劉珂 韓瑤 楊中伍 王知也

摘 要：在交通飛速躍進(jìn)的現(xiàn)代社會(huì)，開車的人數(shù)越來越多，疲勞駕駛使得道路事故急劇增加，給人民和社會(huì)的安全帶來巨大隱患。所以對(duì)開車人進(jìn)行實(shí)時(shí)疲勞程度檢測(cè)越來越急迫和重要。本文主要通過將模板匹配與支持向量機(jī)相結(jié)合的檢測(cè)算法。人臉檢測(cè)用模板匹配，用空間模式聚類方法分割出來人的嘴巴部分，再用支持向量機(jī)來綜合嘴巴的狀態(tài)和人眼的狀態(tài)來判斷駕駛員疲勞。

關(guān)鍵詞：模板匹配;空間模式聚類;支持向量機(jī);疲勞檢測(cè)

一、當(dāng)前駕駛員疲勞檢測(cè)系統(tǒng)的現(xiàn)狀分析

1.1駕駛員疲勞檢測(cè)系統(tǒng)的現(xiàn)狀與發(fā)展

現(xiàn)階段對(duì)疲勞駕駛的檢測(cè)研究主要包括主觀檢測(cè)和客觀檢測(cè)。主觀檢測(cè)是通過對(duì)駕駛員的自我記錄表、主觀調(diào)查表、皮爾遜疲勞量表及斯坦福睡眠尺度表等的進(jìn)行評(píng)定，該方法對(duì)駕駛員的依賴程度較高，并且對(duì)疲勞駕駛無法進(jìn)行實(shí)時(shí)檢測(cè)。[1]客觀檢測(cè)的研究主要是在以下的3個(gè)方面：

（1）基于對(duì)駕駛員行為特性的檢測(cè)。根據(jù)對(duì)駕駛員行為的實(shí)時(shí)檢測(cè)，判斷駕駛員當(dāng)前的疲勞狀態(tài)，如眼瞼的活動(dòng)等。

（2）基于對(duì)車輛參數(shù)的檢測(cè)。根據(jù)對(duì)駕駛過程車輛所檢測(cè)的參數(shù)，判斷駕駛員的操作指標(biāo)，得出駕駛員的疲勞程度，如車速、車輛位置、方向盤的轉(zhuǎn)動(dòng)角度等。

（3）基于對(duì)駕駛員生理參數(shù)測(cè)量的檢測(cè)。根據(jù)檢測(cè)出的駕駛員的生理特征，判斷其疲勞狀態(tài)，如心電圖、腦電圖等。

綜合分析駕駛員疲勞狀態(tài)檢測(cè)技術(shù)的研究狀況，在今后駕駛員疲勞檢測(cè)技術(shù)的研究工作主要會(huì)從以下幾個(gè)方面進(jìn)行開展：

（1）駕駛員疲勞檢測(cè)要實(shí)時(shí)進(jìn)行。

（2）駕駛疲勞形成機(jī)理和模型的研究。

（3）整合多種方法以提高駕駛員疲勞檢測(cè)的可靠性。

（4）駕駛員疲勞報(bào)警裝置的研究與普及應(yīng)用。

1.2駕駛員疲勞檢測(cè)系統(tǒng)存在的問題

國(guó)內(nèi)外的各大汽車廠商也設(shè)計(jì)出各種用于檢測(cè)疲勞駕駛的設(shè)備。比如通過檢測(cè)人疲勞時(shí)的生理特征來檢測(cè)駕駛員的疲勞狀態(tài)，如腦電圖等測(cè)量方法，盡管這些方法的測(cè)量結(jié)果比較準(zhǔn)確，但一般都是在駕駛前后測(cè)量的，因而結(jié)果會(huì)有超前或滯后，不能進(jìn)行實(shí)時(shí)檢測(cè)。

二.基于人臉識(shí)別的駕駛員疲勞檢測(cè)系統(tǒng)設(shè)計(jì)

2.1研究?jī)?nèi)容與目標(biāo)

本設(shè)計(jì)在基于機(jī)器視覺和人臉識(shí)別技術(shù)的基礎(chǔ)上，開發(fā)一套可進(jìn)行人機(jī)交互設(shè)備，在終端使用的進(jìn)行實(shí)時(shí)檢測(cè)駕駛員疲勞狀況的系統(tǒng)。有如下四個(gè)方面的目標(biāo)：

（1）用模板匹配算法進(jìn)行人臉檢測(cè)。

（2）用聚類的方法分割出來人的嘴巴部分。

（3）對(duì)疲勞和不疲勞的特征進(jìn)行SVM訓(xùn)練。

（4）用支持向量機(jī)（SVM）來綜合嘴巴的狀態(tài)和人眼的狀態(tài)來判斷駕駛員是否疲勞。

2.2研究方法和研究進(jìn)展

2.2.1研究?jī)?nèi)容的技術(shù)路線圖

2.2.2模板匹配算法檢測(cè)人臉的研究

模板匹配屬于預(yù)先定義模板類的人臉檢測(cè)方法，即在檢測(cè)之前預(yù)先定義好人臉模板，然后使用該模板遍歷待測(cè)圖像，篩選出可能的人臉區(qū)域，最后使用啟發(fā)式規(guī)則進(jìn)行確認(rèn)。該算法的總體設(shè)計(jì)如圖2所示。[2]

2.2.3用空間模式聚類方法分割人的嘴巴

空間模式聚類算法是將圖像中的每個(gè)像素看成是一個(gè)模式，每個(gè)模式既體現(xiàn)了所代表的空間信息，又包含了像素的顏色信息。這樣對(duì)像素的聚類，就轉(zhuǎn)變成為對(duì)模式的聚類。聚類過程中利用Lab色彩空間中的a分量表示像素的顏色信息，同時(shí)用測(cè)得距離代替歐幾里得距離表示空間模式聚類算法中的結(jié)構(gòu)不相似性。[3]

根據(jù)新定義的不相似性，空間模式聚類可以在最小化權(quán)值不相似性時(shí)獲得：

其中m是模糊因子（m>1） 。一個(gè)局部的最小值可以通過運(yùn)行下面的迭代過程進(jìn)行求解。

（1）初始化：隨機(jī)初始化隸屬度矩陣U（0） 重置迭代值n，令割據(jù)誤差門限值εT 為一小的正值。

（2）將圖像轉(zhuǎn)換到Lab色彩空間，利用a分量值作為空間模式的特征值利用以下公式計(jì)算聚類中心的V（n） ：

（3）對(duì)那些模式的標(biāo)記已經(jīng)在當(dāng)前迭代當(dāng)中改變的，通過計(jì)算模式的比率來估計(jì)割據(jù)誤差：

2.2.4用支持向量機(jī)來實(shí)現(xiàn)疲勞檢測(cè)

訓(xùn)練用于疲勞檢測(cè)的SVM分類器的首要問題是樣本的選取，對(duì)于“人臉”樣本，我們選取了10個(gè)人的人臉圖像，并且都不帶眼鏡，因?yàn)檠坨R有時(shí)候會(huì)反光，不好定位人眼。

為了便于人臉定位和綜合多尺度信息，我們不是直接使用符號(hào)函數(shù)作為SVM分類器，而是引入如下的映射使得輸出規(guī)范到區(qū)間[0，1]，以此數(shù)值反映檢測(cè)窗口與人臉的相似度：[4]

彩色圖像中得到的眼睛部分利用MATLAB中svmclassify（svmStruct，F(xiàn)eature）這個(gè)支持向量機(jī)方法進(jìn)行對(duì)比，svmStruct是訓(xùn)練好的數(shù)據(jù)，F(xiàn)eature是從圖像中得到的相關(guān)向量值。最終進(jìn)行一系列的分析得到駕駛員在此時(shí)是否處于疲勞狀態(tài)。

2.3系統(tǒng)實(shí)現(xiàn)效果圖

參考文獻(xiàn)：

[1] 王斐，王少楠，王惜慧，彭瑩，楊乙丁.基于腦電圖識(shí)別結(jié)合操縱特征的駕駛疲勞檢測(cè)[J].儀器儀表學(xué)報(bào)，2014.

[2] 龍開文. 基于模板匹配的人臉檢測(cè)[J]. 四川大學(xué)， 2005.

[3] 宋傳振， 岳振軍， 賈永興， 等. 基于改進(jìn)的空間模式聚類算法的唇部分割[J]. 軍事通信技術(shù)， 2013.

[4] 梁路宏，艾海舟，肖習(xí)攀，葉航軍，徐光. 基于模板匹配與支持向量機(jī)的人臉檢測(cè)[J]. 計(jì)算機(jī)學(xué)報(bào)， 2002.

作者簡(jiǎn)介：

姓名：劉珂（1999.02-）男，山東省臨沂市人，本科，就讀于哈爾濱理工大學(xué)，研究方向：軟件工程。