康家明 盧水生 王超凡 邱倩茹 王旭

摘 要 駕駛員處于正常狀態(tài)是保證安全駕駛的必要條件，科學、高效地監(jiān)測駕駛員的非常態(tài)對于營造安全的駕駛環(huán)境意義重大。本文在理清非常態(tài)駕駛自動預警系統(tǒng)運行的機理后，研究了系統(tǒng)進行人臉檢測、人臉識別和非常態(tài)監(jiān)測所涉及的相關(guān)算法，并在MATLAB平臺開發(fā)了交互性的程序。最后，在Mockingdot仿真平臺模擬系統(tǒng)的運行，明確了系統(tǒng)的功能要素，提高了系統(tǒng)集成開發(fā)的應用性。

關(guān)鍵詞 人臉檢測;人臉識別;非常態(tài)監(jiān)測;MATLAB;Mockingdot仿真

引言

自身和外界環(huán)境的綜合影響會使駕駛員生理和心理機能發(fā)生一定的波動，當波動幅度超過一定的限度，會造成意識不清、記憶消失及下意識操作等問題，并對駕駛員的面部狀態(tài)產(chǎn)生直觀影響，使駕駛員處于非常態(tài)。非常態(tài)駕駛是引發(fā)交通事故的重要原因，常見的駕駛員非常態(tài)包括分心、疲勞和發(fā)暈狀態(tài)等。根據(jù)美國交通安全基金會的調(diào)查數(shù)據(jù)顯示，由于非常態(tài)駕駛引發(fā)的事故占比高達49%。監(jiān)測駕駛員的非常態(tài)程度，是智能輔助駕駛的一項關(guān)鍵技術(shù)。

近年來，國內(nèi)外研究者對駕駛員非常態(tài)監(jiān)測技術(shù)進行了諸多深入的研究。系統(tǒng)的監(jiān)測方法分為兩大類，一是直接監(jiān)測方法，通過駕駛員自身的生理特征監(jiān)測駕駛員是否處于非常態(tài)，如通過心、腦、眼電圖取得駕駛過程中的變化數(shù)據(jù)綜合判斷，通過駕駛員常態(tài)與非常態(tài)下的視覺特征不同，采用模式識別的方法進行判別;二是間接監(jiān)測方法，即根據(jù)外部硬件設備的受控表現(xiàn)，判斷駕駛員行為是否處于非常態(tài)駕駛，如通過傳感器獲取車輛在行駛過程中的參數(shù)（道路線檢測、速度變化、車輛間距離）來判斷異常情況[1]。以硬件傳感器為主的方法其準確性與檢測儀器的精度和相關(guān)參數(shù)有較大關(guān)系，且接觸式監(jiān)測對駕駛員操作構(gòu)成了障礙。利用人臉識別技術(shù)進行非常態(tài)監(jiān)測，可以提高監(jiān)測的實時性和準確性，本文主要闡述這種直接監(jiān)測技術(shù)的原理。

1 系統(tǒng)運行機理

本文系統(tǒng)開發(fā)的流程分四個部分，即人臉檢測、人臉識別、非常態(tài)參數(shù)計算和判定預警。系統(tǒng)捕獲視頻圖像后，首先對圖像進行預處理，在此基礎上，使用優(yōu)化的類Haar-like特征檢測算法完成人臉檢測，進而利用卷積神經(jīng)網(wǎng)絡算法對檢測到的人臉識別。之后，劃分出人臉關(guān)鍵區(qū)域，定位人臉關(guān)鍵點，分析計算關(guān)鍵點位的特征參數(shù)，即駕駛員的眼睛閉合頻率及臉部狀態(tài)信息，同時，當計算的非常態(tài)特征參數(shù)超過設定閾值時，判定為非常態(tài)駕駛，系統(tǒng)發(fā)出警告信號。非常態(tài)駕駛自動預警系統(tǒng)的運行流程圖，如圖1所示。

2 基于Harr-Like特征AdaBoost級聯(lián)分類器算法的人臉檢測

人臉檢測算法使用類Haar-like特征，檢測具有較高的魯棒性，對于一張大小N×N的灰度圖像I，其特征區(qū)域為S，則特征值f計算方式為白色區(qū)域內(nèi)的像素和減去黑色區(qū)域內(nèi)的像素和。對于訓練樣本來說，數(shù)個類Haar-like特征的組合最終將產(chǎn)生較大數(shù)量級的特征集，需要采用AdaBoost分類器進行訓練[2]。AdaBoost分類器的基本思想為首先選取相應的特征構(gòu)建不同的弱分類器，然后在每次弱學習后調(diào)整樣本空間中正確分類與錯誤分類的權(quán)重分布，并重點關(guān)注錯誤分類樣本，最終將這些弱分類器集合構(gòu)成一個強分類器。這一系列強分類器經(jīng)過閾值調(diào)整級聯(lián)，形成最終的人臉檢測分類器。

3 基于卷積神經(jīng)網(wǎng)絡的人臉識別算法

用于人臉識別的卷積神經(jīng)網(wǎng)絡由輸入層、三層卷積層、三層池化層、全連接層以及Softmax分類器組成。網(wǎng)絡中，卷積層作為特征提取層，池化層是特征值下采樣層。網(wǎng)絡涵蓋訓練和識別過程，訓練時為了提高訓練效率，將每次訓練過程分成多次的迭代進行，而且每次迭代又包括了多次訓練，并把訓練樣本分成多個組。一組訓練過程包括前向傳播、反向傳播、權(quán)值更新三部分，在前向傳播中將CNN提取的特征串接起來歸一化后作為Softmax分類器的輸入，對分類器進行訓練。在訓練好的網(wǎng)絡中將測試圖像樣本輸入到網(wǎng)絡，經(jīng)過前向傳播后，將全連接層的卷積特征歸一化作為Softmax分類器的輸入，用于識別類別。最后，根據(jù)樣本標簽與真實值對比計算錯誤率，實現(xiàn)網(wǎng)絡測試過程[3]。圖2為在MATLAB平臺設計的基于卷積神經(jīng)網(wǎng)絡的駕駛員人臉識別系統(tǒng)GUI界面。

4 非常態(tài)區(qū)域特征判別和參數(shù)計算

通過駕駛員外部特征判斷非常態(tài)的監(jiān)測方法，不會影響駕駛員的正常行車。駕駛員的外部特征包括頭部運動、表情變化及眼睛的運動。這些外部特征的變化通過眨眼活動、眨眼頻率、眼睛閉合時間、點頭頻率等方法來監(jiān)測[4]，而在眾多監(jiān)測方法中，PERCLOS標準最能直接反映駕駛員非常態(tài)的程度，是車載、實時的、非接觸式監(jiān)測非常態(tài)方法的首選，其定義是單位時間內(nèi)眼睛閉合一定比例所占的時間。PERCLOS方法中常用的標準有P70、P80和EM三種[5]。在測量周期t1—t4內(nèi)，t2—t3為閉合時間，則度量值的計算方式為（采用P80計算方式）：

圖3為在MATLAB平臺設計的駕駛員非常態(tài)監(jiān)測系統(tǒng)UI界面。當用PERCLOS方法測算出駕駛員處于非常態(tài)時，系統(tǒng)顯示紅色信號提醒駕駛員注意。

5 非常態(tài)監(jiān)測系統(tǒng)的仿真設計

根據(jù)設計原理，通過Mockingdot仿真平臺模擬系統(tǒng)的運行。平臺運作的主要過程為：駕駛員輸入賬號登錄系統(tǒng)，上傳自己的常態(tài)人臉圖像集組成人臉庫，并同步到云端。在駕駛過程中以一定頻率捕獲駕駛員照片，將捕獲的照片與已經(jīng)建立的常態(tài)人臉圖像集進行特征比對，確認人車匹配程度，并計算捕獲照片的非常態(tài)參數(shù)，參數(shù)超出閾值則表示駕駛員處于非常態(tài)，系統(tǒng)發(fā)出預警信號及時提醒駕駛員休息。

6 結(jié)束語

本文在對比當前國內(nèi)外用以非常態(tài)監(jiān)測的兩大類方法后，選用以人臉識別技術(shù)為支撐的直接監(jiān)測方法來開發(fā)系統(tǒng)，保證系統(tǒng)監(jiān)測的實時性和準確性。在分析了非常態(tài)駕駛自動預警系統(tǒng)運行的機理后，我們研究了系統(tǒng)進行人臉檢測、人臉識別和非常態(tài)監(jiān)測所涉及的相關(guān)算法，并在MATLAB平臺開發(fā)了相應的程序。最后，在Mockingdot平臺設計出識別駕駛員非常態(tài)并自動預警的仿真系統(tǒng)，規(guī)范了系統(tǒng)集成開發(fā)的交互界面。

參考文獻

[1] 李軍，幸堅炬，黃超生，等.人臉識別在疲勞駕駛檢測中的應用研究[J].廣東技術(shù)師范學院學報，2019，40（3）：22-27.

[2] 詹潤哲，姜飛.基于面部關(guān)鍵點特征融合的駕駛員疲勞檢測方法研究[J].宿州學院學報，2018，33（10）：115-117.

[3] 解駿，陳瑋.基于卷積神經(jīng)網(wǎng)絡的人臉識別研究[J].軟件導刊，2018，17（1）：25-27.

[4] 肖遼亮.基于人眼定位算法的疲勞駕駛檢測研究[J].電腦知識與技術(shù)，2015，11（15）：132-133.

[5] 王琦.基于人臉識別的疲勞監(jiān)測系統(tǒng)的研究[D].新鄉(xiāng)：新鄉(xiāng)醫(yī)學院，2018.

[基金項目] 江蘇省大學生創(chuàng)新訓練項目，（項目編號：201910290096Y）。