李剛　王銀燁　張政儒　許艷亭　丁茹伊

摘 要：駕駛疲勞是造成交通事故的主要誘因之一。由世界衛(wèi)生組織發(fā)布的調(diào)查研究結(jié)果表明，在高速公路中由疲勞駕駛引起的交通事故率占了將近百分之四十，駕駛疲勞檢測和預警的技術也越來越受到研究人員的重視。而駕駛員打哈欠是疲勞形成過程中的一個直觀指標，文章提出基于Python平臺開發(fā)一套在線檢測駕駛員打哈欠的系統(tǒng)，方法簡單、指標穩(wěn)定可靠，具有實際應用價值。

關鍵詞：駕駛員;駕駛疲勞;打哈欠;人臉識別;Python

中圖分類號：U471 ?文獻標識碼：A? 文章編號：1671-7988（2020）03-137-03

引言

駕駛員在長時間的駕駛過程中，需長時間保持高度集中的注意力，隨時準備應付各種復雜的內(nèi)外部環(huán)境，易導致注意力不集中、判斷能力下降、警戒性水平降低，致使駕駛員難以維持最初的良好技術水平，出現(xiàn)動作遲誤或過早、操作停頓或修正不及時等不安全動作，由此引發(fā)重大的安全事故。例如，2018年1月14日，沈海高速（棲霞市境內(nèi)）發(fā)生一起中型客車與大型牽引車追尾道路交通事故，造成8人死亡、6人受傷，調(diào)查認定駕駛?cè)松嫦悠隈{駛。據(jù)高速網(wǎng)2017年05月16日報道，2016年，京滬高速淮安段共發(fā)生交通事故787起，其中因駕駛疲勞導致的交通事故414起，占事故總量的52.6%。駕駛疲勞與許多重大交通事故有著顯著的因果關系，現(xiàn)已成為交通事故的主要誘因之一[1]，給人民的生命、財產(chǎn)安全造成嚴重威脅。

高危車輛，包括客車、運輸車輛、集裝箱運輸車輛、重載貨車等，由于駕駛?cè)蝿諘r間長、駕駛員腦負荷重，更易在駕駛途中產(chǎn)生疲勞，也就更容易導致交通事故的發(fā)生。由沃爾沃主導的一項對中國交通事故中的重卡駕駛員的調(diào)查數(shù)據(jù)顯示，疲勞駕駛引發(fā)事故的比例高達73%[2]。所以對高危車輛的駕駛疲勞檢測尤為重要，建立駕駛疲勞實時檢測系統(tǒng)具有重要的社會意義和經(jīng)濟效益。

打哈欠是疲勞檢測的一個重要指標[3]，駕駛員打哈欠意味著大腦已進入疲勞狀態(tài)。據(jù)報道，西安市公交總公司道路安全委員會出臺政策規(guī)定，公交駕駛員在運營過程中連續(xù)打哈欠3次將被批評教育，以遏制因駕駛員精力不集中而造成的各類交通事故。針對打哈欠的檢測，研究人員做了許多研究，例如，童兵亮利用嘴唇特征點定位得到的嘴部幾何特征值，然后利用BP神經(jīng)網(wǎng)絡對駕駛員嘴部狀態(tài)進行識別，識別準確率高達96.2%[3];張偉偉等人利用深度卷積網(wǎng)絡和在線學習跟蹤算法檢測駕駛員打哈欠，識別準確率高達93.7%[4]。本文提出基于Python開發(fā)平臺，利用人臉識別技術定位嘴部坐標，通過實時計算嘴部高寬比判斷嘴部狀態(tài)，然后進行打哈欠實時檢測。

1 系統(tǒng)框架

1.1 Python庫的調(diào)用

（1）cv2模塊的調(diào)用，cv2模塊是圖像處理的一個模塊，本系統(tǒng)中主要用于攝像頭調(diào)用、圖像的采集與讀取、圖像的灰度處理等。

（2）dlib庫的調(diào)用，dlib庫是整個打哈欠檢測系統(tǒng)最為關鍵的庫文件，能夠提供各種機器學習算法和擁有大量的圖像處理功能，本文主要用于人臉檢測與識別、嘴部坐標確定等。

（3）Numpy庫的調(diào)用，主要用于數(shù)組操作與運算，如嘴部狀態(tài)特征參數(shù)的實時存儲、特征值的計算、數(shù)組數(shù)據(jù)的提取與刪除等。

（4）math庫的調(diào)用，主要用于實現(xiàn)基本的數(shù)學運算功能，包括基本的加減運算、嘴部尺寸計算、嘴部高寬比的計算等。

（5）Winsound庫的調(diào)用，主要用于系統(tǒng)揚聲器的調(diào)用與設置，判斷打哈欠后對疲勞進行預警。

2 打哈欠指標

通過攝像頭實時采集人臉視頻，經(jīng)過人臉識別算法獲得如圖1所示的人臉68點圖，獲取68點圖的二維坐標。眾所周知，人嘴部正常閉合時，上下嘴唇之間的高度為h（63-67）=0、左右嘴角之間的寬度w（61-65）為一定值，當開始說話時h（63-67）變大、w（61-65）減小，深度疲勞打哈欠時h（63-67）最大、w（61-65）最小。因此，打哈欠指標可定義為：R=h（63-67）/w（61-65）。

3 系統(tǒng)流程

整體系統(tǒng)設計采用四個部分，這五個部分分工明確，互相結(jié)合：

第一步，定位人臉68點位置。通過import導入所需的庫或模塊，cv2.VideoCapture （ ）調(diào)用內(nèi)部或外接攝像頭，通過cv2.cvtColor （ ）對人臉圖像進行灰度處理，通過dlib.get_ frontal_face_detector（ ）進行人臉檢測，通過dlib.shape_predic tor （ ）進行人臉68點進行定位。

第二步，計算打哈欠檢測指標。通過def定義R的計算函數(shù)，w（61-65）為點61與點65之間的寬度，h（63-67）為點63與點67之間的高度，通過hypot（ ）函數(shù)計算，由此可計算打哈欠指標R。

第三步，設定閾值，判斷是否存在打哈欠。R值隨著打哈欠而增大，通過設定閾值T，當R>T時判定為打哈欠。

第四步，設定打哈欠預警條件及方式。當連續(xù)有5個R值大于T時，系統(tǒng)報警，設定持續(xù)時間t=500 ms，報警音頻率f=1000Hz，通過winsound.Beep （f， t）實現(xiàn)系統(tǒng)報警。

4 結(jié)果與討論

圖2為采集的被試講話、嘴部動作、打哈欠時的散點圖，所有數(shù)據(jù)均為放大1000倍后的結(jié)果。如圖2（a）所示，圖中兩個峰為打哈欠時的R數(shù)據(jù)，兩個峰的左側(cè)及中間為講話與嘴部動作，由圖可知，打哈欠時的R值明顯大于講話、嘴部動作時的數(shù)值。圖2（b）為將所有原始數(shù)據(jù)四次方后再放大1000倍的結(jié)果，由圖可見，通過處理后講話、嘴部動作的波峰已消失，只有打哈欠時的兩個峰存在，表面通過對原始數(shù)據(jù)進行四次方后可以提高數(shù)據(jù)的靈敏度，使打哈欠更易被識別。

5 結(jié)論

本文提出的基于Python的打哈欠檢測指標能有效反映嘴部狀態(tài)，通過對R指標四次方能有效去除說話、嘴部小動作的峰值，使打哈欠指標更顯著。本文提出的駕駛員打哈欠實時檢測系統(tǒng)識別準確度高，具有實際應用價值。

參考文獻

[1]????? 李都厚，劉群，袁偉，劉浩學.疲勞駕駛與交通事故關系[J].交通運輸工程學報，2010，10（2）： 104-109.

[2]????? 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(nóng)業(yè)大學學報，2001，6（6）：101-105.

[3]????? 童兵亮.基于嘴部狀態(tài)的疲勞駕駛和精神分散狀態(tài)監(jiān)測方法研究 [D].吉林大學，2004.

[4]????? 張偉偉，糜澤陽，肖凌云，錢宇彬.基于深度卷積網(wǎng)絡和在線學習跟蹤的駕駛員打哈欠檢測[J].中國機械工程，2019， 30（08）： 902-911.