疲劳驾驶预警系统中5 和车联网技术的应用研究

吴敏

关键词： 疲劳驾驶 预警 5G 车联网

中图分类号： TP391.41 文献标识码： A 文章编号： 1672-3791（2023）15-0024-04

目前，私家车数量逐渐增多，交通事故发生率不断上升，疲劳驾驶则是主要诱因之一。在疲劳预警方面，可采用间接与直接测量方式监测驾驶者状态。采取间接测量方式，可以借助机器学习等技术判断驾驶者行为，监测精度有限，误判率较高。而直接测量则根据人脸特征与脑电信号等，监测精度确实有明显提升，但系统造价偏高，无法在短期内得到普及。应用5G 技术设计疲劳驾驶预警系统，能够兼顾系统经济性与实用性，推动汽车技术智能化、数字化发展。

1 疲劳驾驶预警系统算法分析

设计疲劳预警系统，通过采集面部图像，和正常面部状态特征加以比较，分析驾驶者有无疲劳的问题，确认是否需要预警。

1.1 視频采集

在隐蔽地方布置高清摄像头，不仅要确保有效采集驾驶者面部图像，还应确保不干扰驾驶员视线。设计要点如下。

1.1.1 摄像头模块

疲劳驾驶多是由于驾驶者长时间驾驶与夜间行驶造成的，但无论是白天还是夜间，均有可能发生疲劳驾驶。考虑到夜间自然光线较差，常规摄像设备不能清晰捕捉到其面部图像，故决定为预警系统装配红外高清摄像头，确保摄像设备在漆黑环境下也能正常采集到面部特征资料。

1.1.2 CCD图像传感装置

该装置属于光电转换器，体积与自重都比较小，图像分辨率良好，灵敏度较高，搭配高清摄像头实时采集信息，可以保证图像数据采集的效率与精准性。

1.1.3 摄像设备安装位置

疲劳预警设备包括头戴式、悬挂式等结构，使用局限性比较明显，检测驾驶者疲劳状态的过程中，容易干扰其驾驶动作，导致交通事故发生。把摄像头布置在和驾驶者相距半米左右的仪表盘上方，不仅保障了隐蔽性，降低对驾驶者驾驶动作与观察路况的影响，还能预防摄像头对驾驶者造成的心理不适感，安装点位较为适宜，可以完整采集到驾驶者的面部图像[1]。

1.2 人脸识别

基于车联网所开发疲劳驾驶预警系统，可选用AdaBoost 算法，先确定分类器，再将各模块整合，形成完整的系统，使人脸识别的设想成为现实。系统包含以下分类器。

1.2.1 Haar 特征和积分图

Haar 分类器有4 个构成要素：Haar-like 特征负责检测人脸图像特征；积分图可实现对采集信息的加速运算；AdaBoost 算法主要负责训练识别模块；级联的功能是对分类器进行组合，保证人脸识别效果。研究表明，积分图具有两大优点：一是通过积分图可以实时获得图像特征值，原因在于积分图可以根据已知特征值、特定逻辑进行推理，无需进行多次扫描，便可以输出新图像中的特征；二是积分图不会受到图像位置的影响，图像特征实际尺寸不会对信息运算处理时间有任何干扰。系统训练期间，要持续评估训练情况，若训练结果未能满足设定标准，则需要继续相应训练，阶段训练完成后，把产生的全部信息以临时文件的形式保存，全部训练结束后，把信息转存在XML 文件里，安排相应测试，如果测试结果达标，则可以进行下一环节。

1.2.2 AdaBoost 算法

使用该算法需要确认疲劳驾驶即为训练目标。由于判断疲劳驾驶的依据为面部信息，如驾驶者双眼是否正常睁开。因此，在系统训练时，应针对眼部睁合情况设置训练周期与权重。一轮训练完成后，可适当减小训练结束部分的权重，同时提高未结束分布器的权重，从而提高训练效率，确保人脸检测过程稳定[2]。

在通过上述训练后进行系统人脸识别功能测试，调整图像采集角度、背景与光线亮度、面部表情。测试结果显示，正确率和识别效率良好。根据识别时长，光线良好的检测速度更快，可以达到预警要求。

1.3 图像预处理

图像光线、拍摄角度均会影响识别结果的准确性，而光线是最主要的影响因素。摄像头安装时会选择较适宜位置，角度趋于固定，天气良好时，人脸识别质量更高。但夜间车辆经过路灯时，路灯所发出光线会反射到驾驶者面部，即便使用红外高清设备，也无法保持图像清晰，可能会有模糊、色差及重影等情况，如果直接针对该类图像信息进行人脸识别，会降低实际准确度。对图像资料进行预处理，可采用以下技术。

一是Gamma 校正。用于校正图形内信息，保障输出内容的可用性。在此基础上衍生出灰度校正处理方法，可以优化图像亮度，操作比较简单，仅需调整参数即可。将灰度校正处理技术用于疲劳驾驶预警系统。如果采集图像处于曝光的状态，则不应选择灰度校正处理技术，否则会加剧图像不清晰度。二是高斯差分滤波，可辨别人脸边缘区域。实践运用中，高斯差分滤波平滑及不平滑参数的差值，经过微分处理，可对人脸轮廓进行定位。在图像处理过程中，因为人脸本身不平整，引发光线多角度叠加，阴影分布复杂，无法直接全面提亮，导致阴影部分处理难度较高。运用高斯滤波器可以提前过滤掉一些低频信号与冗余数据，缓解由于阴影引发的问题，确保人脸识别准确性。此外，该技术可解决图像过度补偿的问题，通过控制高频与低频信号的方式，减少噪声等外在条件的干扰[3]。

1.4 眼部检测

在人脸图像中，眼部属于较为复杂的构成，检测通常分成两步：（1）通过灰度投影处理脸部图像、定位眼部位置，基于此进一步细分；（2）锁定相对复杂的部分，按照人眼划分标准，筛除人脸其他区域，余下的便是眼部。

1.4.1 利用灰度投影完成初步眼部定位

功能的实现依据如下：人脸每个区域特征都有差别，嘴巴与眼部等位置光线偏暗，在图像积分法下，该类面部区域参数相对偏小，借此能提取出人眼特征。为此，需要先建立灰度投影和各区域积分值，确保系统能够根据脸部宽度与各区域基本分布对应关系，找到人眼大致位置。将灰度投影技术与图像积分搭配使用，可以锁定人脸不同器官所在位置，从垂直方向来看，由眉毛向下观察，人眼积分值最低，如果由下巴向上观察，嘴巴积分值最小。对于眼部在水平方向上的位置判断，人脸大致是对称的，水平变量数值设置成面部宽度一半，垂直方向则锁定位置视为4 倍眼部高度，便可大致提取出眼部区域的图像。

1.4.2 根据各区域复杂度实现眼部精准定位

只有做到精准定位，才能准确识别眼部状态，可运用复杂度算法，通过评估不同分区图像复杂程度，找到眼部。正常状态下，人类眨眼速度极快，该预警系统应做到高速识别，为保证系统发挥出应有作用，设计人员决定引入分块处理法，在粗略定位的基础上进行区域划分，其中，最复杂的位置便是眼部。研究发现，各区域面积会给复杂度算法结果产生干扰，面积偏大会降低识别精准性，反之则会提高运算本身的复杂性。考虑到眼部面积较小，建议把分区面积宽度尺寸设置成略小于眼睛宽度的标准，图像高度方面，可根据眼睛在人脸上的大致分布确认。但应考虑人脸本身的差异，在眼部尺寸不同的情况下，无法确认驾驶者眼睛面积，仅能通过大数据经验判断。文章系统搭载的红外摄像设备分块是15×15 像素，系统在进行精确定位中，要按照设定分布规则完成以下操作：首先，筛选出与其他部分没有关联的区域；其次，将筛选出来部分合并，若候选部分达到两个以上，优先选择面积较大的部分；最后，组成确认的区域部分并计算平均值。

1.5 状态判断

针对眼部状态的判断，可通过肤色分割二值法实现。在该方法下，眼部图像为黑色斑块，外部轮廓和人眼相似[4]。在睁眼状态下，黑块面积相对偏大，在半闭时，黑块会随之缩小。在预警系统正式使用前，可以先保存驾驶者睁眼情况下的黑块信息，驾驶期间系统不间断采集驾驶者面部图像，和数据库所保存信息对比，由此判定驾驶者的驾驶状态。在眼部状态对比中，相关运算公式为

P = S₁/S₀（1）

式（1）中：P 为指驾驶员当前疲劳程度；S₁为采集图像中驾驶者眼部睁开面积；S₀为正常状态中黑块面积。在系统识别期间，疲劳程度数值处于0～0.25，说明眼睛未正常睁开，而在0.25～1.0 之间，说明眼睛处于睁开状态。

针对疲劳程度的辨别较为复杂，本文选择运用PERCLOS 原理和眨眼频率实现。从医学角度来说，正常状态下，人眼眨眼频率是10～15次/min，也就是眨眼间隔在4～5 s，并且大多数人单次眨眼大约会花费0.2 s。在评估驾驶者疲劳程度中，可以设定眨眼最小次数，但是次数上限可以适当放宽。在确认基本参数后，选取几段采集到的视频资料，对比实时信息特征表现与正常值的差距。通过相关测试统计来看，在疲劳驾驶状态下，很难锁定眼部虹膜位置，所以如果只依靠眨眼频率判断驾驶状态，精度上可能会略有欠缺。在轻度疲劳状态中，此时的系统不能及时察觉，失去预防的功能。因而，在此基础上，搭配PERCLOS 原理实现进一步识别。应该强调的是，为了有效发挥出预警的作用，可分级处理疲劳程度，根据数据反映实际问题，降低系统辨别的难度。以采集视频分段数据进行统计分析，确认驾驶者在单位时间内眨眼频次，最终确认每分钟内。按照眨眼次数分成5 个疲劳程度，即①[0，5）、②[5，10]、③（10，15]、④（15，20]、⑤（20，∞），在单位时间内眨眼次数处于①区间，说明是中度疲劳，系统技术许可的条件下，可安排车辆减速与并道，让车辆平稳停靠，利用车联网告知交管部门。如果在②区间，则是轻度疲劳，由预警系统提示驾驶者并发出报警，紧急情况下可控制车辆减速。但如果眨眼次数太多，驾驶者有可能存在眼部不适，假设持续流泪，会阻碍驾驶者视线，系统同样需发出警报。

2 疲劳驾驶预警系统硬件设计

疲劳驾驶预警系统运行中，通过无线网络与信息采集检测算法、嵌入式网关等方式，结合5G 网络，实现数据传输，在硬件装配方面，需综合考虑成本与稳定性、调试便利性等。

2.1 传感设备

为避免对驾驶者产生干扰，选择温度与CO₂的传感装置，这两项环境条件均是造成驾驶者疲劳的关键因素。汽车内部空间较小，如果温度超过25 ℃，可能会使驾驶员产生困意，影响其专注度。选用的温度传感装置为“单总线”结构设备，功耗相对偏少，且体积较小，无需额外连接元件。驾驶者需提前设置报警温度参数区间，一旦检测数据超出设定范围，便可发出警报。另外，需配置CO₂传感装置，并选用功耗相对较低的型号。

2.2 扩展模块

系统搭载扩展模块包括3 个，分别是ZigBee 模块、视频采集模块和5G 通信模块。

2.2.1 ZigBee模块

在车联网下，ZigBee 模块在无线网络和外部网络连接中起到关键作用，包含协议组网与格式转化、通信等。在该系统中，按照设计功能与相关需要，选择相应通信模块，在其中搭配射频收发器以及微处理器等。以CC2530 芯片为例，其设有一处外接端口，支持发出指令与读取信息，同时集成相应解调器，实现调制多种格式信息，保障信息基本的传送效率。将其当成ZigBee 模块协调器，在保障ZigBee 模块功能有效发挥的同时，还确保网络通信顺畅[5]。

2.2.2 视频采集模块

系统该项功能主要依靠摄像头，可装载的图像传感装置包括CCD 与CMOS。前者运用优势在于体积与自重、噪声均比较小，目前在很多领域系统中均有使用。后者噪音偏大，图像分辨率小，但由于其体积小、价格低，耗电量也比较少，所以在低端影像领域中也有应用。疲劳驾驶预警系统要求可以在光线昏暗的状态下，也能清楚采集图像，所以需要装配前者。系统微处理器本身设有USB 接口，可连接摄像头，将采集到的图像信息进行初步转化，利用疲劳检测算法判断驾驶者当前的状态，并把所得数据上传给监控中心。

2.2.3 5G 通信模块

现如今，数据通信方法较多，基本可分成有线与无线两种。前者是在嵌入式模块中插上网卡，利用网线完成通信。后者更加丰富，如可选用无线网卡与拨号上网等方式。目前，比较先进的移动通信技术就是5G，可其稳定、高速地传送实时采集的图像数据。在路上行驶期间，如果驾驶者出现疲劳驾驶的特征表现，系统会把车辆基本资料、当前位置及时速等，借助5G车联网发送给附近车辆，确保其他驾驶者能够了解身边存在的危险点，留出足够时间让其他汽车做好紧急准备，预防严重交通事故。在该系统中，选择5G 通信模块，通过蜂窝车联网，依托于PC5 接口，实现V2V 通信，汽车用户信息收发主要是半双工数据状态。其中，发出用户借助广播机制，由副链路把车联网所需数据传送给设定半径内若干用戶，如此不仅可以对存在疲劳驾驶的驾驶者起到预警作用，还能保障周边车辆提前收到信息，实现全面互联，最大程度上确保交通安全。

3 疲劳驾驶预警系统功能

3.1 多角度动态监测驾驶者状态

传统预警系统分为两种：一是利用传感装置获取汽车车速、转向盘角速度等各类数据，以此判断驾驶者当时状态；二是让驾驶者佩戴有关仪器，检测脑电与心电信号，评估其当前状态。以上两种预警系统中，前者监测精度有限，误判率较高；后者监测精度较高，但由于驾驶者需要佩戴多余设备，可能会对其驾驶状态与观察路况动作造成干扰。系统根据人眼状态、内部环境、眨眼频次进行判断，既能够保证较高的监测精度，又不会对驾驶员带来额外的干扰[6]。

3.2 分级判断驾驶者疲劳程度

结合上文对该系统的讨论，选择分级判断的方式，根据驾驶者实际疲劳状态，启动相适应的报警措施，降低由于系统误判，干扰到正常驾驶。若通过传感设备确认车内CO2超标，可以立即提醒车内人员开窗通风，预防驾驶者产生困意。假设驾驶者目前处于轻度疲劳状态中，系统便会预警报警，同时发出短促蜂鸣声，车辆一定半径内的其他汽车均会收到报警信号。如果是重度疲劳，系统在语音报警的过程中，发出连续蜂鸣声，通过车联网告知交管部门。

4 结语

总之，将低延时、吞吐量大的5G 技术与车联网结合，可以为现代交通管理提供更大的便利。基于以上技术所开发疲劳驾驶预警系统装载有多个功能模块，可以有效采集与处理驾驶者面部图像，通过眼睛闭合状态，判断是否存在疲劳驾驶的情况，并通过车联网实现数据实时共享，加强对交通事故的预判能力，降低事故发生率。