本發(fā)明具體涉及一種駕駛員疲勞駕駛檢測方法。

背景技術(shù)：

隨著中國交通運(yùn)輸業(yè)的逐漸發(fā)展，交通事故的發(fā)生越來越頻繁，而駕駛員疲勞駕駛已經(jīng)變成了導(dǎo)致交通事故的主要原因之一，能夠和酒后駕駛相提并論。因此，開發(fā)一個(gè)有用的駕駛員勞累駕駛監(jiān)測方法對(duì)保證人們出行的安全具備關(guān)鍵意義，變成了有關(guān)學(xué)者探討的關(guān)鍵課題，得到越來越廣泛的注意。

在對(duì)駕駛員駕駛圖像進(jìn)行采集的過程中，容易出現(xiàn)具有一定傾斜度的駕駛圖像，導(dǎo)致傳統(tǒng)的基于腦電圖識(shí)別結(jié)合操縱特征的駕駛員疲勞駕駛檢測方法，由于需對(duì)角度標(biāo)準(zhǔn)差與零速百分比進(jìn)行準(zhǔn)確測量，造成無法有效實(shí)現(xiàn)對(duì)駕駛員疲勞檢測的問題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是提供一種駕駛員疲勞駕駛檢測方法。

一種駕駛員疲勞駕駛檢測方法，其特征在于，包括以下步驟：

s1：采用攝像頭對(duì)駕駛圖像進(jìn)行采集；

s2：采用adaboost算法對(duì)駕駛員臉部進(jìn)行檢測；

s3：對(duì)駕駛員眼睛的定位和特征提取；

s4：駕駛員眼睛狀態(tài)的計(jì)算；

s5：駕駛員疲勞駕駛的判定。

進(jìn)一步的，adaboost算法步驟如下：

1）假設(shè)訓(xùn)練樣本為，其中，用于描述待訓(xùn)練樣本，用于描述待訓(xùn)練樣本集；用于描述所屬類別，，如果，則為負(fù)樣本，即其不是駕駛員臉部；如果，則為正樣本，即其為駕駛員臉部，n用于描述所需訓(xùn)練的樣本總量；

2）權(quán)值向量的初始化：，其中，，用于描述所訓(xùn)練樣本的概率分布狀況；

3）迭代循環(huán)：通過下式對(duì)權(quán)值進(jìn)行歸一化處理：

；

通過弱學(xué)習(xí)算法，按照順序?qū)?quán)值歸一化后的訓(xùn)練樣本進(jìn)行訓(xùn)練，獲取弱分類器：；

在上述權(quán)值中，按照順序?qū)θ醴诸惼鞯腻e(cuò)誤率進(jìn)行計(jì)算：

；

選擇錯(cuò)誤率最小的弱分類器，將其添加至強(qiáng)分類器中；

通過最優(yōu)分類器按照順序?qū)Ω鳂颖镜臋?quán)值進(jìn)行更新：

；

在上式中，若第i個(gè)樣本能夠被準(zhǔn)確分類，則；若第i個(gè)樣本為被準(zhǔn)確分類，則，同時(shí)；

4）假設(shè)整個(gè)過程循環(huán)的次數(shù)為t，則最終獲取的強(qiáng)分類器可描述如下：

；

式中，。

進(jìn)一步的，駕駛員眼睛的定位方法如下：

1）求出駕駛員臉部區(qū)域圖垂直方向的梯度矩陣：

；

2）對(duì)梯度矩陣進(jìn)行水平投影：

。

進(jìn)一步的，駕駛員眼睛狀態(tài)的計(jì)算方法如下：

1）眨眼持續(xù)時(shí)間即一次眨眼過程中，眼睛從開到閉再到開的過程所需的時(shí)間，其值可通過下式求出：

；

2）perclos即單位時(shí)間內(nèi)眼睛的閉合時(shí)間所占的百分率，單位時(shí)間取6s，則有：

；

式中，n用于描述6s內(nèi)所收集圖像的有用幀數(shù)；p(t)用來表示睜眼水平隨時(shí)間改變的函數(shù)，則一次眨眼的閉合時(shí)間比率為：

。

進(jìn)一步的，駕駛員疲勞駕駛的判定方法如下：

1）閉眼狀況的持續(xù)時(shí)間d(t)若高于門限th1，th1=2.5，則認(rèn)為駕駛員疲勞；

2）眨眼頻率高于門限th2，th2=0.6，則認(rèn)為駕駛員疲勞；

3）perclos的值f若高于門限th3，th3=4.5，則認(rèn)為駕駛員疲勞。

本發(fā)明的有益效果是：

本發(fā)明采用adaboost算法對(duì)駕駛員臉部進(jìn)行檢測，求出駕駛員臉部區(qū)域圖垂直方向的梯度矩陣，并對(duì)梯度矩陣進(jìn)行水平投影，通過駕駛員臉部的結(jié)構(gòu)特征獲取眼睛在圖像中的相對(duì)位置，依據(jù)距離對(duì)眼睛開閉進(jìn)行確定。然后根據(jù)perclos測量原理求出駕駛員眼睛各個(gè)狀態(tài)的參數(shù)，最后通過各指標(biāo)和既定閾值的關(guān)系來判斷駕駛員是否處于疲勞駕駛狀態(tài)。該方法具有較高的檢測精度。

具體實(shí)施方式

以下具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步闡述，但不作為對(duì)本發(fā)明的限定。

一種駕駛員疲勞駕駛檢測方法，包括以下步驟：

s1：采用攝像頭對(duì)駕駛圖像進(jìn)行采集；

s2：采用adaboost算法對(duì)駕駛員臉部進(jìn)行檢測；

s3：對(duì)駕駛員眼睛的定位和特征提取；

s4：駕駛員眼睛狀態(tài)的計(jì)算；

s5：駕駛員疲勞駕駛的判定。

adaboost算法步驟如下：

1）假設(shè)訓(xùn)練樣本為，其中，用于描述待訓(xùn)練樣本，用于描述待訓(xùn)練樣本集；用于描述所屬類別，，如果，則為負(fù)樣本，即其不是駕駛員臉部；如果，則為正樣本，即其為駕駛員臉部，n用于描述所需訓(xùn)練的樣本總量；

2）權(quán)值向量的初始化：，其中，，用于描述所訓(xùn)練樣本的概率分布狀況；

3）迭代循環(huán)：通過下式對(duì)權(quán)值進(jìn)行歸一化處理：

；

通過弱學(xué)習(xí)算法，按照順序?qū)?quán)值歸一化后的訓(xùn)練樣本進(jìn)行訓(xùn)練，獲取弱分類器：；

在上述權(quán)值中，按照順序?qū)θ醴诸惼鞯腻e(cuò)誤率進(jìn)行計(jì)算：

；

選擇錯(cuò)誤率最小的弱分類器，將其添加至強(qiáng)分類器中；

通過最優(yōu)分類器按照順序?qū)Ω鳂颖镜臋?quán)值進(jìn)行更新：

；

在上式中，若第i個(gè)樣本能夠被準(zhǔn)確分類，則；若第i個(gè)樣本為被準(zhǔn)確分類，則，同時(shí)；

4）假設(shè)整個(gè)過程循環(huán)的次數(shù)為t，則最終獲取的強(qiáng)分類器可描述如下：

；

式中，。

駕駛員眼睛的定位方法如下：

1）求出駕駛員臉部區(qū)域圖垂直方向的梯度矩陣：

；

2）對(duì)梯度矩陣進(jìn)行水平投影：

。

駕駛員眼睛狀態(tài)的計(jì)算方法如下：

1）眨眼持續(xù)時(shí)間即一次眨眼過程中，眼睛從開到閉再到開的過程所需的時(shí)間，其值可通過下式求出：

；

2）perclos即單位時(shí)間內(nèi)眼睛的閉合時(shí)間所占的百分率，單位時(shí)間取6s，則有：

；

式中，n用于描述6s內(nèi)所收集圖像的有用幀數(shù)；p(t)用來表示睜眼水平隨時(shí)間改變的函數(shù)，則一次眨眼的閉合時(shí)間比率為：

。

駕駛員疲勞駕駛的判定方法如下：

1）閉眼狀況的持續(xù)時(shí)間d(t)若高于門限th1，th1=2.5，則認(rèn)為駕駛員疲勞；

2）眨眼頻率高于門限th2，th2=0.6，則認(rèn)為駕駛員疲勞；

3）perclos的值f若高于門限th3，th3=4.5，則認(rèn)為駕駛員疲勞。