基于复杂驾驶环境下面部特征识别技术的防疲劳驾驶系统

詹红梅

（厦门瑞为信息技术有限公司，福建厦门，361004）

基于复杂驾驶环境下面部特征识别技术的防疲劳驾驶系统

詹红梅

（厦门瑞为信息技术有限公司，福建厦门，361004）

本课题阐述基于面部特征识别技术的防疲劳驾驶系统研究、开发。通过后台管理系统进行大数据分析，研究驾驶员疲劳规律、预测驾驶员可能出现的疲劳，方便管理人员有针对性的重点关注“常疲劳”的驾驶员，实现精细化管理，尽早预防、尽量避免疲劳驾驶，为行车安全把好关。

基于面部特征识别；防疲劳驾驶；智能化；大数据分析；精细化管理

1　国内外概况及发展趋势

关于驾驶人疲劳及注意分散等安全状态的监测预警技术，由于它在交通事故预防方面的发展前景而受到各国高度的重视，研究人员根据驾驶人疲劳时在生理和操作上的特征进行了多方面的研究，一些研究成果已形成产品并开始进入市场。

驾驶人疲劳状态的检测方法可大致分为基于驾驶人生理信号、基于驾驶人操作行为、基于车辆状态信息的检测方法。

1.1基于驾驶人生理信号的检测方法。针对疲劳的研究最早始于生理学。相关研究表明，驾驶人在疲劳状态下的生理指标会偏离正常状态的指标。因此可以通过驾驶员的生理指标来判断驾驶人是否进入疲劳状态。目前较为成熟的检测方法包括对驾驶人的脑电信号EEG、心电信号ECG等的测量。

1.2基于驾驶人操作行为的检测方法。基于驾驶人操作行为的驾驶人疲劳状态识别技术，是指通过驾驶人的操作行为如方向盘操作等操作推断驾驶人疲劳状态。

目前利用驾驶人操作行为进行疲劳识别的深入研究成果较少且误报率较高。驾驶人的操作除了与疲劳状态有关外，还受到个人习惯、行驶速度、道路环境、操作技能的影响，车辆的行驶状态也与车辆特性、道路等很多环境因素有关，因此如何提高驾驶人状态的推测精度是此类间接测量技术的关键问题。

1.3基于车辆行驶轨迹的检测方法。利用车辆行驶轨迹变化和车道线偏离等车辆行驶信息也可推测驾驶人的疲劳状态。这项技术在当今的汽车中最为常见，它是通过前置的摄像头检测路上的行车线，以判断汽车是否偏离车道。当驾驶员精力不集中或打盹时，车辆偏离车道的话，系统会以声音或者震动的方式提醒驾驶员。为获得更加准确的分析识别结果，深入研究并开发基于复杂驾驶环境下的驾驶员生理反应特征的检测方法尤为重要。基于驾驶人的生理反应特征的检测方法是指利用驾驶人的眼动特性、头部运动特性等推断驾驶人的疲劳状态。

利用面部识别技术定位眼睛、鼻尖和嘴角位置，将眼睛、鼻尖和嘴角位置结合起来，再根据对眼球的追踪可以获得驾驶人注意力方向，并判断驾驶人的注意力是否分散。

基于驾驶人生理反应特征的检测方法一般采用非接触式测量，对疲劳状态的识别精度和实用性上都较好。该技术的成功研究，对于预防由疲劳驾驶引发的交通事故是非常必要的。

2　主要研究内容

防疲劳驾驶系统中最主要的两个功能是驾驶员疲劳驾驶预警及驾驶员身份验证。由于在实际驾驶环境中，车辆快速移动，车辆周边的环境快速变化，驾驶室内的光照也随之快速改变，造成驾驶员面部光照不均匀。完成本系统除了要克服传统的模式识别难题外，复杂的环境因素增加了系统的实现难度。以下是系统的主要研究内容：

2.1驾驶环境下的人脸定位算法

2.1.1复杂条件下的人脸定位算法研究。人脸定位是对输入的图像或者视频进行分析，判断其中中是否存在人脸，并确定其位置与大小。人脸定位是人脸识别系统中完成的首要任务，定位效果好坏将直接影响后续的特征点定位效果，因此对后续眼睛定位和人脸识别也将产生很大影响。本项目研究和解决实际驾驶环境下的人脸定位系统存在的难题：（1）人脸是非刚性的，有相貌、脸型、表情、肤色等方面的变化；（2）人脸上经常会存在一些不同的遮挡，例如像眼镜、头发和头饰等物体；（3）姿态变化，如俯仰、旋转角度等；（4）外界环境的光照变化、采集设备间的差异等方面的原因。

2.2嵌入式开发环境下的人脸定位算法优化研究

本研究主要解决多姿态人脸定位问题，并将提高检测精度做为本研究的主要任务。由于检测精度高的算法运算复杂度过高，无法达到嵌入式系统实时性的要求，而检测速度快的算法精度又不好。经过近十多年的研究，涌现了许多的检测方法，例如使用轮廓、肤色、深度、运动等方法来加速检索的过程及提高检测精度，神经网络与统计学习的方法在其中的应用也提高了检测精度。为了满足车载环境对系统稳定性的要求，本系统采用基于ARM核心的CPU作为硬件平台，但是与常见的X86平台相比，ARM处理器的运算资源相对比较少。因此，人脸定位算法在ARM处理器上的性能优化成为系统成败的关键。目前学术界主要使用Adaboost算法处理人脸定位的分类问题，Adaboost算法不需要构造复杂的特征描述方法，只需要级联多个运算简单的弱分类器，构成一个强分类器，就可以获得比较好的分类效果。 本研究提出一种基于Adaboost和C5.0决策树相结合的算法。和传统的Adaboost算法比较，该算法具有层级少，分类速度快，精度高的特点。另外，本系统还需要针对ARM处理器进行平台相关的性能优化，ARM平台的优化主要包括：（1）缓存命中及存储空间相关的优化；（2）将通用指令集转换为多媒体指令集相关的优化；（3）提升CPU流水线饱和度相关的优化；

2.3驾驶环境下的眼睛定位算法

2.3.1驾驶环境下的眼睛图像采集系统研究。在驾驶环境中，人眼的图像信息受到多方面因素的影响，其中包括汽车行驶过程中受到不同方向光照的影响、驾驶员佩戴眼镜及墨镜对眼睛遮挡的影响、驾驶员不同姿态、表情的影响等。因此，为了保证人眼定位具有足够的精度，必须为防疲劳驾驶系统制定专门的图像采集系统。

为了满足运营防疲劳驾驶系统全天候的使用要求，本系统计划在图像采集系统加入了主动光源进行照明，主动光源类型选择940nm近红外LED灯，LED光源具有功耗低、效率高、体积小、稳定时间长等特点，同时，对于波长大于780nm的光照，人眼的敏感度非常低，因此，使用近红外LED灯进行补光可以避免对驾驶员造成干扰。在机器视觉中，通过滤光片可以对不同波长的光线进行筛选。本系统采用中心波长为940nm、半高宽为30nm的近红外带通滤光片，与主动LED光源配合使用，在实际驾驶环境中可以排除其他波长的光照干扰，增强主动光源的作用，提高图像质量的稳定性。同时，在戴墨镜的情况下，由于近红外波段的光线可以穿透墨镜，滤光片滤除墨镜上可见光的反射光线，因此，镜头可以对戴墨镜情况下的眼睛进行成像，排除戴墨镜无法检测的情况。

2.3.2基于自适应形状模型的人眼定位算法研究。由于系统根据一段时间内眼睛闭合的情况来判断司机驾驶疲劳，所以精确的定位人眼是非常关键的一步。在驾驶环境下，周边光线变化比较复杂，驾驶员的姿态也在不停的进行调整，传统的人眼定位方法都存在不同程度的缺陷，误验率较高。经过前期实验和可行性分析，本系统提出了一种基于自适应形状模型的人脸定位算法。本算法以数据为驱动，主要依赖于训练样本建立的人脸外观特征模型和特征点之间的几何约束关系，因此，训练样本数量越大，样本表现出的眼睛部位的变化就越多，人眼定位的准确性就越高。

3　防疲劳驾驶系统产品

经过笔者公司团队一年多的研究、开发，基于复杂环境下面部特征识别技术的防疲劳驾驶系统已产品化，目前在厦门公交集团BRT车、公交车、客运车、货运车小量测试，对于复杂道路环境、气候变化、光线变化，疲劳预警误报、漏报很少。

［1］ 杨述斌，金璐，章振保.疲劳驾驶检测中的快速人眼定位方法［J］.武汉理工大学学报，2013，35（6）

［2］ 耿磊.基于 DSP 的疲劳检测算法及应用优化研究［D］.济南：山东大学，2006.

［3］ 袁健.基于面部特征的驾驶员疲劳检测［D］.杭州：浙江工业大学，2008.

Anti fatigue driving system based on the technique of feature recognition under complex driving environment

Zhan Hongmei
（Xiamen Rui for Information Technology Co.， Ltd.， Xiamen Fujian， 361004）

This paper describes characteristic recognition technology based on the face of anti-fatigue driving system research and development.Large data through background management system analysis，research pilot fatigue rules，predict driver fatigue may occur，to facilitate the management of targeted focus "often fatigue，"the driver，to achieve fine management，early prevention to avoid fatigue driving，driving safety for the good pass.

facial feature recognition；anti fatigue driving；intelligent；large data analysis；fine management