基于图像处理的驾驶员疲劳状态的预警研究

基于图像处理的驾驶员疲劳状态的预警研究

闫冬文

山东科技大学

摘要：

疲劳驾驶作为影响道路交通安全的主要因素，对生命财产安全造成极大危害。本文研究的一种非接触式、实时性且精准度高的疲劳检测方法，通过光线在人脸不同区域的反射率不同的特点，使用双向投影积分进行眼部定位，依据瞳孔半径变化曲线，利用PERCLOS法检测驾驶员眼部开闭频率，确定是否处于疲劳驾驶状态。实验通过模拟测验证明该方法的准确性，能有效地应用于疲劳检测实践中。

关键词：图像处理；双向投影积分；PERCLOS；疲劳驾驶检测

0引言

据统计，疲劳驾驶是引发交通事故的首要因素，在交通事故死亡原因中占据首位，疲劳驾驶已逐渐成为社会关注的重点。通过图像处理技术对驾驶员的行车状态进行实时检测，对于交通安全性的提高和保证生命财产安全有着极其重要的意义。

1疲劳驾驶检测流程图

疲劳驾驶检测系统主要由人眼检测与定位、瞳孔半径测量以及疲劳认定组成，通过摄像头进行驾驶员图像采集，并进行图像光照补偿、去噪处理。如图1所示，通过对驾驶员眼部图像的处理，将生理状态直观化，最后用数据判断驾驶员是否处于疲劳驾驶状态。

图1疲劳驾驶检测流程图

2基于二值化图像的人眼定位

本文研究一种基于二值化图像的人眼定位方式，其定位分为四个步骤，如图2所示。

图2基于二值化图像的人眼定位流程图

2.1 的求解和图像二值化

用二维函数 表示图像^[1]，用入射到摄像头的光源能量之和与人脸发射的光的总量来表示函数 ：入射量 ，反射量 。

其中：

（1）

（2）

式（2）中指出，反射量趋于0（全吸收）和1（全反射），是图像内在性质的决定者。根据 的值体现面部特征，通过与门限值进行比较，将眼部这个反射量小的部位从图像中分割出来。

在空间中，反射量在不同物体交界处急剧变化，但入射量变化慢。本文对图像进行低通滤波器处理，得到 ：

（3）

通过式（1）（3）解得 。

图3为积分投影后的二值化图像，图中可以清晰地分辨出人眼位置。

图3 图像二值化结果

2.2双向积分投影实现精确定位

经过二值化图像处理后，图像中噪声量得到大幅度减少，降低了人眼定位的难度。对图3中左右区域各自进行双向投影积分，投影积分如图4所示。

图4左眼、右眼在水平和垂直方向上的积分投影

瞳孔的中心位置 为投影积分在水平方向和垂直方向上最大值的交集。

图5是对二值化后的人眼投影曲线归一化。从图中可以看出，两侧出现灰度值最大的两个点，分别对应双眼的中心坐标。

图5双眼定位结果

3基于瞳孔半径曲线的眼睑开闭频率统计

从图5可以看出，双眼中心两侧的灰度值曲线发生急剧变化，这是由于瞳孔以外的浅色区域的灰度值变化引起的。在瞳孔中心两侧的积分宽度 处，可以确定是瞳孔边界^[2],记瞳孔半径最大值为 。

据统计，成年人每分钟眨眼12～30次，每次用时约0.1～0.3s。当出现疲劳后，人的眨眼频率将会变快且每次用时变短，因此可以根据人的瞳孔半径变化曲线对眼睑开闭频率进行统计。实验得到瞳孔半径变化曲线如图6所示^[3]。

图6瞳孔半径变化曲线

在首帧图像中得到瞳孔半径最大值，其余帧图像中用 与 进行比较 ,得到瞳孔相对大小 。本次实验中将 作为眼睑闭合的状态。

4 PERCLOS原理

PERCLOS定义为单位时间中眼睑张开与闭合的时间比，能直观反映疲劳状态。PERCLOS方法有EM、P70、P80三种不同的标准^[4]，分别指瞳孔被眼睑覆盖面积超过50%、70%、80%时，认定眼睛为闭合状态。

本文以该方法的P80标准作为依据,计算连续图像中司机眼部PERCLOS特征值,判断司机的疲劳状态。其原理如图7所示。

图7 PERCLOS算法原理

PERCLOS算法对人眼闭合频率的定义为

记 为眼睑闭合80%以上的时间， 为眼睑闭合20%以上的时间。f表示眼睑闭合的时间比，为简化计算，将时间比转化为图像帧数比。

其中， 是眼睑张开帧数， 是眼睑闭合帧数。

5试验结果及分析

在实验室模拟驾驶室的实际情况，以及特殊光照进行试验。通过采集50位测试者在不同环境中的视频集进行分析，每位测试者均取20张图像进行实验。测试者人眼定位结果如图8所示，定位准确率如表2所示。

图8人眼定位效果图

表2人眼定位准确率

此次实验经过多次多样本检测处理，结合测试样本的实际状态作为对照，本文以PERCLOS = 0.4作为判断驾驶员疲劳的阈值.疲劳检测结果如表3所示。实验结果表明，该阈值的准确度较高。

表3疲劳试验结果统计

6结束语

本文使用图像处理的方法进行疲劳检测，基于二值化图像的双向积分投影进行眼部区域定位，根据瞳孔半径在连续图像下的变化，统计眼睑闭合与张开比，得到PERCLOS的特征值，结合阈值对样本疲劳状态进行判定。

实验数据表明，本文使用的方法检测速率和准确度较高，并且对不同情境下不同样本的眼睛状态识别准确率较高。

参考文献

[1]冈萨雷斯.数字图像处理[M].第二版.阮秋琦，阮智宇.北京:电子工业出版社，2007:39-40.

[2]冯建强,刘文波,于盛林.基于灰度积分投影的人眼定位计算仿真[M].2005

[3]姚胜,李晓华,张卫华，等.基于LBP的眼睛开闭检测方法[J].计算机应用研究，2015,32(6)：1897-1901.

[4]ZEILE M D, FERGUSR. Stochastic pooling for regularization of deep convolutional neural networks[J].Computer Science,2012,7575(1):702-715.