李慶梅，鐘燕科

（湖南鐵道職業(yè)技術學院，株洲 412001）

0 引言

鐵路運輸涉及大量旅客的人身和財產安全，機車駕駛員在長時間、連續(xù)地工作情況下，容易出現(xiàn)疲勞駕駛現(xiàn)象，從而為鐵路安全作業(yè)埋下安全隱患。因此，對機車駕駛員疲勞駕駛進行及時監(jiān)測和預警，對提高鐵路行車安全具有重要意義。駕駛員大約90% 的信息依靠視覺得到的，很多研究機構都采用了對眼睛生理特征的檢測來判斷駕駛員的疲勞狀況。在疲勞引發(fā)的事故之前，駕駛員眨眼行為提前發(fā)生變化，眨眼頻率會增加，眼皮覆蓋眼睛的百分比也會增加。因此，通過測量眼睛閉合、眼睛運動和眼睛生理特征來監(jiān)視駕駛疲勞是一個適宜的方法。

根據(jù)PERCLOS原理，在單位時間內，駕駛員的眼睛處于閉合狀態(tài)累計超過一定比例，則可判斷駕駛員處于疲勞駕駛狀態(tài)。本文對圖像進行預處理之后，利用Ostu提出的最大類間方差法，將人臉分割出來；在此基礎上，對圖像進行垂直方向和水平方向灰度積分，獲取人眼位置；再將人眼區(qū)域像素視為特征向量，輸入到SVM分類器，實現(xiàn)對駕駛員眼睛睜、閉狀態(tài)判斷；最后依據(jù)PERCLOS對駕駛員駕駛狀態(tài)作出判斷。由于SVM在處理非線性、小樣本問題方面具有其獨特優(yōu)勢，因此本文提出的疲勞駕駛監(jiān)測方法，在實驗中表現(xiàn)出較高的準確度，取得了預期效果。

1 眼睛區(qū)域定位

1.1 圖像預處理

圖像在實際運用中，由于自然條件或人為等因素，難免存在各種各樣的噪聲，這些噪聲可能在傳輸中混入，也可能是在量化處理過程中產生。它們會對圖像的定位、識別帶來很大影響，為準確提取駕駛員眼睛位置，必須先對圖像進行消噪處理。中值濾波器是一種常用的非線性平滑濾波器，它的輸出像素值是由領域像素中間值所決定，對極限像素值不是特別敏感，因此中值濾波器產生較少模糊，適合于消除圖像中的孤立噪聲點。本文采用默認3×3濾波器窗口大小，對噪聲進行消除處理。此外，圖像是在不同自然條件下采集的，有些圖像可能亮度偏低，有些可能亮度偏高，這些都會導致圖像清晰度不夠，不利于后續(xù)處理。利用直方圖均化技術，使圖像灰度分布均衡化，削弱了不同光照條件對圖像的影響，提高了圖像的清晰度。圖像預處理前后對比如圖1所示圖像預處理之前：駕駛員衣領存在許多和人臉膚色相差無幾的白色碎點，不利于后續(xù)人臉分割，可視為噪聲。中值濾波后，消除了大部分白色碎點。

1.2 人臉區(qū)域分割

將人臉從周圍背景圖像中分割出來，一般采用閥值分割法。它充分利用目標物和背景在灰度特性上的差異，把圖像視為兩類區(qū)域的組合。通過設立一個合適的灰度閥值，可以對每個象素點是否屬于目標物作出判斷，從而產生對應的二值圖像。圖像經過分割后，數(shù)據(jù)大大被壓縮，減小了后續(xù)計算量。

圖 1 圖像的預處理

C0和C1的類的方差可由下式得到：

類間方差為：

類內方差為：

圖2 人臉區(qū)域分割

閥值分割圖像原理描述如下：

Ostu提出的最大類間方差法算法簡單、方便可行。

設原始圖像灰度級為L，灰度級為I的象素點為ni，則圖像的全部像素為：

按灰度級用閥值t劃分為兩類：C0＝(0, 1, 2,…,t) 和 C1＝ (t+1, t+2, …, t-1) 。C0和 C1類的類出現(xiàn)概率以及均值層分別由下列各式給出：

總體方差是這兩者之和。對圖像進行分割后，提取出駕駛員人臉區(qū)域，如圖2所示：由于駕駛員襯衣衣領部分的灰度值恰好與人臉灰度值范圍重合，因此，這部分圖像錯誤劃分到人臉區(qū)域了。該部分圖像具有對稱性，雖然會對圖像積分投影極值的大小帶來影響，卻不會影響積分投影取極值時所對應的y坐標和橫坐標，因此，最終不影響人眼區(qū)域的提取操作。

1.3 灰度積分求取人眼位置

將得到的駕駛員人臉圖像，進行水平積分投影 和垂直積分投影 ，灰度積分投影算法如下：

積分投影后得到圖3。根據(jù)人臉特征，通過分析水平積分圖，可以獲知人眼的y坐標范圍。首先，人眼是位于人臉的上半部分，其次，人眼區(qū)域灰度值比較小，對應的水平積分投影應該是整個水平積分投影圖的一個波谷；結合上述因素考慮，投影圖的第一個波谷應該是眼睛區(qū)域的y坐標范圍，即：[60 72]。此外，由于人眼、眉毛、嘴巴、鼻子、下巴等細節(jié)區(qū)域的橫坐標，都是位于兩眼的橫坐標范圍之內，反映到垂直積分投影圖上，就是在眼睛橫坐標范圍內存在許多黑色區(qū)域，因此積分投影圖波動較多，其他范圍基本上沒有小塊黑色區(qū)域，基本上沒有波動。從圖上可知：眼睛的橫坐標范圍是：[40 80]。

根據(jù)求得的兩個坐標范圍，將人眼裁減出來，如圖3（c）所示。

圖 3 提取人眼位置

2 眼睛狀態(tài)識別

2.1 支持向量機原理

支持向量機由Vaplik1992年提出[1]，現(xiàn)為國際機器學習的前沿熱點。其核心思想是建立一個決策超平面，使正例、反例之間的隔離邊緣最大化。

設存在兩個超平面為：

H1: ω .x+b=1 和 H2: ω .x+b =-1，則超平面 H1到原點的距離為|1-b|/||ω||，超平面H2到原點的距離為|-1-b|/||ω||。因此，兩個超平面之間的距離是2/||ω||，它被稱為分類間隔，因此，求間隔最大變?yōu)榍髚|ω||最小的問題：

引入正松弛因子ζi和懲罰參數(shù)c，將約束條件修改為：yi=[(wxi)-b]-1+ ζi

目標函數(shù)改為：

選取合適的核函數(shù)k(xi, xj)，把非線性問題轉化為一個高維空間里的線性可分問題，然后在該高維空間中求解最優(yōu)超平面。在特定高維空間中建立的分類決策函數(shù)為：

2.2 眼睛睜、閉狀態(tài)識別

眼睛睜開時，從圖象特征角度來分析：由于眼球既有黑色部分，又有白色部分，黑色部分的存在使得眼睛區(qū)域的灰度值較?。谎劬﹂]和時，眼皮完全遮住眼球，而眼皮和人臉其他部分的皮膚是一致的，因此，相對于睜開時來說，眼睛區(qū)域的灰度值要大一些。SVM利用眼睛狀態(tài)不同時的這個特征區(qū)別，可以對眼睛狀態(tài)作出正確判斷。

如果將眼睛區(qū)域中的每個象素點都輸入到SVM分類器，從理論上來說，是可以對眼睛狀態(tài)作出正確判斷的。實際上，由于圖像像素點很多，SVM分類器計算任務繁重，嚴重影響分類器的分類速度。為進一步壓縮數(shù)據(jù)，本文采用小波算法先對提取的眼睛圖像進行小波分解，然后提取各層的近似分量和細節(jié)分量，并把各分量的能量值求出。那么，將各分量的能量值依次排列，即可得到一個蘊含該圖像信息的特征向量。將圖像特征向量輸入到SVM分類器，從而可以實現(xiàn)對眼睛睜、閉狀態(tài)的識別。

1）利用waverec2函數(shù)對眼睛區(qū)域圖像進行2層小波分解，分解后各層圖像如圖4所示。設眼睛區(qū)域原圖像是A，則分解之后存在下面關系：

LL2+LH2+LV2+LD2+LH1+LV1+LD1=A

因此，原圖像的特征全部蘊涵在LL2、LH2、LV2、LD2、LH1、LV1、LD1 7個參量之中，LL1和LL2作為圖像的近視分量，大致保持了原圖像的特征；LD2、LD1作為細節(jié)參量，反映原圖象高頻細節(jié)特征；LH2、LV2、LH1、LV1反映原圖像水平和垂直方向的特征。當駕駛員眼睛處于睜開和閉合兩個不同狀態(tài)時，7個參量對應地有兩種不同取值；通過分析這7個參量，可以判斷眼睛處于何種狀態(tài)。

2）提取各層的近似分量和細節(jié)分量

采用appcoef2()函數(shù)可以提取圖象小波分解的各層近似分量；采用deccoef2()函數(shù)可提取圖像小波分解的各層細節(jié)分量、水平分量和垂直分量。

圖 4 眼睛區(qū)域圖像的2層小波分解

3）計算求出上步獲得的各分量的能量值，得到圖像特征向量

設小波分解后，某一分量為S，是一個N×M二維數(shù)據(jù)，其能量為E：

按照（14）式計算方法，求出7個圖像分量的能量值并按照一定順序排列，例如：

即可得到故障特征向量。

4）設置好SVM分類器參數(shù)，輸入圖像特征向量，實現(xiàn)對駕駛員眼睛狀態(tài)的識別

由于眼睛只有睜開和閉合兩種狀態(tài)，只需采用一對一算法建立一個支持向量機分類器。SVM參數(shù)設置為:gam賦值為10，綜合考慮了模型的復雜度和數(shù)據(jù)的平滑性要求；sig2設為0.5核函數(shù)為：RBF-kernel 。最后輸入圖像特征向量，完成眼睛狀態(tài)判別。

為驗證本文采用的方法可有效地識別司機眼睛的睜、閉狀態(tài)，采集20張圖片（其中10張屬于睜眼狀態(tài)，10張屬于閉合狀態(tài)），經過前文所述的一系列操作，得到20個7維特征向量作為訓練樣本。先利用這20個訓練樣本訓練SVM分類器，使 SVM完成“學習”，建立眼睛睜、閉兩個狀態(tài)的分類超平面。然后再往該20個樣本中添加5%以內的隨機噪聲，構造新的20組數(shù)據(jù)作為測試樣本。最后，將測試樣本輸入到SVM分類器進行眼睛狀態(tài)睜、閉識別，以驗證SVM能否有效地識別司機的眼睛狀態(tài)。

實驗結果為：識別精度100%、識別時間0.589秒。說明在20個測試樣本中，SVM分類器將20個樣本正確識別歸類；識別所花費的時間也較少，效率較高。因此，采用SVM能快速、有效地識別司機的眼睛狀態(tài)。

3 駕駛員疲勞狀態(tài)判斷

在完成對司機眼睛狀態(tài)的識別后，利用PERCLOS原理可對司機的駕駛狀態(tài)作出判斷。單位時間內，眼睛閉合時間所占的百分比率被稱為PERCLOS。當此比率超過一個閥值，即可認為人是處于疲勞狀態(tài)。

設在T時間段內，每隔t時間間隔采集一張司機圖象，共采集N張司機圖像。對N張圖像進行眼睛狀態(tài)識別，統(tǒng)計眼睛處于閉合狀態(tài)的圖片數(shù)為M。那么依據(jù)PERCLOS原理可得：

司機眼睛閉合狀態(tài)的比率為：f＝M/N

當f＞=8 0%時，判定駕駛員處于疲勞駕駛狀態(tài)，需要給出預警信號；反之，駕駛員處于精力良好駕駛狀態(tài)，不需給出預警信號。

4 實驗與分析

為驗證疲勞檢測的效果，進行模擬實驗測試。隨機抽取20個人參與實驗,在不同時段,對每個人共進行10次連續(xù)監(jiān)測(上午3次、下午3次、晚上4次)，檢測結果的準確率在87.5%以上。具體數(shù)據(jù)如表1所示。實驗數(shù)據(jù)表明：上、下午實驗的監(jiān)測真確度明顯高于晚上，這是由于晚上光線相對較弱而造成的；此外，在實驗中發(fā)現(xiàn)，如果頭部位置偏移太大會影響眼睛的檢測，可能導致誤測。

表1 機車司機疲勞駕駛檢測實驗數(shù)據(jù)

5 結束語

實驗數(shù)據(jù)表明：本文采用的方法能夠較準確地對機車司機的駕駛狀態(tài)作出監(jiān)測，準確度在87.5%以上；所花費的時間較少，具有良好的實時性。此外，監(jiān)測的準確度與環(huán)境光線、被測對象的坐姿等有一定關系，這是本文以后需繼續(xù)深入研究的問題。

[1] 袁勝發(fā), 褚福磊.SVM多類分類算法及其在故障診斷中的應用[J], 振動工程學報, 2004, 17(5): 420-422.

[2] 董長虹. 小撥分析工具箱原理與應用[M]. 北京: 國防工業(yè)出版社, 2004.

[3] 鐘燕科. 改進的SVM用于主變流器故障診斷[J]. 機車電傳動, 2010, 02.

[4] 陳特放, 鐘燕科.基于小波分析和SVM的主變流器故障診斷[J]. 機車電傳動, 2009, 01.