[發明專利]一種基于CNN眼部狀態識別的駕駛員疲勞檢測方法

在審

• 申請號: 201710029815.6
• 申請日: 2017-01-13
• 公開（公告）號: CN108294759A
• 公開（公告）日: 2018-07-20
• 發明（設計）人: 耿磊;梁曉昱;肖志濤;張芳;吳駿;蘇靜靜
• 申請（專利權）人: 天津工業大學
• 主分類號: A61B5/11
• 分類號: A61B5/11;G06K9/62;G06K9/00;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及一種基于CNN眼部狀態識別的駕駛員疲勞檢測方法，駕駛員疲勞檢測可以通過眼部的狀態識別來獲取面部有用信息來完成。本發明能夠更加準確的對眼部的狀態進行識別分類。在卷積神經網絡(CNN)進行眼部狀態識別方法上，通過紅外視頻樣本對佩戴墨鏡的情況識別率進行提升；最終由疲勞/瞌睡物理量(PERCLOS)和眨眼頻率檢測多個約束條件判斷駕駛員疲勞狀態。實驗證明，該方法可以實時準確地識別眼部狀態并有效預警疲勞駕駛行為。

技術領域

本發明涉及一種基于CNN眼部狀態識別的駕駛員疲勞檢測方法，該方法能夠適應光照變化以及眼鏡遮擋的情況，利用眼部狀態判定駕駛員的疲勞狀態，屬于機器視覺技術領域，可應用于輔助駕駛與行車安全領域。

背景技術

研究表明，疲勞駕駛是目前引發交通事故的主要原因之一，已經引起許多國家和政府的重視，因此準確快速的駕駛員疲勞檢測的研究具有重要的意義。基于機器視覺的檢測方法以其非接觸性、實時性等優點，成為駕駛員疲勞檢測的一個重要方法。

基于視覺的駕駛員疲勞檢測系統應用中，PERCLOS(percentage of eyelidclosure over the pupil over time)和眨眼頻率是疲勞檢測的重要指標。因此，眼部的狀態檢測是疲勞檢測中的關鍵問題，由于光照變化以及佩戴墨鏡等情況，增加了眼部狀態識別的難度，其狀態識別的準確率對系統的性能及實際應用有重要影響。

傳統檢測眼部狀態的方法有很多種，但由于使用虹膜在眼瞼中位置不固定、眼部虹膜區域灰度投影曲線判斷眼部狀態，存在易產生誤檢、檢測效率低實時性差、適用的場景少。此外，需要人為選取合適的特征的傳統分類器方法，通過提取特征輸入到強/弱分類器中，特征的選取依賴于專業設計人員的水平，制約了分類器效果。

卷積神經網絡對特征有更好的表達力、避免了人工特征選取過程，作為深度學習的一種，卷積神經網絡已經成為當前圖像處理等領域的研究熱點。通過權值共享的方式模擬生物的神經網絡，極大的降低了網絡模型的權值數量及復雜度。

發明內容

本發明的目的是克服現有技術的上述不足，自主設計構建了紅外圖像采集系統獲得測試和訓練圖像，利用卷積神經網絡識別眼部閉合狀態。

提出一種有較好的抗眼鏡遮擋性能、識別準確率高的眼部狀態識別網絡，并應用特定卷積神經網絡(EYESTATUS-Net)完成對眼部狀態的識別，最終使用該網絡識別的眼部狀態作為輸入進行多準則駕駛員疲勞狀態計算，完成疲勞檢測預警。

為此，本發明采用如下的技術方案：

1.采用紅外光源、窄帶濾光片配合高分辨率工業鏡頭搭建用于采集待測圖像的紅外采集系統，用所搭建的系統采集部分待測的面部圖像樣本；

2.利用1中搭建的采集系統獲得圖像輸入，采用基于haar特征和AdaBoost算法的級聯分類器檢測出人臉區域，并由級聯回歸模型提取出包含眼部、鼻梁、眉骨和外側主輪廓的60個人臉特征點集合；

3.在2確定人臉特征點的基礎上計算出人臉的眼部區域并構建疲勞數據集；

4.設計特定結構的眼部狀態識別卷積神經網絡，根據3中得到的疲勞數據集進行深度學習網絡訓練，獲得在推薦訓練參數下的識別模型；

5.使用4中訓練出的識別模型完成駕駛員眼部狀態識別，量化識別結果，根據設定的閾值通過多個疲勞準則綜合計算駕駛員疲勞狀態得分，輸出疲勞狀態檢測結果，預警疲勞駕駛行為。

與現有技術相比，本發明的有益效果是：

準確性高。本發明基于眼部狀態識別的駕駛員疲勞檢測方法，通過結合特定設計的卷積神經網絡和多個疲勞準則檢測計算，使得該檢測方法準確率達93％以上，相比其他的檢測方法，有較為明顯的提高；