一种疲劳驾驶检测方法及系统

摘要

本发明公开一种疲劳驾驶检测方法及系统，其中疲劳驾驶检测方法包括如下步骤：S1、采集图像和预处理；S2、人脸定位和检测；S3、人脸跟踪；S4、眼睛检测和状态识别；S5、计算疲劳PERCLOS值；S6、将得到的PERCLOS值与预设的阈值进行比较，判定驾驶员是否疲劳驾驶。采用本发明的设计，能够自动捕捉驾驶员的脸部微观变化，通过科学的概率计算判别驾驶员状态，并及时警示处于疲劳驾驶状态的驾驶员，保证行车安全。

主权项

一种疲劳驾驶检测方法，其特征在于，包括如下步骤：S1、采集图像和预处理，通过图像采集接口采集驾驶员图像信息并传输至中枢处理器，中枢处理器对采集图像进行预处理；S2、人脸定位和检测，采用基于Haar特征的人脸分类器，检测驾驶员人脸区域；S3、人脸跟踪，采用卡尔曼滤波器算法的人脸跟踪算法，跟踪人脸；S4、眼睛检测和状态识别，采用睁眼分类器定位驾驶员眼睛并识别眼睛状态，记录识别结果；S5、计算疲劳PERCLOS值，得到眼睛的状态识别结果后，通过计算单位时间内眼睛闭合时间所占的百分比即PERCLOS(Percentage of Eyelid Closure Over Time)；S6、将得到的PERCLOS值与预设的阈值进行比较，判定驾驶员是否疲劳驾驶；所述步骤S3具体包括步骤A，采用基于卡尔曼滤波器算法参数跟踪人脸:A1、建立系统状态方程；X_(k+1)＝A_(k)X_(k)+W_(k)X_(k)＝{x，y，w，h，v_x，v_y，v_w，v_h)^T，选取的状态序列为脸部区域几何中心的坐标(x，y)和速度(v_x，v_y)，脸部外接矩形的宽和高(w，h)，以及宽和高的变化速度(v_w，v_h)；A2、建立系统观测方程；Z_(k)＝H_(k)X_(k)+V_(k)A3、预测人脸位置，根据卡尔曼滤波器的预测方程组，滤波器使用上一阶段状态的估计，做出对当前状态的估计；预测方程组：(1)预测状态X_(k|k‑1)＝A_(k)X_(k|k‑1)(2)预测估计协方差矩阵P_(k|k‑1)＝A_(k)P_{(k‑1|k‑1)}A^T_(k)+Q_(k)A4、检测实际人脸位置，在预测了当前人脸所在的位置后，调用Haar分类器在预测区域内检测人脸，获取当前状态信息；当在预测区域检测不到人脸，就在全图检测人脸；当在全图也检测不到人脸的时候，说明驾驶员头部动作过大，无法检测到人脸；A5、通过更新方程组使用当前的实际人脸位置来更新卡尔曼滤波器，让卡尔曼滤波器的预测值与真实值越来越接近，达到跟踪的效果；更新方程组：(3)最优卡尔曼增益K_(k)＝P_(k|k‑1)H^T_k[H_(k)P_(k|k‑1)H^T_(k)+R_(k)]^‑1(4)更新的状态估计X_(k|k)＝X_(k|k‑1)+K_(k)[Z_(k+1)‑H_(k)X_(k|k‑1)](5)更新的协方差估计P_(k|k)＝[E‑K_(k)H_(k)]P_(k|k‑1)A6、在输入图像中标记出人脸区域；其中X_(k)为在人脸在k时刻的状态估计，A_(k)是作用在X_(k)上的状态转移矩阵，H_(k)是系统的观测矩阵，Z_(k)是系统的观测变量，W_(k)是过程噪声，并假设其符合均值为零协方差矩阵为Q_(k)的高斯分布，即W_(k)～N(0，Q_(k))；V_(k)是观测噪声，亦假设其符合均值为零协方差矩阵为R_(k)的高斯分布，即V_(k)～N(0，R_(k))；P_(K)为误差相关矩阵，度量估计值的精确程度；状态转移矩阵系统观测矩阵所述步骤S4中的睁眼分类器经如下步骤训练：B1、收集人脸的样本源，截取人脸样本源的人眼区域和非人眼区域，即为正样本和负样本；B2、使用机器学习算法训练睁眼分类器；在定位眼睛的同时判断出眼睛处于睁开状态，当没有检测到眼睛的时候，视为闭眼状态。