駕駛員注視區(qū)域求解
由于本文采用紅外攝像頭采集圖像，因此駕駛員的瞳孔與虹膜的灰度值具有明顯不同。根據(jù)位于駕駛員面前的4個(gè)紅外LED燈在眼睛反射得到的普爾欽光斑[18]與瞳孔中心[19]關(guān)系求解注視方向。
5結(jié)論
本文主要研究了疲勞駕駛檢測(cè)技術(shù)，在對(duì)駕駛員圖像進(jìn)行預(yù)處理和人臉識(shí)別之后，改進(jìn)了LBF算法的初始化策略，提高了人臉特征點(diǎn)定位精度。使用歸一化特征提高了隨機(jī)森林的分類(lèi)效果。然后建立了一套以人眼閉合程度這一眼部特征作為基礎(chǔ)的PERCLOS疲勞檢測(cè)模型，提出了將駕駛員注視區(qū)域頻率和PERCLOS檢測(cè)法相結(jié)合的算法。實(shí)驗(yàn)證明，該算法提高了疲勞駕駛檢測(cè)在實(shí)時(shí)性與準(zhǔn)確性?xún)蓚�(gè)方面的平衡性能。在后續(xù)的研究中，考慮將駕駛員頭部姿態(tài)角度加入到檢測(cè)參數(shù)中，以適應(yīng)更復(fù)雜的測(cè)試環(huán)境。
參考文獻(xiàn):
[1]SinghA,MinskerBS,BajcsyP.Image-BasedMachineLearningforReductionofUserFatigueinanInteractiveModelCalibrationSystem[J].JournalofComputinginCivilEngineering,2010,24(3):241-251.
相關(guān)論文范文閱讀：汽車(chē)駕駛員的心理素質(zhì)安全分析
這篇心理健康論文發(fā)表了汽車(chē)駕駛員的心理素質(zhì)安全分析，對(duì)于汽車(chē)駕駛員來(lái)說(shuō)，保證安全最重要的是心理素質(zhì)的把控，論文首先分析了人們?cè)谄?chē)駕駛中的常見(jiàn)心理狀態(tài)，這些負(fù)面的心理狀態(tài)給安全駕駛帶來(lái)威脅，那么如何提高駕駛員的心理素質(zhì)，提高安全行車(chē)的具體措施呢?
轉(zhuǎn)載請(qǐng)注明來(lái)自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///jjlw/22197.html
