基于人眼特征的驾驶员疲劳检测方法分析

【摘要】驾驶员的疲劳驾驶是交通事故的主要原因之一，是一个重大的社会问题。人眼特征的识别是驾驶员疲劳状态识别中的关键，要判断驾驶员是否处于疲劳驾驶，首先需要判断其眼睛的状态，即眼睛的睁闭情况。本文对基于人眼特征识别的驾驶员疲劳检测技术进行了分析和讨论。

【关键词】驾驶员;疲劳检测;人眼特征

1.基于椭圆拟合的人眼特征分析

对人眼特征的分析，主要是对眼睛的睁开程度进行分析，具体与人眼的轮廓有关。常用的椭圆拟合方法包括两种，分别是基于Hough变换的椭圆拟合方法和使用最小二乘法的椭圆拟合方法。后者能够适用于各种复杂的对象模型，而且能够实现极高的拟合度。本文选择基于最小二乘法的椭圆拟合方法对人眼的轮廓进行拟合，然后根据拟合椭圆的长短轴对人眼的状态进行判断。

1.1 椭圆拟合

最小二乘法拟合椭圆，主要通过计算边缘点到理想拟合椭圆距离的平方和的最小值，并以此为依据确定理想的椭圆拟合参数。平面内任意椭圆曲线可以利用线面公式进行表示：

（1）

令，，则椭圆的方程可以表示为下面的形式：

令，其中为人眼轮廓上的一个点，则该点到所拟合的椭圆代数距离平方和为：

使得的最小为最终拟合的椭圆系数，即：

（2）

为了保证方程是椭圆，并且不会出现α的退化解，必须要使参数α满足以下条件：

（3）

但是，在上述条件的限制下，对α求解非常困难。而根据相关的研究，可以将参数按照一定的比例进行任意缩放，因此，可以将不等式3表示为等式，具体如下：

（4）

在等式4的约束条件下，该方法会产生唯一的椭圆解。令：

设，则可以得到：

（5）

则公式3可以表示为如下形式：

（6）

于是，公式2和公式4的条件约束问题就转化为在公式6的约束下，求解式5的条件极值问题，即求解：

（7）

（8）

容易求得公式7的一组广义特征值和特征向量，对于任意常量，也是公式的解，将其带入到公式8中，能够得到如下结果：

（9）

1.2 人眼特征识别

通过前面对人眼轮廓进行椭圆拟合之后，就可以利用所拟合的椭圆参数对人眼轮廓的特征信息进行表示，转换公式如下：

（10）

（11）

（12）

（13）

（14）

上述公式中，xc和yc表示椭圆中心坐标点，a表示椭圆的长轴，b表示椭圆的短轴，θ表示椭圆长轴相对于水平坐标的偏转角度。

因此，在对人眼轮廓进行椭圆拟合之后，就可以利用椭圆的长短轴比例来判定人眼的状态，即通过b/a对人眼的睁闭状态进行判断，经过分析，可以确定当b/a>0.24时，认定眼睛为睁开状态，否则眼睛处于疲劳状态。

基于椭圆拟合的人眼状态识别方法能够较好地识别人眼的睁闭状态，但是对图片的分辨率及清晰度要求较高，同时对半睁半闭合的状态进行判断时，主观性较强，识别率较低。

2.驾驶员疲劳检测

PERCLOS用于描述驾驶员的疲劳状态，当人处于疲劳状态时，眨眼的持续时间会增加，这与疲劳程度呈正比关系，在具体试验中，PERCLOS通常包括P70、P80和Em三种测量方式。为了方便检测，我们选择眼睛闭合帧数占总帧数的比值作为PERCLOS的值，即：

（15）

公式中的N表示单位时间内采集人眼图片的总帧数，n则为眼睛闭合状态下所占的帧数。根据PERCLOS的原理，当驾驶员处于疲劳状态时，眨眼的速度回降低，眼睛闭合的时间会增加，可以通过设定阈值对人眼的疲劳状态进行判断。

通常情况下，人眼在一分钟内的眨眼频率EBF大约为10-15次，如果眨眼频率过低，这可能是因为驾驶员过于疲劳，眼睛大多数时间处于闭合状态，或者是驾驶员走神所导致的。针对第一种情况，可以通过闭眼状态所占的帧数比例进行判断，即PERCLOS方法，而如果PERCLOS的值较低，且眨眼频率也低于标准值时，则说明驾驶员的眼睛处于异常状态，需要进行报警提醒。

根据相关的研究发现，在利用PERCLOS对驾驶员额疲劳状态进行判断时，通常可以设置阈值为40%，当PERCLOS>40%，则判定驾驶员处于疲劳状态，反之，则需要对驾驶员的眨眼频率进行判断，当驾驶员的每分钟的眨眼次数≤5次时，则判定驾驶员处于疲劳状态。具体的检测过程如下：

（1）对已经定位好了的人眼进行状态识别，分别用“+1”和“-1”表示眼睛的睁闭状态，则检测过程中的驾驶员眼睛状态时一个由“+1”和“-1”组成的序列，并对当前人眼的状态进行保存。

（2）对PERCLOS值进行计算，每隔30秒统计一次总帧数以及闭眼的帧数，PERCLOS的值即是状态序列中“-1”所占的比例，眨眼的次数即是由“+1”转换为“-1”的次数，由于视频的采样率是30帧每秒，如果对每帧图像均进行识别，则需要进行大量计算，而根据人眼的眨眼变化特点，我们可以进行隔帧判断，即只识别每秒内的15张图像的眼睛变化特征。

（3）根据PERCLOS的值以及驾驶员的眨眼次数判断驾驶员是否处于疲劳状态。

其中，眨眼次数的具体算法流程如下：

以全局变量Sum表示一段时间内的眨眼次数，flag={1，-1}表示眼睛的变化状态序列，静态变量Preflag表示上一帧眼睛的状态，静态变量Change表示眼睛状态的变化次数。

（1）对Sum和Change进行初始化，并均赋值为0;

（2）读取一帧图像，并以此图像的眼睛状态，对flag进行初始化;

（3）读取下一帧图像，以上一帧眼睛的状态对Preflag进行赋值，然后分析当前的眼睛状态，并对flag进行更新。

（4）通过将flag与Preflag进行比较来判断人眼状态是否发生变化，当两个值相等时，则说明眼睛状态未发生变化，则继续执行第（3）步，而当两个值不等时，则对Change加1，如果Change等于2，则将眨眼次数Sum加1，并将Change的值设置为0，然后再执行第（3）步，如此循环，知道检测结束。

表1 疲劳检测仿真试验结果

测试集1 测试集2 测试集3

正确率（%） 100 83.3 80

如表1所示，表中列出了3组测试视频的疲劳检测试验方针结果，其中测试集1时长为92s均为清醒状态，正确检测出来;测试集2时长为182s，有2个清醒场景以及4个疲劳场景，漏检其中1个疲劳场景;测试集3的时长为302s，其中包含了5个清醒场景和5个疲劳场景，漏检了其中2个疲劳场景。

通过仿真实验来看，整体检测正确率处于较高的水平，对于睁眼和闭眼状态的疲劳检测效果较好，而对于驾驶员眼睛的半睁半闭合状态漏检较为严重，这主要是由于判断主观因素较重，导致判断结果产生误差，同时图片的清晰度也会对判断结果产生较大的影响，并且在对眼睛分类器进行训练时，采用Haar-Like特征在人脸侧倾斜度过大时不够明显，导致检测结果发生误差，进而出现错误的疲劳状态判断。另外，光照情况对系统的识别准确率也存在较大的影响，当光线较暗时，检测系统会失效，导致检测失败。

3.结论

本文选择了基于最小二乘法椭圆拟合的人眼特征判断算法，在基于PERCLOS疲劳判断理论的基础上，融合了眨眼频率的疲劳判断方法。通过仿真测试发现，本次研究的方法在识别准确率上整体保持了较高的水平，但是在疲劳状态检测时，出现了漏检的情况，这主要是由于在视频清晰度、光照条件以及角度等方面的问题都容易对疲劳判断的结果产生影响。针对这类问题，还需要不断进行研究并对系统进行改进，使系统的检测准确率进一步提高，从而能够有效降低因为疲劳问题所引发的交通事故的发生几率。

参考文献

[1]李智.基于视频图像的人脸疲劳状态检测技术研究[D].湖南：国防科学技术大学，2010.

[2]王荣本.基于机器视觉的行车安全综合保障系统研究[J].山东交通学院学报，2006，14（2）：1-5.

[3]曹菊英，赵跃龙.基于水平投影和Hough查找圆法的人眼状态识别研究[J].科学技术与工程，2007，7（9）：1969-1971.

项目来源：湖北省教育厅科学技术研究计划指导性项目（编号：B2013199）。