[發明專利]基于面部視頻特征的疲勞駕駛檢測方法

在審

• 申請號: 201611150264.0
• 申請日: 2016-12-14
• 公開（公告）號: CN108229245A
• 公開（公告）日: 2018-06-29
• 發明（設計）人: 不公告發明人
• 申請（專利權）人: 貴港市瑞成科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G08B21/06
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于面部視頻特征的疲勞駕駛檢測方法，包括以下步驟：S1：采集人臉視頻圖像，對圖像進行預處理；S2：采用基于Haar特征的級聯Adaboost人臉檢測算法對人臉圖像進行檢測；S3：利用Gabor濾波器增強面部局部特征的邊緣信息，準確定位眼睛和嘴部；S4：采用一種旋轉不變的LBP金字塔特征對眼睛進行特征描述，訓練線性SVM分類器判別眼睛的開閉狀態；S5：根據嘴部二值圖像的張開面積及寬高比判斷嘴部的開閉狀態；S6：采用多模態特征的距離測度學習算法判別駕駛員整體面部的疲勞表情；S7：根據眼睛和嘴部的狀態以及疲勞表情，計算出四個能夠描述駕駛員狀態的疲勞參數，利用模糊系統融合推理得出駕駛員的疲勞狀態，并根據推理結果予以不同的預警措施。

技術領域

本發明涉及一種基于面部視頻特征的疲勞駕駛檢測方法。

背景技術

隨著國民經濟的迅速發展，交通行業已經成為經濟建設最重要的基礎，汽車對人們工作和生活的影響力也越來越大。汽車安全駕駛一直是研究的熱門方向，其中安全氣囊等一些能夠保障駕駛員安全的裝置已經被普及，但是這些設計均是被動的保護措施，而不能主動降低交通事故的發生率。但是如果在事故發生前能夠對駕駛員提前預警，就能夠避免一些交通事故的發生，這項技術稱之為汽車主動安全技術。被動的保護措施與主動安全技術相結合的話，就很大程度能夠降低交通事故的發生率，并且能減少交通事故中的人員傷亡。

交通事故分析表明，很多的交通事故是由于駕駛員疲勞駕駛引起的，因為如果駕駛員處于疲勞狀態，其注意力就不能集中，駕駛能力也會隨之下降，反應速度也會明顯變慢，對于突發情況的處理能力就遠不如正常狀態。駕駛人員長時間連續行車后，會產生生理機能和心理機能的失調，使駕駛員反應變得遲鈍、注意力不集中、動作不靈活、視覺模糊，從而客觀上導致駕駛機能下降，引起交通事故。而在較長時間的駕駛過程中，駕駛員的疲勞程度是逐漸積累的，如果能夠根據駕駛員眼部、嘴部及頭部特征及時有效的監測，并且必要時預警提醒駕駛員，這樣就能很大程度上避免發生交通事故。據統計，如果駕駛員比交通事故時的反應快0.5s，就有60％的交通事故能夠避免。因此研究實時性的疲勞駕駛檢測系統具有非常實際的意義。

發明內容

本發明要解決的技術問題是提供一種基于面部視頻特征的疲勞駕駛檢測方法。

基于面部視頻特征的疲勞駕駛檢測方法，包括以下步驟：

S1：采集人臉視頻圖像，對圖像進行預處理；

S2：采用基于Haar特征的級聯Adaboost人臉檢測算法對人臉圖像進行檢測；

S3：利用Gabor濾波器增強面部局部特征的邊緣信息，準確定位眼睛和嘴部；

S4：采用一種旋轉不變的LBP金字塔特征對眼睛進行特征描述，訓練線性SVM分類器判別眼睛的開閉狀態；

S5：根據嘴部二值圖像的張開面積及寬高比判斷嘴部的開閉狀態；

S6：采用多模態特征的距離測度學習算法判別駕駛員整體面部的疲勞表情；

S7：根據眼睛和嘴部的狀態以及疲勞表情，計算出四個能夠描述駕駛員狀態的疲勞參數，利用模糊系統融合推理得出駕駛員的疲勞狀態，并根據推理結果予以不同的預警措施。

進一步的，所述基于Haar特征的級聯Adaboost人臉檢測算法具體方法如下：

S2-1：對樣本進行圖像增強處理，將所有的樣本轉換到同一個亮度區間內；

S2-2：對人臉樣本和非人臉樣本提取Haar特征，再結合Adaboost算法訓練一個人臉分類器；

S2-3：對于系統輸入的圖像，進行簡單的預處理，然后就加載之前訓練的好人臉分類器，再基于滑動窗口法在圖片上搜索人臉。

進一步的，步驟S4中眼睛的開閉狀態的判別方法如下：