張雯頩, 康 冰

(1. 吉林省科學技術協(xié)會學會服務中心, 長春 130022； 2. 吉林大學 通信工程學院, 長春 130022)

0 引 言

目前我國已經成為世界汽車制造大國, 車輛的不斷增加以及基礎設施日趨完善, 給人們的出行帶來了極大的方便, 但也出現(xiàn)了一系列的負面問題, 比如交通事故和大氣污染等。以2002年統(tǒng)計數(shù)據(jù)為例, 在各類事故中, 交通事故死亡人數(shù)所占比例為78.5%, 已成為各種事故中的第一殺手。其中駕駛員疲勞造成的交通事故占20%, 占特大交通事故的40%以上[1-3]。

引發(fā)交通事故的一個主要原因是疲勞駕駛。駕駛員如果在疲勞狀態(tài)下行車, 不僅對自己的生命安全造成威脅, 而且對其他駕駛員及車輛也可能造成不堪設想的后果。因為交通事故并不是在駕駛員剛一產生疲勞就出現(xiàn), 所以完全可考慮在駕駛員剛剛出現(xiàn)疲勞狀態(tài)時就通過一種預警裝置提醒駕駛員, 這樣可使駕駛員有意識采取相應的措施, 防患于未然。數(shù)據(jù)表明, 在交通事故發(fā)生前, 如果司機的反應比疲勞時快0.5 s, 則60%的事故在很大程度上可以避免[4]。

筆者采用Adaboost算法檢測人臉并定位人眼后, 通過疲勞特征提取和疲勞狀態(tài)判斷等環(huán)節(jié), 提高判斷算法的準確性和運算效率, 最終設計并實現(xiàn)基于視頻圖像的駕駛員疲勞狀態(tài)檢測系統(tǒng)。

1 圖像預處理與人臉檢測

在人臉檢測和疲勞判斷之前, 對攝像頭捕捉到的圖像進行預處理[5,6]。首先將攝像頭采集到的RGB(Red Green Blue)圖像轉換成色彩空間YCrCb, 然后取出重點處理的單通道圖像, 對其進行高斯濾波和圖像增強, 并對標定區(qū)域進行二值化處理, 在此二值化圖像的基礎上進行中值濾波以及開運算、 閉運算的數(shù)字形態(tài)學濾波。通過上述處理后, 分割出眼睛區(qū)域并提取疲勞參數(shù)進行疲勞判斷。

在駕駛室環(huán)境下判斷駕駛員是否疲勞駕駛, 首先需從復雜環(huán)境下快速準確識別人臉[7-10]。筆者在Haar特征值的計算中引入積分圖概念[11], 記ii(x,y)為點(x,y)在對應的積分圖中的值,ii(x,y)表示原圖像上點(x,y)的左上部分的像素和, 即

(1)

其中i(x′,y′)表示原圖像中的像素點(x′,y′)。若定義s(x,y)為點(x,0)和(x,y)點組成的線段上的點的像素值之和, 即

(2)

則可用

s(x,y)=s(x,y-1)+i(x,y),ii(x,y)=ii(x-1,y)+s(x,y)

(3)

遞推公式計算ii(x,y), 則只需遍歷原圖像一次, 通過遞推關系就可將其積分圖分解, 從而避免不必要的重復計算。

如需計算任意區(qū)域的像素和, 同樣有快速計算方法。如圖1所示, 若需要計算D區(qū)域的像素和, 則可按照

P(D)=P(A+B+C+D)-P(A+B)-P(A+C)+P(A)

(4)

計算。

按照積分圖的定義,ii(x,y)即為點(x,y)左上部分的面積, 則有

圖1 任意區(qū)域像素和計算Fig.1 Pixel and calculation in any region

P(D)=ii(4)-ii(3)-ii(2)+ii(1)

(5)

故可在常數(shù)時間計算出D區(qū)域的像素和, 從而計算出某圖像區(qū)域的Haar特征值。一般而言, 為每個Haar構造的弱分類器通過確定一個合理的優(yōu)化閾值實現(xiàn), 該閾值使得用該特征進行分類時錯誤率足夠小[11]。假設存在一個包含n個樣本的訓練集S={(x1,y1),…,(xn,xn)}, 其中xi∈X(i=1,2,…,n)表示訓練樣本,yi∈Y是xi對應的判別標志, 且有Y={-1,1}。對于第i個訓練樣本的第j個弱分類器

(6)

其中Fj(xi)表示子窗口中第j個Haar特征的值,θj表示設定的閾值,pj用于控制不等號的方向。為使以上弱分類器能用于對人臉進行區(qū)分和鑒別, 還需對其進行適當?shù)慕M合或優(yōu)化。而AdaBoost算法正是通過尋找對人臉區(qū)域及非人臉區(qū)域區(qū)分能力最好的那些Haar特征, 從而得到由這些特征對應的弱分類器組合生成的對人臉區(qū)分能力最優(yōu)的強分類器。其過程為如下。初始化樣本權值

(7)

其中w1(i)表示第1輪訓練中第i個樣本的初始權值,p表示S中正樣本的總數(shù),q表示S中負樣本的總數(shù), 有p+q=n。

對于t=1,2,…,T,T為迭代次數(shù), 進行如下循環(huán)。

1) 權值歸一化

其中wt(i)表示第t輪訓練中第i個樣本的權值,i=1,2,…,n。

2) 對特征j訓練出其弱分類器hj, 計算其加權誤差

選擇加權誤差最低的分類器htmin作為此次循環(huán)的分類器。

3) 按照

更新樣本權值。當分類正確時,ht(xi)=yi,ei=0; 分類錯誤時,ht(xi)≠yi,ei≠0。由T個弱分類器得最終的強分類器

(8)

由上述過程可見, 每次迭代在當前的概率分布上找到了一個具有最小誤差的弱分類器, 然后調整概率分布, 減小當前分類器分類正確的樣本權重, 而增大其分類器錯誤的樣本權重, 從而使那些被錯誤分類的樣本得到重點學習, 因而得到的強分類器具有統(tǒng)計上的客觀性。

通過以上的方法得到的單個強分類器只能針對某些Haar特征進行判別, 并不能直接用于判斷某一窗口是否是人臉, 因此需要多個強分類器, 綜合多個強分類器的判別結果進行決策。為此, 提出了一種級聯(lián)方式的Adaboost人臉檢測方法[12,13], 即整個檢測系統(tǒng)由多層分類器組成, 每層都是一個由Adaboost算法得到的強分類器, 通過多層過濾, 最終得到人臉窗口。圖2給出了強分類器級聯(lián)圖。

圖2 強分類器級聯(lián)圖Fig.2 Classification of strong classifiers

在圖2所示的結構中, 前面若干級分類器只需少量特征就可排除大量的非人臉, 后面的若干級則需要大量的特征排除那些非人臉, 因為越到后面說明待檢測窗口就越像人臉。這樣可極大地減少計算量, 提高人臉檢測的速度。這樣的級聯(lián)結構使每個節(jié)點都具有較高的通過率, 但總的檢測結果基本不受影響。例如, 在檢測人臉時, 幾乎99.99%的人臉窗口都被檢出, 且允許通過, 但有50%的非人臉也得以通過?？倷z測率并沒有因此而急劇降低, 因為20個節(jié)點使得總的檢測率達到0.999 920≈98%, 而錯誤接受率僅為0.520≈0.000 1%。

由于原圖像的尺寸較大, 如果直接對原圖像進行人臉檢測, 每檢測一幀所耗費的時間過長。因此, 先對原圖像進行縮放, 在縮放的圖像上進行人臉檢測, 然后在原圖像上標定出檢測結果。但存在的缺點是如果人臉離攝像頭較遠, 存在誤檢和漏檢等情況。在距攝像頭距離不變的情況下, 其檢測效果如表1所示。

表1 檢測效果對比表

由表1可知, 縮放后的圖像雖然在檢測率上有一定的減小, 但是檢測時間卻大大降低, 因此檢測的實時性顯著提升。如圖3所示, 無論白天黑夜, AdaBoost人臉檢測算法受光照的影響較小。這主要是由于AdaBoost訓練庫中包含了光線較暗時的人臉圖像, 因此無論是白天還是晚上, 都具有較高的檢測率。

a 白天 b 夜晚圖3 Adaboost人臉檢測Fig.3 Face detection of Adaboost

2 駕駛員眼睛檢測

在檢測到人臉的基礎上, 筆者將Adaboost的人眼檢測算法、 邊緣檢測算法和膚色分割算法相結合進行人眼的精確定位。基于膚色分割的面部特征提取, 將圖像從RGB空間轉換到YCrCb色度空間[14]并使其色彩和亮度分離, 在不考慮亮度分量時, 膚色像素在此色度空間被呈現(xiàn)為較好的聚類[15]。其變換公式為

(9)

其中Y表示顏色亮度,Cr表示紅色分量,Cb表示藍色分量,Cr和Cb一起表示顏色的色度信息, 并且Cr和Cb之間是二維獨立的, 這樣就有效地將亮度和色度分隔開, 并且人體膚色在Cb、Cr空間中都具有較好的聚類, 也非常適合于將膚色區(qū)域從圖像背景中分割開。在YCrCb彩色空間里, 膚色在Cr,Cb通道內都在一個相對穩(wěn)定的范圍內。通過

C=E[(x-M)(x-M)T],x=[Cr,Cb]T,M=E(x)

(10)

確定膚色點在二維空間中的二維高斯模型[16]。其中x為每個像素的色度分量,M和C分別為均值和方差。先將圖像從RGB彩色空間轉換到YCrCb彩色空間, 然后運用

(11)

計算該像素點屬于膚色區(qū)域的概率, 即得到該像素點與膚色在二維高斯空間中分布中心的相似度。其中P(Cr,Cb)代表了圖像中各像素點與膚色的相似程度, 其值越大, 在圖像中就越接近白色, 表示其屬于膚色的概率就越大。圖4是對Cr、Cb通道進行膚色相似度計算后的圖像。

圖5為二值化圖像。由圖5可見, 對所檢測到的人臉區(qū)域進行膚色相似度計算后, 人臉的大部分膚色區(qū)域亮度很高, 接近白色, 但由于光照不均衡, 造成部分膚色區(qū)域灰度值較小, 但與眼睛區(qū)域的灰度相比, 仍然比較大, 如果選擇合適的閾值, 可以把膚色區(qū)域與眼部特征分開。

為縮小定位范圍, 根據(jù)人臉幾何特征“3庭5眼”的關系, 眼睛和眉毛分布在人臉區(qū)域一個集中的矩形范圍內。觀察圖6所示“3庭5眼”特征示意圖, 可近似認為眼睛眉毛集中在人臉高度1/4～1/2范圍內, 在實時視頻中標定此區(qū)域, 對所得到的二值化圖像(見圖5)進行邊緣檢測并用矩形框標定檢測到的特征。根據(jù)眼睛是長方形的特點, 可排除一部分誤檢。在環(huán)境光線亮度比較均勻的情況下, 這種檢測方法能準確定位出眼睛位置, 但如果環(huán)境太暗, 則會出現(xiàn)漏檢和誤檢的問題。

圖4 膚色形似度計算結果圖像 圖5 二值化圖像 Fig.4 Image of skin color image Fig.5 Binary image

運用Adaboost算法定位眼睛的檢測方法與基于訓練的Adaboost人臉檢測方法相似, 只是在訓練樣本時采用的人眼庫, 但有時還是會有誤判。將上述兩種檢測結果相結合, 能精確定位出眼睛位置。圖7為眼睛檢測的框定圖, 實驗驗證, 在光線均衡的視頻中, 該方法可較準確地檢測出眼睛區(qū)域。算法在不同環(huán)境下的準確率如表2所示。

圖6 3庭5眼特征 圖7 人眼檢測結果 Fig.6 5 Eye characteristics of atrium Fig.7 Human eye test results

測試集環(huán)境變化測試總數(shù)準確檢測檢測率/%1光照均衡1 00098898.82光照不均1 00085185.13配戴眼鏡1 00020220.24臉部傾斜1 000550555眼睛閉合1 00088188.1

由表2所示, 利用筆者眼睛檢測算法分別在光照均衡、 光照不均、 配戴眼鏡、 臉部傾斜及眼睛閉合情況下進行測試。由測試結果可知： 光照均衡條件下, 通過調節(jié)適當?shù)哪w色閾值, 可將眼睛檢測率提高到98.8%, 漏檢樣本可能由眼睛閉合造成, 也可能由姿勢傾斜造成； 光照不均條件下, 由于二值化人臉樣本存在高光或者偏光帶來的干擾, 導致灰度圖像中膚色與眼睛并不能完全分開, 造成檢測率下降； 佩戴眼鏡對眼睛檢測的干擾巨大, 訓練的樣本中沒有包含戴眼鏡的樣本； 臉部傾斜, 對基于灰度人眼檢測影響較大, 究其原因, 也是由于灰度圖像中膚色與眼睛并不能完全分開, 影響判別條件的適用性； 眼睛閉合情況下, 準確率較高, 調整膚色閾值可使眼睛區(qū)域無論睜開或者閉合都能較為準確定位。

3 駕駛員疲勞狀態(tài)分析

眼皮運動是一種視覺行為, 可有效反映一個人的疲勞程度。根據(jù)易于測量并且疲勞狀態(tài)代表性強等性能指標, 筆者選擇兩個具有代表性的眼皮疲勞評價參數(shù), 對其進行實時提取[17], 分別為眼睛開閉時間內眼睛閉合時間所占的百分比(PERCLOS： Percent Eyelid Closure over the Pupil Time)和眼皮平均閉合速度(AECS： Average Eyelid Closing Speed)。

PERCLOS的測量原理如圖8所示。通過測量t1～t4的時間節(jié)點可計算出PERCLOS的值

(12)

圖8 測量PERCLOS值的原理Fig.8 Measures the PERCLOS value principle

其中f代表眼睛閉合時間的百分率, 即PERCLOS值；t1是眼睛最大瞳孔閉合到80%瞳孔所用時間；t2-t1是眼睛80%瞳孔閉合到20%瞳孔所用的時間；t3-t2是眼睛20%瞳孔閉合到20%瞳孔張開所用時間；t4-t3是眼睛20%睜開到80%睜開所用時間。定義當眼睛瞳孔開度大于20%是睜開, 等于或更小為閉合。眼睛睜開或閉合是通過將其與標準眼睛圖像像素的模板比較得出的, 時間可通過每幀圖像處理的時間算出。

AECS是眼皮的平均閉合速度, 一般用眼皮從完全睜開到完全閉合所經歷的時間表示, 該參數(shù)也能較好的反應疲勞程度。因此AECS的計算方法為

tAECS=teveryn

(13)

其中tAECS代表眼皮平均閉合速度, 即AECS；tevery為每幀處理時間；n為連續(xù)閉眼的幀數(shù)。

筆者運用一種基于閾值分割的眼睛區(qū)域像素計算法, 由于膚色區(qū)域與眼睛區(qū)域存在很大差別, 因此可有效得到分離, 并通過計算眼睛面積進行眼睛狀態(tài)的判定。一般情況下, 眼睛的大小與眼睛睜開程度成正比, 通過二值化圖像眼睛區(qū)域的面積就能大體判斷出眼睛的開合度。此方法較模板匹配算法簡單, 易于實現(xiàn), 較擬合曲線可靠性強。算法如下。

1) 分開標定左眼和右眼區(qū)域, 計算眼睛區(qū)域面積。

2) 記錄連續(xù)50幀眼睛區(qū)域面積, 由于此50幀內保留睜眼和閉眼兩種狀態(tài), 因此需進行冒泡排序, 求取瞳孔面積最大40幀平均值, 作為后續(xù)判斷的基準。

3) 眼睛閉合閾值選擇, 調整閾值R, 觀察實驗結果并評估眨眼判斷準確率, 當眼部區(qū)域面積小于R時, 認定為眼睛閉合。如果在單位時間內眼睛閉合的幀數(shù)大于某一閾值, 即認定駕駛員處于疲勞狀態(tài)。

信息融合[18]是利用計算機技術對來自多個傳感器觀測信息進行分析和綜合處理。從而得出決策和估計任務所需信息的處理過程。信息融合的另一種說法是數(shù)據(jù)融合。但其內涵更廣泛, 更確切, 更合理, 也更具有概括性, 其不僅包括數(shù)據(jù), 而且包括了信號和知識。

筆者采用的信息融合技術是將眼睛疲勞不同參數(shù)進行相關融合, 得到最終的可反映駕駛員疲勞狀態(tài)的綜合指標。公式如下

(14)

其中m為某只眼睛疲勞指數(shù)權重,n為另一只眼睛疲勞指數(shù)權重[19,20],ffatigue為經過信息融合的駕駛員疲勞指數(shù)。疲勞指數(shù)與已知的閾值d比較是否疲勞駕駛: 當ffatigue>d時, 輸出顯示駕駛員為疲勞狀態(tài)； 當ffatigue≤d時, 輸出顯示駕駛員為正常狀態(tài)。

4 仿真結果

筆者實現(xiàn)的基于視頻圖像的眼疲勞檢測, 基于Windows 7平臺, 在Microsoft Studio 2010開發(fā)環(huán)境中采用MFC環(huán)境和開源視覺庫OpenCV實現(xiàn)。整個軟件的實現(xiàn)界面如圖9所示。

圖9 軟件實現(xiàn)界面Fig.9 Software implementation interface

顯示窗口分為5部分： 軟件界面、 駕駛員視頻加載區(qū)、 二值化圖像顯示區(qū)、 調試區(qū)域和縮放視頻顯示區(qū)。每個部分功能如下。

1) 軟件界面。界面上有6個按鈕和兩個文本框, 按下每個按鈕都會執(zhí)行不同的操作。

2) 駕駛員視頻加載區(qū)和調試區(qū)域。運行時點擊“打開攝像頭”按鈕后攝像頭才被打開, 彈出“VIDEO”窗口, 才開始捕捉視頻, 同時會彈出“閾值設置”的窗口, 用于后續(xù)操作中設置閾值, 共有3個閾值, 前兩個是二值化操作的閾值, 最后一個是設置睜眼與閉眼分界點的閾值。當要停止軟件運行, 點擊界面的“退出”按鈕直接退出。

3) 縮放視頻顯示區(qū)。點擊按鈕“視頻縮放”后, 會彈出“縮放視頻”這個窗口, 人臉檢測即在此窗口進行, 為了縮短程序運行時間, 標定人臉圖像時在原像上進行。

4) 二值化圖像顯示區(qū)。點擊“人臉定位”和“人眼定位”按鈕之后, 會彈出“BINARY”這個窗口, 前兩個閾值大小要根據(jù)這個窗口進行調整。

在準確定位眼睛后, 點擊“眨眼頻率”按鈕, 通過“閾值設置”中第3個進度條確定眼睛閉合的閾值。通過前文所述方法判斷是否為疲勞駕駛。

5 總 結

筆者主要研究對象是基于視覺的駕駛員疲勞檢測方法, 通過對視頻圖像的采集、 預處理與圖像增強、 人臉檢測、 眼睛定位以及疲勞算法的研究, 實現(xiàn)了疲勞檢測系統(tǒng)的相關流程, 經測試分析, 該算法具有較高的實時性等特點。

參考文獻：

[1]朱淑亮. 基于視頻圖像處理與信息融合的駕駛員疲勞檢測技術研究 [D]. 濟南: 山東大學機械工程學院, 2008.

ZHU Shuliang. Research on Driver Fatigue Detection Based on Video Analysis and Information Fusion [D]. Jinan: School of Mechanical Engineering, Shandong University, 2008.

[2]姜華. 基于模式識別的駕駛員疲勞狀態(tài)檢測系統(tǒng)研究 [D]. 哈爾濱: 哈爾濱工業(yè)大學汽車工程學院, 2011.

JIANG Hua. Study on Driver Fatigue Detect System Based on Pattern Recognition [D]. Harbin: School of Automobile Engineering, Harbin Institute of Technology, 2011.

[3]王軍. 駕駛員疲勞檢測算法研究 [D]. 北京: 北京交通大學電子信息工程學院, 2017.

WANG Jun. Study on Driver Fatigue Detection Algorithm [D]. Beijing: School of Electronic Information Engineering, Beijing Jiaotong University, 2017.

[4]黃每裕. 歐洲人告別疲勞駕駛 [J]. 勞動安全與健康, 2000(11): 48.

HUANG Meiyu. Europeans Bid Farewell to Fatigue Driving [J]. Work Safety and Health, 2000(11): 48.

[5]朱序謀. 國外如何防止疲勞駕駛 [J]. 道路交通管理, 2000(12): 19.

ZHU Xumou. How to Prevent Fatigue Driving Abroad [J]. Road Traffic Management, 2000(12): 19.

[6]章毓晉. 圖像工程(上冊)： 圖像處理 [M]. 北京: 清華大學出版社, 2006: 65-69.

ZHANG Yujin. Image Project (Uploaded): Image Processing [M]. Beijing: Tsinghua University Press, 2006: 65-69.

[7]曹菊英. 基于眼睛跟蹤技術的司機疲勞檢測方法的研究 [D]. 長沙: 中南大學計算機應用技術學院, 2007.

CAO Juying. Study on Fatigue Detection of Motor Driver Based on Eyes Tracking Technology [D]. Changsha: School of Computer Applied Technology, Central South University, 2007.

[8]江俊. 人眼定位算法設計與人臉識別系統(tǒng)的軟件移植 [D]. 武漢: 華中科技大學電子信息與通信學院, 2012.

JIANG Jun. Design of Eyes Location Algorithm and Software Porting for Face Recognition System [D]. Wuhan: School of Electronic Information and Communications, Huazhong University of Science and Technology, 2012.

[9]羅超. 基于駕駛員行為特征的疲勞駕駛檢測方法的實現(xiàn) [D]. 武漢: 武漢理工大學信息工程學院, 2013.

LUO Chao. The Realization of Driver Fatigue Detection Method Based on Driver Behavior Characteristics [D]. Wuhan: School of Information Engineering, Wuhan University of Technology, 2013.

[10]鄭培, 宋正河, 周一鳴. 機動車駕駛員駕駛疲勞測評方法的研究狀況及發(fā)展趨勢 [J]. 中國農業(yè)大學學報, 2001, 6(6): 101-105.

ZHENG Pei, SONG Zhenghe, ZHOU Yiming. Study Situation and Developing Trend on Detecting and Evaluating Techniques of Motor Driver Fatigue [J]. Journal of China Agricultural University, 2001, 6(6): 101-105.

[11]YANG M H, KRIEGMAN D J, AHUJA N. Detecting Faces in Images: A Survey [J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2002, 24(1): 34-58.

[12]郭克友, 儲江偉, 王榮本. 駕駛員眼部狀態(tài)識別方法的研究 [J]. 系統(tǒng)工程與電子技術, 2003, 25(10): 1186-1188.

GUO Keyou, CHU Jiangwei, WANG Rongben. Study on the Recognition of the Driver’s Eye States[J]. Systems Engineering and Electronics, 2003,25(10): 1186-1188.

[13]WANG R B, GUO L, TONG B L, et al. Monitoring Mouth Movement for Driver Fatigue or Distraction with One Camera [C]∥The 7thInternational IEEE Conference on Intelligent Transportation Systems. Washington, D C, USA ：AAAI Press, 2004: 314-319.

[14]WANG Tiesheng, SHI Pengfei. Yawning Detection for Determining Driver Drowsiness[C]∥Proceedings of IEEE International Workshop on VLSI Designer and Video Technology. Suzhou, China: IEEE Press, 2005: 373-376.

[15]LIN C. Face Detection in Complicated Backgrounds and Different Illumination Conditions by Using YCbCr Color Space and Neural Network [J]. Pattern Recognition Letters, 2007, 28(16): 2190-2200.

[16]夏良正, 李久賢. 數(shù)字圖像處理 [M]. 南京： 東南大學出版社, 2005.

XIA Liangzheng, LI Jiuxian. Digital Image Processing [M]. Nanjing: Southeast University Press, 2005.

[17]廖傳錦, 秦小虎, 黃席樾. 以人為中心的汽車主動安全技術綜述 [J]. 計算機仿真, 2004, 21(9): 152-156.

LIAO Chuanjin, QIN Xiaohu, HUANG Xiyue. The State of Arts of Human-Centered Vehicle Active Safety Technology [J]. Computer Simulation, 2004, 21(9): 152-156.

[18]黃超, 謝康林, 杜平. 基于Adaboost的快速人臉跟蹤算法 [J]. 計算機工程, 2004, 30(S): 373,374.

HUANG Chao, XIE Kanglin, DU Ping. A Fast Face Tracking Algorithm Based on Powerful Adaboost [J]. Computer Engineering, 2004, 30(S): 373,374.

[19]楊露菁, 余華. 多源信息融合理論與應用 [M]. 北京： 北京郵電大學出版社, 2006.

YANG Lujing, YU hua. Multi-Source Information Fusion Theory and Application [M]. Beijing: Beijing University of Posts and Telecommunications, 2006.

[20]李志春. 駕駛員疲勞狀態(tài)檢測技術研究及工程實現(xiàn) [D]. 鎮(zhèn)江： 江蘇大學汽車與交通工程學院, 2009: 67-69.

LI Zhichun. Research on Driver’s Fatigue Status Detection Technology and Realization in Engineering [D]. Zhenjiang: School of Automotive and Traffic Engineer, Jiangsu University, 2009: 67-69.