CN104182338A - 一种疲劳驾驶预警产品检测精度的测试方法 - Google Patents

Abstract

本发明公开了一种疲劳驾驶预警产品检测精度的测试方法，包括以下步骤：基于疲劳状态客观评价指标与疲劳定性特征描述，建立驾驶员疲劳状态的评价基准；根据建立的评价基准创建疲劳和清醒两类样本视频数据库；将数据库中的测试样本导入到待测试产品中，对待测产品进行大量样本的自动测试，获取该产品对样本的判别结果；对所测产品判别结果进行分析与整理，输出测试指标，并打印测试报告。该方法基于主客观结合的方式提出疲劳评价基准，并且建立视频样本数据库，实现对疲劳驾驶预警产品的自动测试，提高了疲劳驾驶预警产品性能测试的一致性、精确性和可靠性，为驾驶员疲劳驾驶预警产品的生产厂家和市场终端用户提供了一种切实可行的产品检验方案。

Description

一种疲劳驾驶预警产品检测精度的测试方法

技术领域

本发明涉及车载视频终端功能测试领域，特别涉及一种基于视频分析的驾驶员疲劳驾驶预警产品的测试精度的测试方法。

背景技术

基于视频分析来检测驾驶员的疲劳状态的方法可进行非接触式的检测，具有实时性好，检测精度高的特点。目前，这种方法已经成为疲劳驾驶在线判别的主流技术手段。但对于具备相关功能产品的性能来说，其一方面需克服实际驾驶过程中不同驾驶员的个体差异性，另一方面也需保证产品的环境的适应性。

国内外在基于视频分析的驾驶员疲劳判别产品领域尚无标准，对于该产品的功能验证测试方法尚属空白，基本上是生产厂家自行测试，没有统一有效的测试方法。存在以下缺陷：一方面其测试的准确性和可靠性无法得到保证，另一方面，由于没有统一的测试样本和测试环境，不同厂家生产的产品性能无法对比。

发明内容

本发明主要针对基于视频分析的驾驶员疲劳驾驶预警产品，提出了一种方便、有效、可靠的疲劳驾驶预警产品检测精度的测试方法，该方法基于疲劳样本数据库实现，同时提供了验证测试平台以及测试程序。

本发明所采用的技术方案是：一种疲劳驾驶预警产品检测精度的测试方法，包括以下步骤：

1、基于疲劳状态客观评价指标与疲劳定性特征描述，建立驾驶员疲劳状态的评价基准；

2、根据建立的评价基准创建疲劳和清醒两类样本视频数据库；

3、将数据库中的测试样本导入到待测试产品中，对待测产品进行大量样本的自动测试，获取该产品对样本的判别结果；

4、对所测产品判别结果进行分析与整理，输出测试指标，并打印测试报告。

所述疲劳状态客观评价指标为基于面部视频的专家评分，由经过训练的评价人员对驾驶员面部视频进行人工评价；所述疲劳定性特征描述，包括采用眼睛闭合时间占总时间百分比（PERCLOS）和最长闭眼时间（MCD）为疲劳判别指标来判断驾驶员是否疲劳。

为了进一步提高眼睛关键特征抓取的准确性，采用高精度面部特征检测软件对视频进行眼睛状态提取与判断，同时在相关判断结果中，抽取一定比例的视频结果对关键帧采用视频图像软件进行重复比对。

所述视频数据库采集的视频数据均来源于真实的驾驶过程，包括了驾驶员多种属性和多种环境光照条件的不同样本，根据建立的疲劳判别标准，将数据库中的视频数据分为清醒与疲劳两种状态，两种状态属性下的数据比例为1:1。

所述各种驾驶员属性的视频数据在数据库中的数量比例符合目前国内运营车辆驾驶员各类属性的实际比例，所述环境光照条件则按照相同比例配置数据。

所述驾驶员属性至少包括性别、年龄、是否佩戴眼镜，所述环境光照条件至少包括正常光线、强光光线、夜间光线。

所述测试指标至少包括：

识别正确率（IR）：正确识别出疲劳状态的样本数（TD）占疲劳样本总数（DN）的比率，计算公式为：IR=TD/DN；

拒识率（FRR）：将疲劳样本错误识别为清醒样本的概率，即将疲劳状态错误识别为清醒状态的样本数（EDS）占疲劳样本总数（DN）的比率，计算公式为：FRR=EDS/DN；

误识率（FAR）：将清醒样本错误识为疲劳样本的概率，即将清醒状态错误识别为疲劳状态的样本数（ESD）占清醒样本总数（SN）的比率，计算公式为：FAR=ESD/SN。

本发明的有益效果是：1、本测试方法充分利用了专家评分与客观指标各自的特点，形成了一套综合考虑主客观评价，并具有充分可操作与实现性的评价基准；由于疲劳由浅入深的变化差异，通过两次筛选可以将最明显的疲劳样本数据寻找出来，从而使得评价更加准确；样本数据库中的视频样本涵盖了多个种类的疲劳测试特征，可以充分体现实际应用的需求，数量越多的样本测试可以提高测试结果的准确性和可靠性。

本方法建立了一套软硬件测试系统，该系统包括了一套软件系统与测试硬件环境，使得测试更加方便快捷；并且可以通过对样本各个标签与测试结果的对比，给出被测产品的识别正确率、拒识率、误识率、产品适用性、产品实时性等多项测试结果。

提高了疲劳驾驶预警产品性能测试的一致性、精确性和可靠性，为驾驶员疲劳驾驶预警产品的生产厂家和市场终端用户提供了一种切实可行的产品检验方案。

附图说明

下面结合附图及实施例对本发明作进一步描述：

图1为疲劳驾驶预警产品检测精度的测试方法的原理框图；

图2为疲劳驾驶预警产品检测精度的测试方法的样本数据库的特征分类与具体比例示意图；

图3为疲劳驾驶预警产品检测精度的测试方法的测试硬件的结构框图；

图4为疲劳驾驶预警产品检测精度的测试方法本方法的验证测试流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

实施例

如图1所示，本发明主要包括四个步骤：首先，基于疲劳状态客观评价指标与疲劳定性特征描述，建立驾驶员疲劳状态的评价基准；

其次，依据此评价基准建立包括疲劳和清醒两类样本视频的数据库，数据库中的测试视频都是基于真实道路环境与驾驶员进行采集，涵盖了驾驶员与实际驾驶环境的多种特点，以满足被检产品应用条件的多样性测试的需求；

然后，将数据库中的测试样本导入到待测试产品中去，对待测产品进行大量样本的自动测试，获取该产品对样本的判别结果，为了提供测试的方便性，可以使用相应的测试软硬件系统进行测试；

最后，利用软件测试系统经过对所测产品判别结果的分析与整理，输出该产品在疲劳判别的识别正确率、拒识率、误识率等多个方面的测试结果，并打印测试报告。

疲劳评价基准的建立

基于视频分析来评价疲劳状态时，通常用来作为评价标准的主要包括：(1)基于面部视频的专家评分，由经过训练的评价人员来对驾驶员面部视频进行人工评价；(2)基于面部疲劳特征，由特定的指标参数来判断驾驶员是否疲劳。

基于面部疲劳特征参数的方法充分考虑了人类疲劳之后面部典型特征—眼睛、嘴巴等状态的变化，将其作为判别疲劳的主要参考。目前世界上公认的最具代表性的是PERCLOS指标，它定义为一段时间内眼睛闭上（以眼睛开合度小于正常值的80%为准）的时间占这段时间的百分比。其经由美国联邦公路管理局（FHWA）和美国国家公路交通安全管理局（NHTSA）测试，证明其与驾驶疲劳的相关性最好（符合专家评分与驾驶员自我评价的结果），目前PERCLOS已经得到研究者们的广泛采用。

基于面部视频的专家评分手段利用了人类的认知经验，充分考虑了驾驶员疲劳时面部的综合表情变化，因此能够较为准确的判别驾驶员所处的实际状态。但由于该方法在实际操作过程中面临人力、时间成本等方面的限制，因此无法作为对驾驶员实时监测的判别方法，但可以作为评价疲劳状态的一项参考标准。

本测试方法充分利用了专家评分与客观指标各自的特点，形成了一套综合考虑主客观评价，并具有充分可操作与实现性的评价基准。

首先采用基于PERCLOS和最长闭眼时间（MCD）为疲劳判别指标对初始视频进行初步筛选。最长闭眼时间指的是某段视频中眼睛闭合的最长持续时间，其也是目前疲劳检测研究中的重要参考标准，它可以反映驾驶员严重疲劳状态下的表情：眼皮在失去控制力后快速闭上一段较长时间。由于PERCLOS是针对一段时间眼睛状态的统计指标，反映的是一种累计效应，其状态结果需要在该段时间之后才能给出，可以认为PERCLOS是一种基于宏观角度的评价指标。但在该段时间内，眼睛闭上一段时间是非常危险的，因此引入最长闭眼时间这个指标来解决这种情况，这两个指标中任何一个超过所设定的阈值则代表驾驶员进入了疲劳状态，这样就可以从一个宏观加上微观的角度来综合判别驾驶员的疲劳状态。

在对视频采用上述两种指标进行判别时，考虑到对眼睛关键特征抓取的准确性，采用目前国际上公认精度较高的FACE Lab产品对视频进行眼睛状态提取与判断，同时在相关判断结果中，抽取一定比例的视频结果对关键帧采用诸如VirtualDub的视频图像软件进行重复比对，以确保对疲劳状态和清醒状态识别的准确性。在此基础上，可以将所采集的视频按照事件发生的情况划分为2分钟一段的视频样本，该视频样本需确保包含可供PERCLOS和MCD判别的所有过程。

另一个方面，由权威专家（可以包括医疗专家、交通专家和表情分析专家）建立疲劳状态的表情共性特征描述，设计疲劳驾驶状态的主观评价评分基础，基于此对专业的评分人员进行培训，并由他们来对上述基于客观指标判断后的多个2分钟视频样本进行人工评分，以此完成对所设计测试视频的主观筛选。

由于疲劳由浅入深的变化差异，两次筛选可以将最明显的疲劳样本数据寻找出来，这也是实际驾驶过程中最危险的状态。

疲劳样本数据库的建立

基于上述疲劳判别评价基准，可以将所采集的数据筛选出清醒与疲劳两种状态，以此建立测试数据库。为了充分体现实际应用的需求，这个样本数据库中的视频样本涵盖了多个种类的疲劳测试特征，对于驾驶员而言，样本中包括不同性别、不同年龄层次、是否佩戴眼镜等属性情况，对于实际驾驶环境而言，样本中包括不同时间段，不同环境光线的影响等情况，其特征分类与具体比例如图2所示，这些具体比例都是基于国内实际驾驶员情况调查得出。此外，数据库样本中的驾驶员为正常驾驶姿态，左右倾斜角度较小，无明显点头或仰头的动作，对于基于面部视频分析的疲劳检测算法不会产生较大的影响。

为了确保后续的检测样本分布，可设置样本数据库样本数大于20000个视频样本，其中清醒视频样本大于10000个，疲劳视频样本大于10000个，清醒视频与疲劳视频的样本比例可以为1:1。每次测试实施时，可以根据测试部门的测试要求从总的数据库中随机抽取一定数量的疲劳样本和清醒样本作为测试用数据库，数量越多的样本测试可以提高测试结果的准确性和可靠性。

软硬件测试系统的搭建

本方法建立了一套软硬件测试系统，该系统包括了一套软件系统与测试硬件环境。

测试硬件环境如图3所示，包括了PC计算机、数据转发终端等设备，PC计算机通过数据转发终端和待测产品相连。PC计算机的视频输出口通过数据转发终端将待测视频数据传输至待测产品中，数据转发终端的视频接口支持BNC接口、AV接口、VGA接口、USB接口等多种形式；待测产品的检测结果输出口通过数据转发终端将检测结果传输回PC计算机，数据转发终端的结果通信接口支持以太网、CAN、RS232/485、I/O等形式。

测试软件系统装载在PC计算机上，该软件可以对嵌入式验证终端进行配置和控制，更新疲劳样本数据库等，同时具有显示嵌入式验证终端的检测信息、过程状态以及打印测试报告等功能。

验证指标的制定

本方法的样本数据库涵盖了各种疲劳状态的特征，每一个视频样本有一个状态标签（“清醒”或“疲劳”），众多样本特征标签（是否配戴眼镜、光照条件等）。本方法可以通过对样本各个标签与测试结果的对比，给出被测产品的识别正确率、拒识率、误识率、产品适用性、产品实时性等多项测试结果。

对于疲劳检测精度的性能指标，本方法定义如下：

识别正确率（Identification Rate，IR）：正确识别出疲劳状态的样本数（TD）占疲劳样本总数（DN）的比率，计算公式为：IR=TD/DN；

拒识率（False Reject Rate，FRR）：将疲劳样本错误识别为清醒样本的概率，即将疲劳状态错误识别为清醒状态的样本数（EDS）占疲劳样本总数（DN）的比率，计算公式为：FRR=EDS/DN；

误识率（False Accept Rate，FAR）：将清醒样本错误识为疲劳样本的概率，即将清醒状态错误识别为疲劳状态的样本数（ESD）占清醒样本总数（SN）的比率，计算公式为：FAR=ESD/SN；

另外，由于样本中包含多个特征标签，因此根据待测差产品的判别结果就可以给出该产品的适用性分析，例如可以给出其对于戴眼镜驾驶员、某一种光照条件下的识别正确率，拒识率、误识率等，以此来确定该产品的适用场合。

如图4为疲劳检测功能的验证测试流程图，具体按照如下步骤来对疲劳判别产品进行功能性测试：

（1）准备阶段。检查待测产品的硬件规格、视频输入/输出接口以及通信协议等，是否符合规定。检查通过后，将待测产品的视频输入口和本检测设备的视频输出口相连接，将待测产品的报警信号输出口和本检测设备的报警输入口相连接。

（2）初始化阶段。打开软件配置程序，选择本次测试的样本数据库，对检测类型、检测选项、输入输出信息、企业信息等进行确认，确认无误后，进行测试，程序将一个演示样本视频导入到待测产品中进行测试，判断该样本视频是否能通过测试，如果未通过，需要重复步骤（1）和步骤（2），重新对产品的硬件规格、视频输入接口协议、报警输出接口协议等内容进行确认，确保待测产品可以在本测试平台上运行。

（3）测试阶段。该阶段是将随机选取多段样本数据库导入至待测产品中运行测试。在测试过程中，配置程序会实时显示过程状态信息：如果测试发生异常，可以立即中断并停止测试，程序返回开始测试等待状态；如果测试过程无异常，程序会自动执行数据库中下一段样本视频对产品进行测试。在此过程中，配置程序还可以执行暂停或停止检测、更新检测样本数据库、更换检测类型等操作。等待程序完成对所有样本视频的测试后，即可以得到最终的测试结果。

（4）结果输出阶段。该阶段软件配置程序将会提供系统性检测结果，包括检测的识别正确率、拒识率、误识率以及实时性等数据，并可打印系统测试报告提交给用户。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (7)

1. 一种疲劳驾驶预警产品检测精度的测试方法，其特征在于，包括以下步骤：

1、基于疲劳状态客观评价指标与疲劳定性特征描述，建立驾驶员疲劳状态的评价基准；

2、根据建立的评价基准创建疲劳和清醒两类样本视频数据库；

3、将数据库中的测试样本导入到待测试产品中，对待测产品进行大量样本的自动测试，获取该产品对样本的判别结果；

4、对所测产品判别结果进行分析与整理，输出测试指标，并打印测试报告。

2.根据权利要求1所述的疲劳驾驶预警产品检测精度的测试方法，其特征在于，所述疲劳状态客观评价指标为基于面部视频的专家评分，由经过训练的评价人员对驾驶员面部视频进行人工评价；所述疲劳定性特征描述，包括采用眼睛闭合时间占总时间百分比（PERCLOS）和最长闭眼时间（MCD）为疲劳判别指标来判断驾驶员是否疲劳。

3.根据权利要求2所述的疲劳驾驶预警产品检测精度的测试方法，其特征在于，还包括采用高精度面部特征检测软件对视频进行眼睛状态提取与判断，同时在相关判断结果中，抽取一定比例的视频结果对关键帧采用视频图像软件进行重复比对。

4.根据权利要求1所述的疲劳驾驶预警产品检测精度的测试方法，其特征在于，所述视频数据库采集的视频数据均来源于真实的驾驶过程，包括了驾驶员多种属性和多种环境光照条件的不同样本，根据建立的疲劳判别标准，将数据库中的视频数据分为清醒与疲劳两种状态，两种状态属性下的数据比例为1:1。

5.根据权利要求4所述的疲劳驾驶预警产品检测精度的测试方法，其特征在于，所述各种驾驶员属性的视频数据在数据库中的数量比例符合目前国内运营车辆驾驶员各类属性的实际比例，所述环境光照条件则按照相同比例配置数据。

6.根据权利要求4或5所述的疲劳驾驶预警产品检测精度的测试方法，其特征在于，所述驾驶员属性至少包括性别、年龄、是否佩戴眼镜，所述环境光照条件至少包括正常光线、强光光线、夜间光线。

7.根据权利要求1所述的疲劳驾驶预警产品检测精度的测试方法，其特征在于，所述测试指标至少包括：

识别正确率（IR）：正确识别出疲劳状态的样本数（TD）占疲劳样本总数（DN）的比率，计算公式为：IR=TD/DN；

拒识率（FRR）：将疲劳样本错误识别为清醒样本的概率，即将疲劳状态错误识别为清醒状态的样本数（EDS）占疲劳样本总数（DN）的比率，计算公式为：FRR=EDS/DN；

误识率（FAR）：将清醒样本错误识为疲劳样本的概率，即将清醒状态错误识别为疲劳状态的样本数（ESD）占清醒样本总数（SN）的比率，计算公式为：FAR=ESD/SN。