CN102982316A - 一种对驾驶员非正常驾驶行为的识别装置和方法 - Google Patents

Abstract

本发明公开了一种对驾驶员非正常驾驶行为的识别装置和方法，该装置包括：人脸检测模块、人脸特征点定位模块、人脸姿态检测模块、汽车传感器模块、驾驶动作分析模块及控制模块，所述人脸检测模块的输出端依次通过人脸特征点定位模块、人脸姿态检测模块与控制模块的输入端连接，所述汽车传感器模块的输出端通过驾驶动作分析模块与控制模块的输入端连接。本发明在对驾驶员非正常驾驶行为进行识别时，不需接触驾驶员，实现方法简单且精确度高。本发明作为一种性能优良的对驾驶员非正常驾驶行为的识别装置和方法可广泛应用于安全驾驶监控中。

Description

一种对驾驶员非正常驾驶行为的识别装置和方法

技术领域

本发明涉及安全驾驶监控领域，特别是一种对驾驶员非正常驾驶行为的识别装置和方法。

背景技术

非正常驾驶是指有别于正常驾驶的、具有潜在危险性的驾驶行为。安全驾驶是当前世界性的难题，各国都投入了巨大的人力物力对其进行研究。非正常驾驶行为监测系统的研制是目前安全驾驶这一领域的一个研究热点。有些学者使用机械、磁力传感器探测驾驶员身体某部位置及运动方向，进而对驾驶行为进行检测。但是这些方法不仅精确度低，而且需要将探测器与驾驶员身体相连，将对驾驶员造成直接影响。

发明内容

为了解决上述的技术问题，本发明提供了一种非接触式的、精确度高的、可实时识别的对驾驶员非正常驾驶行为的识别装置。本发明还提供了一种非接触式的、精确度高的、可实时识别的对驾驶员非正常驾驶行为的识别方法。

本发明解决其技术问题所采用的技术方案是：

一种对驾驶员非正常驾驶行为的识别装置，包括：

人脸检测模块，用于对驾驶员进行图像采集并检测出人脸；

人脸特征点定位模块，用于根据检测到的人脸进而定位得出人脸特征点，并拟合出最优的人脸特征形状；

人脸姿态检测模块，用于根据所述人脸特征点计算得到人脸姿态；

汽车传感器模块，用于采集汽车的方向盘转角信息及速度变化信息，并发送到驾驶动作分析模块；

驾驶动作分析模块，用于根据汽车的方向盘转角信息及速度变化信息，分析并得出驾驶员的驾驶动作；

控制模块，用于根据所述人脸姿态及驾驶动作对应的判断标准判断驾驶动作是否正常驾驶行为，进而输出判断结果；

所述人脸检测模块的输出端依次通过人脸特征点定位模块、人脸姿态检测模块与控制模块的输入端连接，所述汽车传感器模块的输出端通过驾驶动作分析模块与控制模块的输入端连接。

进一步，所述人脸检测模块包括检测控制模块，所述检测控制模块的输出端连接有近红外光源及近红外摄像头，所述检测控制模块还连接有普通摄像头，所述普通摄像头的输出端及近红外摄像头的输出端均与人脸特征点定位模块的输入端连接。

进一步，所述汽车传感器模块包括用于采集方向盘转角信息的转角传感器及用于采集汽车的速度变化信息的踏板传感器，所述转角传感器的输出端及踏板传感器的输出端均与驾驶动作分析模块的输入端连接。

本发明解决其技术问题所采用的另一技术方案是：

一种对驾驶员非正常驾驶行为的识别方法，包括：

对驾驶员进行标准图像采集，建立人脸特征标准样本；

实时对驾驶员进行图像采集，结合人脸特征标准样本，建立人脸姿态数据库；

采集汽车的方向盘转角信息及速度变化信息，分析并得出驾驶员的驾驶动作；

以预设阈值提取人脸姿态数据库中的人脸姿态，并根据驾驶动作对应的判断标准判断驾驶动作是否正常驾驶行为，进而输出判断结果。

进一步，所述对驾驶员进行标准图像采集，建立人脸特征标准样本这一步骤，包括：

对驾驶员进行标准图像采集；

采用adaboost算法对采集的驾驶员标准图像进行检测，检测出标准人脸；

根据检测到的标准人脸进行定位得到标准人脸特征点，并拟合出标准人脸特征形状；

根据所述标准人脸特征点及标准人脸特征形状，建立人脸特征标准样本。

进一步，所述实时对驾驶员进行图像采集，结合人脸特征标准样本，建立人脸姿态数据库这一步骤，包括：

实时对驾驶员进行图像采集并检测出人脸；

根据检测到的人脸进行定位得到人脸特征点，并拟合出最优的人脸特征形状；

将人脸特征点与人脸特征标准样本中的标准人脸特征点进行比对，计算得到人脸姿态；

将人脸姿态进行实时记录，建立人脸姿态数据库。

进一步，所述实时对驾驶员进行图像采集并检测出人脸这一步骤，包括：

采用普通摄像头对驾驶员进行图像采集，并将采集到的图像发送到检测控制模块；

检测控制模块接收普通摄像头采集到的图像，将普通摄像头采集到的图像的总亮度与亮度阈值进行比较，若普通摄像头采集到的图像的总亮度小于亮度阈值，则关闭普通摄像头，并启动近红外摄像头和近红外光源，对驾驶员进行近红外图像采集，将近红外摄像头采集到的图像作为驾驶员图像，反之，则将普通摄像头采集到的图像作为驾驶员图像；

采用adaboost算法对驾驶员图像进行检测，检测出人脸。

进一步，所述根据检测到的人脸进行定位得到人脸特征点，并拟合出最优的人脸特征形状这一步骤，其具体为：

采用ASM算法对检测到的人脸进行定位，得到人脸特征点，并采用以下公式进行拟合得到最优的人脸特征形状：

$s=s_0+\underset{i=1}{\overset{2n}{\mathrm{\Σ}}}{p}_i{s}_i$

其中，s₀为平均人脸形状，s_i为主成分特征变化向量，p_i表示在每个特征向量方向上变化的大小。

进一步，所述将人脸特征点与人脸特征标准样本中的标准人脸特征点进行比对，计算得到人脸姿态这一步骤，其具体为：

将人脸特征点与人脸特征标准样本中的标准人脸特征点进行比对，进而对驾驶员的人脸动作进行判断；

若判断驾驶员的人脸动作为左右转头动作，则采用以下公式计算驾驶员的左右转头角度，即得到人脸姿态：

其中，D为标准样本的人脸特征点中代表两眼的特征点之间的距离，d为人脸特征点中代表两眼的特征点之间的距离，x_n为鼻子中心在图像上的X轴上的坐标，x_g为人脸特征点重心在图像上的X轴上的坐标，T为大于0的阈值；

若判断驾驶员的人脸动作为上下抬低头动作，则采用以下公式计算驾驶员的上下抬低头角度，即得到人脸姿态：

$\mathrm{\α}=\arccos \frac{h}{H}$

其中，H为标准样本的人脸特征点中，代表两眼的特征点的中心到代表嘴巴的特征点之间的距离，h为人脸特征点中，代表两眼的特征点的中心到代表嘴巴的特征点之间的距离。

本发明的有益效果是：本发明的一种对驾驶员非正常驾驶行为的识别装置，对汽车的方向盘转角信息及速度变化信息进行采集后分析并得出驾驶动作，同时实时对驾驶员进行图像采集，并通过人脸姿态检测模块计算得到人脸姿态，从而结合驾驶动作及人脸姿态对非正常驾驶行为进行识别，不需接触驾驶员，实现方法简单且精确度高。

而且，本发明的一种对驾驶员非正常驾驶行为的识别装置采用普通摄像头及红外摄像头协同工作，实时对驾驶员进行图像采集，可全天候进行工作。

本发明的另一有益效果是：本发明的一种对驾驶员非正常驾驶行为的识别方法，对汽车的方向盘转角信息及速度变化信息进行采集后分析并得出驾驶动作，同时实时对驾驶员进行图像采集，并通过人脸姿态检测模块计算得到人脸姿态，从而结合驾驶动作及人脸姿态对非正常驾驶行为进行识别，不需接触驾驶员，实现方法简单且精确度高。

而且，本发明的一种对驾驶员非正常驾驶行为的识别方法采用普通摄像头及红外摄像头协同工作，实时对驾驶员进行图像采集，可全天候进行工作。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1是本发明的一种对驾驶员非正常驾驶行为的识别装置的结构框图；

图2是本发明的一种对驾驶员非正常驾驶行为的识别装置的实施例的结构框图；

图3是本发明的一种对驾驶员非正常驾驶行为的识别方法的工作流程图；

图4是本发明的一种对驾驶员非正常驾驶行为的识别方法的一具体实施例的工作流程图；

图5是本发明的一种对驾驶员非正常驾驶行为的识别方法的一实施例的人脸所处摄像头坐标系的示意图；

图6是图5中的人脸与摄像头坐标系的相对姿态图；

图7是图6中人脸转动前后两眼之间的距离示意图；

图8是图6中人脸抬低头前后两眼中心到嘴巴之间的距离示意图。

具体实施方式

参照图1，本发明提供了一种对驾驶员非正常驾驶行为的识别装置，包括：

人脸检测模块，用于对驾驶员进行图像采集并检测出人脸；

人脸特征点定位模块，用于根据检测到的人脸进而定位得出人脸特征点，并拟合出最优的人脸特征形状；

人脸姿态检测模块，用于根据所述人脸特征点计算得到人脸姿态；

汽车传感器模块，用于采集汽车的方向盘转角信息及速度变化信息，并发送到驾驶动作分析模块；

驾驶动作分析模块，用于根据汽车的方向盘转角信息及速度变化信息，分析并得出驾驶员的驾驶动作；

控制模块，用于根据所述人脸姿态及驾驶动作对应的判断标准判断驾驶动作是否正常驾驶行为，进而输出判断结果；

所述人脸检测模块的输出端依次通过人脸特征点定位模块、人脸姿态检测模块与控制模块的输入端连接，所述汽车传感器模块的输出端通过驾驶动作分析模块与控制模块的输入端连接。

进一步作为优选的实施方式，参照图2，所述人脸检测模块包括检测控制模块，所述检测控制模块的输出端连接有近红外光源及近红外摄像头，所述检测控制模块还连接有普通摄像头，所述普通摄像头的输出端及近红外摄像头的输出端均与人脸特征点定位模块的输入端连接。

进一步作为优选的实施方式，参照图2，所述汽车传感器模块包括用于采集方向盘转角信息的转角传感器及用于采集汽车的速度变化信息的踏板传感器，所述转角传感器的输出端及踏板传感器的输出端均与驾驶动作分析模块的输入端连接。

参照图3，本发明还提供了一种对驾驶员非正常驾驶行为的识别方法，包括：

对驾驶员进行标准图像采集，建立人脸特征标准样本；

实时对驾驶员进行图像采集，结合人脸特征标准样本，建立人脸姿态数据库；

采集汽车的方向盘转角信息及速度变化信息，分析并得出驾驶员的驾驶动作；

以预设阈值提取人脸姿态数据库中的人脸姿态，并根据驾驶动作对应的判断标准判断驾驶动作是否正常驾驶行为，进而输出判断结果。

进一步作为优选的实施方式，所述对驾驶员进行标准图像采集，建立人脸特征标准样本这一步骤，包括：

对驾驶员进行标准图像采集；

采用adaboost算法对采集的驾驶员标准图像进行检测，检测出标准人脸；

根据检测到的标准人脸进行定位得到标准人脸特征点，并拟合出标准人脸特征形状；

根据所述标准人脸特征点及标准人脸特征形状，建立人脸特征标准样本。

进一步作为优选的实施方式，所述实时对驾驶员进行图像采集，结合人脸特征标准样本，建立人脸姿态数据库这一步骤，包括：

实时对驾驶员进行图像采集并检测出人脸；

根据检测到的人脸进行定位得到人脸特征点，并拟合出最优的人脸特征形状；

将人脸特征点与人脸特征标准样本中的标准人脸特征点进行比对，计算得到人脸姿态；

将人脸姿态进行实时记录，建立人脸姿态数据库。

进一步作为优选的实施方式，所述实时对驾驶员进行图像采集并检测出人脸这一步骤，包括：

采用普通摄像头对驾驶员进行图像采集，并将采集到的图像发送到检测控制模块；

检测控制模块接收普通摄像头采集到的图像，将普通摄像头采集到的图像的总亮度与亮度阈值进行比较，若普通摄像头采集到的图像的总亮度小于亮度阈值，则关闭普通摄像头，并启动近红外摄像头和近红外光源，对驾驶员进行近红外图像采集，将近红外摄像头采集到的图像作为驾驶员图像，反之，则将普通摄像头采集到的图像作为驾驶员图像；

采用adaboost算法对驾驶员图像进行检测，检测出人脸。

进一步作为优选的实施方式，所述根据检测到的人脸进行定位得到人脸特征点，并拟合出最优的人脸特征形状这一步骤，其具体为：

采用ASM算法对检测到的人脸进行定位，得到人脸特征点，并采用以下公式进行拟合得到最优的人脸特征形状：

$s=s_0+\underset{i=1}{\overset{2n}{\mathrm{\Σ}}}{p}_i{s}_i$

其中，s₀为平均人脸形状，s_i为主成分特征变化向量，p_i表示在每个特征向量方向上变化的大小。

进一步作为优选的实施方式，所述将人脸特征点与人脸特征标准样本中的标准人脸特征点进行比对，计算得到人脸姿态这一步骤，其具体为：

将人脸特征点与人脸特征标准样本中的标准人脸特征点进行比对，进而对驾驶员的人脸动作进行判断；

若判断驾驶员的人脸动作为左右转头动作，则采用以下公式计算驾驶员的左右转头角度，即得到人脸姿态：

其中，D为标准样本的人脸特征点中代表两眼的特征点之间的距离，d为人脸特征点中代表两眼的特征点之间的距离，x_n为鼻子中心在图像上的X轴上的坐标，x_g为人脸特征点重心在图像上的X轴上的坐标，T为大于0的阈值；

若判断驾驶员的人脸动作为上下抬低头动作，则采用以下公式计算驾驶员的上下抬低头角度，即得到人脸姿态：

$\mathrm{\α}=\arccos \frac{h}{H}$

其中，H为标准样本的人脸特征点中，代表两眼的特征点的中心到代表嘴巴的特征点之间的距离，h为人脸特征点中，代表两眼的特征点的中心到代表嘴巴的特征点之间的距离。

本方法中，不同的驾驶动作对应的判断标准，为：

向右转的驾驶动作，其对应的正常驾驶行为的判断标准为：在预设阈值内的人脸姿态中至少存在一个正值的左右转头角度β；

向左转的驾驶动作，其对应的正常驾驶行为的判断标准为：在预设阈值内的人脸姿态中至少存在一个负值的左右转头角度β；

倒车的驾驶动作，其对应的正常驾驶行为的判断标准为：在预设阈值内的人脸姿态中至少存在一个正值的上下抬低头角度α；

若不符合上述对应的判断标准，则为非正常驾驶行为；

这里，

D为标准样本的人脸特征点中代表两眼的特征点之间的距离，d为人脸特征点中代表两眼的特征点之间的距离，x_n为鼻子中心在图像上的X轴上的坐标，x_g为人脸特征点重心在图像上的X轴上的坐标，T为大于0的阈值，H为标准样本的人脸特征点中，代表两眼的特征点的中心到代表嘴巴的特征点之间的距离，h为人脸特征点中，代表两眼的特征点的中心到代表嘴巴的特征点之间的距离。。

参照图4，本发明的一种对驾驶员非正常驾驶行为的识别方法的具体实施例如下：

S1、对驾驶员进行标准图像采集；本实施例中，普通摄像头或红外摄像头均安装在驾驶员前面，当驾驶员的人脸平面与摄像头所处平面处于平行状态时，称为标准人脸或标准动作，此时对驾驶员采集到的图像为标准图像。

S2、采用adaboost算法对采集的驾驶员标准图像进行检测，检测出标准人脸。

S3、根据检测到的标准人脸进行定位得到标准人脸特征点，并拟合出标准人脸特征形状。

S4、根据所述标准人脸特征点及标准人脸特征形状，建立人脸特征标准样本。

S5、采用普通摄像头对驾驶员进行图像采集，并将采集到的图像发送到检测控制模块。

S6、检测控制模块接收普通摄像头采集到的图像，将普通摄像头采集到的图像的总亮度与亮度阈值进行比较，若普通摄像头采集到的图像的总亮度小于亮度阈值，则关闭普通摄像头，并启动近红外摄像头和近红外光源，对驾驶员进行近红外图像采集，将近红外摄像头采集到的图像作为驾驶员图像，反之，则将普通摄像头采集到的图像作为驾驶员图像。

长时间暴露在近红外线中会对眼睛造成损害，所以当车内光线不足时才使用近红外工作模式；同时，近红外图像中的人脸图像跟彩色图像灰度化的人脸图像相近，所以采用相同的方法进行人脸检测和人脸特征点定位。

S7、采用adaboost算法对驾驶员图像进行检测，检测出人脸。

S8、采用ASM算法对检测到的人脸进行定位，得到人脸特征点，并采用以下公式进行拟合得到最优的人脸特征形状：

$s=s_0+\underset{i=1}{\overset{2n}{\mathrm{\Σ}}}{p}_i{s}_i$

其中，s₀为平均人脸形状，s_i为主成分特征变化向量，p_i表示在每个特征向量方向上变化的大小；这里，定义人脸特征点为81个；在得到人脸特征点后，可用光流法对下一帧的人脸特征点进行估计，得到新的人脸特征形状，在下一帧中采用此人脸特征形状作为初始形状进行拟合，这样的话可以进一步地提高定位速度和精度。

S9、将人脸特征点与人脸特征标准样本中的标准人脸特征点进行比对，计算得到人脸姿态：

将人脸特征点与人脸特征标准样本中的标准人脸特征点进行比对，进而对驾驶员的人脸动作进行判断；

若判断驾驶员的人脸动作为左右转头动作，则采用以下公式计算驾驶员的左右转头角度，即得到人脸姿态：

这里，即根据人脸特征点的几何关系来估计人脸相对于摄像头坐标系的姿态，参照图5及图6，当人脸绕Y轴旋转的角度为0°左右时，人脸特征点重心位于鼻子中心，当人脸朝左时，人脸特征点重心位于鼻子的右边，当人脸朝右时，人脸特征点重心位于鼻子的左边，因此根据β来判断人脸是朝左还是朝右；

参照图7，D为标准样本的人脸特征点中代表两眼的特征点之间的距离，d为人脸特征点中代表两眼的特征点之间的距离，x_n为鼻子中心在图像上的X轴上的坐标，x_g为人脸特征点重心在图像上的X轴上的坐标，T为大于0的阈值；因为实际上很难得到鼻子中心的精确位置，所以x_n和x_g相差很小时，可以认为人脸没有绕Y轴旋转，只有当这个差值大于阈值T的时候，才认为人脸绕Y轴旋转了；实际应用中，T可根据人脸图像归一化的大小来设置一个合理值，如人脸图像归一化为80*88，则T可设为5；

若判断驾驶员的人脸动作为上下抬低头动作，则采用以下公式计算驾驶员的上下抬低头角度，即得到人脸姿态：

$\mathrm{\α}=\arccos \frac{h}{H}$

其中，参照图8，H为标准样本的人脸特征点中，代表两眼的特征点的中心到代表嘴巴的特征点之间的距离，h为人脸特征点中，代表两眼的特征点的中心到代表嘴巴的特征点之间的距离。

此步骤中，分别根据d与D及h与H的区别，可以判断出驾驶员的人脸动作时左右转头动作还是上下抬低头动作。

S10、将人脸姿态进行实时记录，建立人脸姿态数据库。

S11、采集汽车的方向盘转角信息及速度变化信息，分析并得出驾驶员的驾驶动作；通过安装在汽车方向盘上的转角传感器实时地采集方向盘转角信息（即转角的大小），可计算出汽车转速和转速加速度，从而检测出驾驶员的左右转弯动作，而通过安装在油门、刹车及离合踏板上的踏板传感器实时采集汽车的速度变化信息，可分析得出驾驶员的减速及倒车的驾驶动作。这里，也可以采用检测倒车档位的装置来检测汽车的倒车情况，进而检测出驾驶员的倒车的驾驶动作。

S12、以预设阈值提取人脸姿态数据库中的人脸姿态，并根据驾驶动作对应的判断标准判断驾驶动作是否正常驾驶行为，进而输出判断结果，这里，可将判断结果输出到报警模块中，当判断驾驶动作为非正常驾驶行为时，报警模块发出警告，在发出警告的同时也可以采用数据存储模块把警告数据记录下来。

摄像头采集图像时，一般以20帧/秒的速度进行，则每秒将新增20帧人脸姿态到人脸姿态数据库中，当车辆向左转弯或者向右转弯时，则转弯前几秒的时间内驾驶员必须有对应的看左边或右边后视镜的动作，当车辆倒车时，则倒车时驾驶员必须有注视前上方后视镜的动作；相应的，即当检测到驾驶动作为转弯时，则在预设阈值内的人脸姿态中，至少含有一个非零值的左右转头角度β，当检测到驾驶动作为倒车时，则在预设阈值内的人脸姿态中，至少含有一个非零值的上下抬低头角度α；这里，预设阈值内的人脸姿态指在检测到驾驶动作时从人脸姿态数据库提取的最新的一定帧数的人脸姿态，例如在检测到驾驶动作时往前2秒内的40帧人脸姿态，或者在检测到驾驶动作时往前3秒内的60帧人脸姿态。

本发明的一种对驾驶员非正常驾驶行为的识别装置，可应用在一般车辆上，实时识别出司机的非正常驾驶行为，进而报警或记录，防止潜在的交通事故或事后记录查询；也可应用在驾照考试车辆上，作为一种辅助设备，可减轻考官的工作量，在识别过程中记录的数据也可为考试部门提供参考。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (9)

1.一种对驾驶员非正常驾驶行为的识别装置，其特征在于，包括：

人脸检测模块，用于对驾驶员进行图像采集并检测出人脸；

人脸特征点定位模块，用于根据检测到的人脸进而定位得出人脸特征点，并拟合出最优的人脸特征形状；

人脸姿态检测模块，用于根据所述人脸特征点计算得到人脸姿态；

汽车传感器模块，用于采集汽车的方向盘转角信息及速度变化信息，并发送到驾驶动作分析模块；

驾驶动作分析模块，用于根据汽车的方向盘转角信息及速度变化信息，分析并得出驾驶员的驾驶动作；

控制模块，用于根据所述人脸姿态及驾驶动作对应的判断标准判断驾驶动作是否正常驾驶行为，进而输出判断结果；

所述人脸检测模块的输出端依次通过人脸特征点定位模块、人脸姿态检测模块与控制模块的输入端连接，所述汽车传感器模块的输出端通过驾驶动作分析模块与控制模块的输入端连接。

2.根据权利要求1所述的一种对驾驶员非正常驾驶行为的识别装置，其特征在于：所述人脸检测模块包括检测控制模块，所述检测控制模块的输出端连接有近红外光源及近红外摄像头，所述检测控制模块还连接有普通摄像头，所述普通摄像头的输出端及近红外摄像头的输出端均与人脸特征点定位模块的输入端连接。

3.根据权利要求2所述的一种对驾驶员非正常驾驶行为的识别装置，其特征在于：所述汽车传感器模块包括用于采集方向盘转角信息的转角传感器及用于采集汽车的速度变化信息的踏板传感器，所述转角传感器的输出端及踏板传感器的输出端均与驾驶动作分析模块的输入端连接。

4.一种对驾驶员非正常驾驶行为的识别方法，其特征在于，包括：

对驾驶员进行标准图像采集，建立人脸特征标准样本；

实时对驾驶员进行图像采集，结合人脸特征标准样本，建立人脸姿态数据库；

采集汽车的方向盘转角信息及速度变化信息，分析并得出驾驶员的驾驶动作；

以预设阈值提取人脸姿态数据库中的人脸姿态，并根据驾驶动作对应的判断标准判断驾驶动作是否正常驾驶行为，进而输出判断结果。

5.根据权利要求4所述的一种对驾驶员非正常驾驶行为的识别方法，其特征在于，所述对驾驶员进行标准图像采集，建立人脸特征标准样本这一步骤，包括：

对驾驶员进行标准图像采集；

采用adaboost算法对采集的驾驶员标准图像进行检测，检测出标准人脸；

根据检测到的标准人脸进行定位得到标准人脸特征点，并拟合出标准人脸特征形状；

根据所述标准人脸特征点及标准人脸特征形状，建立人脸特征标准样本。

6.根据权利要求4所述的一种对驾驶员非正常驾驶行为的识别方法，其特征在于，所述实时对驾驶员进行图像采集，结合人脸特征标准样本，建立人脸姿态数据库这一步骤，包括：

实时对驾驶员进行图像采集并检测出人脸；

根据检测到的人脸进行定位得到人脸特征点，并拟合出最优的人脸特征形状；

将人脸特征点与人脸特征标准样本中的标准人脸特征点进行比对，计算得到人脸姿态；

将人脸姿态进行实时记录，建立人脸姿态数据库。

7.根据权利要求6所述的一种对驾驶员非正常驾驶行为的识别方法，其特征在于，所述实时对驾驶员进行图像采集并检测出人脸这一步骤，包括：

采用普通摄像头对驾驶员进行图像采集，并将采集到的图像发送到检测控制模块；

检测控制模块接收普通摄像头采集到的图像，将普通摄像头采集到的图像的总亮度与亮度阈值进行比较，若普通摄像头采集到的图像的总亮度小于亮度阈值，则关闭普通摄像头，并启动近红外摄像头和近红外光源，对驾驶员进行近红外图像采集，将近红外摄像头采集到的图像作为驾驶员图像，反之，则将普通摄像头采集到的图像作为驾驶员图像；

采用adaboost算法对驾驶员图像进行检测，检测出人脸。

8.根据权利要求6所述的一种对驾驶员非正常驾驶行为的识别方法，其特征在于，所述根据检测到的人脸进行定位得到人脸特征点，并拟合出最优的人脸特征形状这一步骤，其具体为：

采用ASM算法对检测到的人脸进行定位，得到人脸特征点，并采用以下公式进行拟合得到最优的人脸特征形状：

$s=s_0+\underset{i=1}{\overset{2n}{\mathrm{\Σ}}}{p}_i{s}_i$

其中，s₀为平均人脸形状，s_i为主成分特征变化向量，p_i表示在每个特征向量方向上变化的大小。

9.根据权利要求6所述的一种对驾驶员非正常驾驶行为的识别方法，其特征在于，所述将人脸特征点与人脸特征标准样本中的标准人脸特征点进行比对，计算得到人脸姿态这一步骤，其具体为：

将人脸特征点与人脸特征标准样本中的标准人脸特征点进行比对，进而对驾驶员的人脸动作进行判断；

若判断驾驶员的人脸动作为左右转头动作，则采用以下公式计算驾驶员的左右转头角度，即得到人脸姿态：

其中，D为标准样本的人脸特征点中代表两眼的特征点之间的距离，d为人脸特征点中代表两眼的特征点之间的距离，x_n为鼻子中心在图像上的X轴上的坐标，x_g为人脸特征点重心在图像上的X轴上的坐标，T为大于0的阈值；

若判断驾驶员的人脸动作为上下抬低头动作，则采用以下公式计算驾驶员的上下抬低头角度，即得到人脸姿态：

$\mathrm{\α}=\arccos \frac{h}{H}$

其中，H为标准样本的人脸特征点中，代表两眼的特征点的中心到代表嘴巴的特征点之间的距离，h为人脸特征点中，代表两眼的特征点的中心到代表嘴巴的特征点之间的距离。

Images