蔣文博，謝曉明

（北京化工大學(xué) 信息科學(xué)與技術(shù)學(xué)院 北京 100029）

近年來，疲勞駕駛在導(dǎo)致交通事故中所占的比例逐年上升，對預(yù)防疲勞駕駛的研究也越來越受到關(guān)注。開發(fā)能夠?qū)崟r檢測疲勞駕駛行為并對駕駛員進(jìn)行預(yù)警的系統(tǒng)，對改善交通安全意義重大[1]。

目前疲勞駕駛的檢測方法主要有神經(jīng)網(wǎng)絡(luò)，模板匹配，統(tǒng)計方法等[2]。而人眼檢測由于特征明顯，容易處理，被廣泛研究。文獻(xiàn)[3]采用逐步增加匹配點(diǎn)的匹配策略，通過計算每個位置的相關(guān)度，引入淘汰機(jī)制，對符合要求的位置進(jìn)一步增加相關(guān)計算的像素點(diǎn)。該方法減小了匹配過程中的計算量，有效降低了誤檢率。但對初始點(diǎn)選擇有較強(qiáng)的依賴性，一定程度上影響了魯棒性。文獻(xiàn)[4]根據(jù)灰度值縱向投影得到的波峰波谷位置判定眼睛、鼻子和嘴的位置，然后根據(jù)灰度值覆蓋的面積的不同來判別睜眼和閉眼狀態(tài)。但此方法對光照、噪聲及臉部姿態(tài)非常敏感，魯棒性和準(zhǔn)確度都不高。

隨著Adaboost、支持向量機(jī)(SVM)、神經(jīng)網(wǎng)絡(luò)和模糊推理等統(tǒng)計模型的興起，高精確度成為了現(xiàn)在模式識別的研究趨勢。Fok等人[5]提出的分層神經(jīng)網(wǎng)絡(luò)，使檢測系統(tǒng)具有旋轉(zhuǎn)不變性，解決了人臉及臉部特征的多角度問題，提高了準(zhǔn)確率。徐歡等人[6]提出一種基于代價敏感支持向量機(jī)（CSVM）的人眼檢測方法，用Gabor濾波器提取人眼特征向量，并使用主成分分析法實(shí)現(xiàn)降維，最后用CSVM訓(xùn)練人眼和非人眼分類器。該方法降低了誤檢率，提高了分類器的可靠性。文中使用Adaboost算法訓(xùn)練分類器，分別實(shí)現(xiàn)人臉、眼睛和打哈欠的檢測，然后結(jié)合基于局部搜索的自動閾值法及快速Hough圓檢測法來分割出眼球虹膜輪廓，最后通過對檢測出輪廓形狀的計算和處理做出判定，解決了以往判定眼睛睜開和閉合時計算復(fù)雜，閉合程度判斷不準(zhǔn)確的問題，同時增加了對打哈欠時嘴部的輪廓的檢測，增加了疲勞檢測的準(zhǔn)確度。

1 疲勞檢測方法整體架構(gòu)

疲勞駕駛檢測分為兩個部分：前端CCD攝像頭圖像采集，后臺計算機(jī)圖形處理分析。整套方法的流程為：1)CCD攝像頭采集駕駛員圖像；2)用基于Haar特征的Adaboost算法檢測出人臉區(qū)域；3)在人臉圖像區(qū)域再次使用Haar特征的Adaboost算法進(jìn)行眼睛區(qū)域和嘴部區(qū)域的定位；4)用基于局部搜索的自動閾值法實(shí)現(xiàn)眼球虹膜與眼瞼的分割、打哈欠時嘴的輪廓的分割，用快速Hough算法標(biāo)定眼球虹膜，計算虹膜圓形輪廓的完整程度以及打哈欠時嘴的張開程度，從而實(shí)現(xiàn)對駕駛員是否出在疲勞狀態(tài)進(jìn)行判別。具體流程如圖1所示。

圖1 疲勞駕駛檢測流程圖Fig.1 Driver fatigue detection flowchart

2 人臉、人眼檢測

2.1 基于Harr特征的Adaboost算法

1995年，F(xiàn)reund和Schapire提出了Adaboost算法，是對Boosting算法的一大提升。其核心思想是針對同一個訓(xùn)練集訓(xùn)練不同的分類器（弱分類器），然后把這些分類器結(jié)合起來，構(gòu)成一個更強(qiáng)的最終分類器（強(qiáng)分類器），且不需要任何關(guān)于弱分類器的先驗知識[7]。Viola P和Jones M提出了一種結(jié)合積分圖的Haar-like特征快速計算方法的Adaboost算法，真正意義上實(shí)現(xiàn)了目標(biāo)的快速、準(zhǔn)確檢測。影響Adaboost檢測訓(xùn)練算法速度很重要的兩方面是特征的選取和特征值的計算。臉部的一些特征可以用Haar（矩形）特征簡單的描述。如圖2所示。訓(xùn)練時，將每一個特征在訓(xùn)練子窗口中進(jìn)行滑動計算，獲取各個位置的各類矩形特征，位于同一位置的不同矩形特征，屬于不同的特征。特征數(shù)只和子窗口大小有關(guān)，一副24×24的圖像，矩形的特征數(shù)量就有約160 000個，由此可見Haar特征的多樣性。

圖2 Haar特征及Haar特征多樣性Fig.2 Features and it＇s diversity of Haar

Viola P和Jones M提出的積分圖像法[8-9]可以快速計算Haar特征的特征值，簡化了Haar特征值計算過程涉及到的很多內(nèi)部像素的求和操作，大大提高了訓(xùn)練效率。在計算出Haar特征值之后，用Boosting算法將弱分類器組合成為一個強(qiáng)分類器，用于目標(biāo)檢測。

2.2 人臉、眼睛檢檢測定位

本文的疲勞檢測方法把人臉檢測作為圖像處理部分的第一步驟，為之后眼睛和嘴的檢測和處理縮小了檢測區(qū)域，有效的減小了計算量。實(shí)驗中使用的圖像為筆記本電腦攝像頭在不同背景下采集的圖像序列，用基于Haar特征的Adaboost算法進(jìn)行檢測的部分結(jié)果如圖3所示。

圖3 人臉、眼睛檢測和定位結(jié)果Fig.3 Result of face and eyes detection

由人體頭部的生理結(jié)構(gòu)可知，眼睛位于人臉的上半部分，則在進(jìn)行眼睛檢測和定位的過程中，只對人臉圖像的上半部分進(jìn)行檢測，可以有效縮短檢測時間。

2.3 局部搜索確定二值化的分割閾值

大多數(shù)疲勞檢測系統(tǒng)用人眼的睜開和閉合作為判斷駕駛員是否疲勞的標(biāo)準(zhǔn)，但駕駛員在某些疲勞的狀態(tài)下，眼睛并沒有完全閉合，而這樣就容易產(chǎn)生誤判。文中用于檢測人眼的分類器選用Opencv提供的分類器，能夠識別各種狀態(tài)的人眼，然后再針對檢測到的人眼圖像進(jìn)行二次判斷。

由人眼的結(jié)構(gòu)特征可知，睜眼和閉眼的一個明顯的區(qū)別在于眼球可見部分輪廓的大小，睜眼時為最大，閉眼時則完全消失，圖4給出了處于不同睜眼狀態(tài)時眼球的比對示意圖。

圖4 睜眼時的不同睜眼狀態(tài)Fig.4 Different states when eyes open

由圖4可以看出，人眼圖像的灰度值分布存在一定特征，眼瞼邊緣和眼球部分的灰度值要遠(yuǎn)小于人眼其他部分。因此，眼瞼邊緣輪廓和眼球虹膜輪廓可以很容易被分割出來。文中采用基于局部搜索的自動閾值分割法，即用自適應(yīng)大小的正方形模板窗口對圖片進(jìn)行遍歷，計算模板的平均灰度值，找到最小值，則認(rèn)為是黑眼球部分的平均灰度，作為二值化分割的閾值。在人眼檢測標(biāo)定的圖片中，眼球的直徑約等于人眼圖片高度的1/3，則模板大小即為人眼圖片高度的1/3。當(dāng)睜眼過小即眼球可見部分變小，模板遍歷到最小值的區(qū)域變?yōu)檠劢遣糠?，但隨著眼白部分的減小，也可以把眼瞼邊緣分割出來。圖5給出了局部搜索自動閾值分割后的人眼二值化圖像。

圖5 局部搜素自動閾值分割后的人眼二值化圖像Fig.5 Binary image after local template searching and segment

2.4 快速Hough圓檢測判定人眼睜開狀態(tài)

得到二值化分割后的人眼圖像后，需要提取虹膜的外輪廓。一般二值化后的圖像會有部分眼角區(qū)域，可以通過邊緣檢測尋找最大輪廓，即為虹膜的輪廓?？焖貶ough圓檢測的核心思想是：圓上任意兩點(diǎn)連線的中垂線都會經(jīng)過圓心，中垂線公式：

其中(x1，y1)，(x2，y2)為圓上的兩點(diǎn)，k 為這兩點(diǎn)所在直線的斜率。

如果對檢測到的眼球輪廓上的每兩點(diǎn)連線求中垂線，計算量太大，本文選定眼球輪廓上最具特征的3個點(diǎn)：左邊緣點(diǎn)、下邊緣點(diǎn)和右邊緣點(diǎn)，求得3個點(diǎn)連接成3條線段的中垂線的交點(diǎn)，求平均坐標(biāo)點(diǎn)作為圓心，然后半徑為圓心到3個點(diǎn)的距離的平均值，繼而重繪出整個圓。快速Hough圓檢測結(jié)果如圖6所示。

圖6 快速Hough圓檢測結(jié)果Fig.6 Results of fast hough circle detection

快速Hough圓檢測后，得到重繪圓的輪廓，用參數(shù)γ來判定人眼的睜開狀態(tài)。

其中，areaeye是眼球輪廓面積，areacircle是重繪圓面積，γ越接近1，則人眼睜開越大，反之則越小，一般認(rèn)為當(dāng)γ<0.5的時候，判定駕駛員處于疲勞狀態(tài)。

對于閉眼或者睜眼過?。囱矍蚩梢姴糠趾苄。┑那闆r，此時求出的圓點(diǎn)坐標(biāo)在檢測出的輪廓的上邊緣點(diǎn)上方，則跳過公式(3)的計算，直接判定為疲勞狀態(tài)。

3 打哈欠檢測

打哈欠作為疲勞最直接的表現(xiàn)形式，在本文中被用來作為疲勞檢測的一個標(biāo)準(zhǔn)。然而不同人打哈欠時嘴的張開程度也會有不同，特別是在說話或者發(fā)出吃驚等一些表情的時候，嘴都會張開，對判定結(jié)果產(chǎn)生影響。為了解決誤判問題，文中使用基于Haar特征的Adaboost算法訓(xùn)練分類器，實(shí)現(xiàn)嘴的正常狀態(tài)和張嘴狀態(tài)的區(qū)分，再針對區(qū)分結(jié)果實(shí)現(xiàn)二次處理，計算嘴的張開程度，判定是否處于疲勞狀態(tài)。

文中選取打哈欠及各種張嘴時的嘴部圖像為正樣本，選取臉部其他部分圖像為負(fù)樣本，正樣本和負(fù)樣本圖像均從網(wǎng)上搜索得到，正樣本圖像250張，大小統(tǒng)一縮放為24×24，負(fù)樣本圖像550張，部分樣本圖片如圖7所示。

圖7 部分正負(fù)樣本圖像Fig.7 Part of the positive and negative sample images

訓(xùn)練分類器使用Opencv提供的opencv_haartraining.exe訓(xùn)練程序得到分類器描述文件。由于嘴位于人臉的下半部分，所以搜索區(qū)域可縮小至人臉下半部分，節(jié)省搜索時間。檢測完成得到打哈欠（或張嘴）的圖片，則再用局部搜索確定二值化分割閾值，把嘴的輪廓分割出來。為判斷嘴的張開程度，我們同樣在輪廓上取最具代表性的4個點(diǎn)：上下邊緣點(diǎn)和左右邊緣點(diǎn)，通過計算輪廓的外接矩形的寬高比來判定是否為打哈欠狀態(tài)，一般認(rèn)為當(dāng)寬高比大于1.5的時候處于疲勞狀態(tài)。

圖8 打哈欠的檢測結(jié)Fig.8 Result of yawn

4 實(shí)驗結(jié)果

測試使用筆記本電腦集成攝像頭采集的1 000張駕駛員頭部圖像作為實(shí)驗測試圖像，統(tǒng)一大小為640×480，測試電腦配置 CPU Core i5系列，主頻 2.3 GHz，內(nèi)存4G，得到的實(shí)驗結(jié)果表1所示。

表1 實(shí)驗結(jié)果Tab.1 Test result detection

由實(shí)驗結(jié)果可以看到，判斷準(zhǔn)確率達(dá)到了92.6%，可以滿足實(shí)際駕駛中疲勞檢測的要求。

5 結(jié)束語

文中用基于Haar特征的Adaboost算法對人臉和人眼位置進(jìn)行快速定位，然后針對人眼圖像應(yīng)用基于局部模板搜索的自動閾值法進(jìn)行二值化分割，再根據(jù)快速Hough圓檢測法判定睜眼和閉眼狀態(tài)，同時增加了打哈欠的判定，用兩種標(biāo)準(zhǔn)判斷駕駛員的疲勞狀態(tài)，增加了整套檢測方法的準(zhǔn)確性。經(jīng)過實(shí)驗測試表明，本方法簡單、快速且有著很高的準(zhǔn)確性，為駕駛員疲勞檢測的實(shí)時應(yīng)用打下了良好的理論基礎(chǔ)。

[1]馬天翼,成波.基于面部表情的駕駛員疲勞狀態(tài)識別[J].汽車安全與節(jié)能學(xué)報，2010,1(3):200-204.

[2]唐琎,許海柱,王力炳.圖像中人眼檢測技術(shù)綜述[J].計算機(jī)應(yīng)用研究，2008,25(4):961-965.

[3]唐琎,李青.一種快速的模板匹配算法 [J].計算機(jī)應(yīng)用，2010,30(6):1559-1564.

[4]方君院,陸玲.基于灰度投影的眼睛定位研究[J].湖南農(nóng)機(jī):學(xué)術(shù)版，2011,38(1):142-143.

[5]Fok Hing Chi Tivive,Abdesselam Bouzerdoum.A hierarchical learning network for face detection with in-plane rotation[J].Neurocomputing,2008,71(16):3253-3263.

[6]徐歡,高雁鳳,鄭恩輝,等.一種用于駕駛員疲勞檢測的人眼檢測方法[J].計算機(jī)工程.2013,39(9):254-257.

[7]李紹文,王江波.駕駛員疲勞監(jiān)測系統(tǒng)的研究[J].計算機(jī)工程與應(yīng)用，2013,49(15):253-258.

[8]Paul Viola,Machael Jones.Robust real-time object detection[J].International Journal of Computer Vision.2004,57(2):137-154

[9]Paul Vioal,Machael Jones.Rapid object detection using a boosted cascade of simple feature[J].IEEE Computer Society Conference on Computer Vision and Pattern Recognition.2001(1):511-518.