CN107169437A - 基于视觉的疲劳驾驶检测方法 - Google Patents

Abstract

本发明公开了一种基于视觉的疲劳驾驶检测方法，包括以下步骤：S1：通过近红外摄像头获取驾驶员的脸部图像；S2：利用AdaBoost算法直接检测睁眼区域；S3：计算连续闭眼帧数占总帧数的比值，判断驾驶员的疲劳状态。本发明对现有的Haar‑like特征进行扩展，并将该特征应用于AdaBoost算法对人眼的检测中，对多姿态人脸图像和变化的光线有很好的鲁棒性，检测率高。

Description

基于视觉的疲劳驾驶检测方法

技术领域

本发明涉及领域，具体涉及一种基于视觉的疲劳驾驶检测方法。

背景技术

近年来，疲劳驾驶已成为重、特大交通事故的主要原因之一。在美国的高速公路上，每年有超过8万起的交通事故，其中约有850起直接导致死亡。因此疲劳驾驶检测技术的研究有着非常重要的现实意义和应用价值。

目前有关疲劳驾驶检测的方法很多，基于计算机视觉的检测方法一般都是先定位人脸，在进行人眼检测，当人脸定位不准确时，会直接影像人脸的检测的准确率。现有的人眼检测的疲劳判别方法一般先用Adaboost算法定位眼睛所在区域，在计算眼睛开闭程度。然而，受图像噪声、图像二值化误差等影响，计算眼睛的开闭程度会存在较大误差，从而导致误判。

发明内容

本发明要解决的技术问题是提供一种基于视觉的疲劳驾驶检测方法。

基于视觉的疲劳驾驶检测方法，包括以下步骤：

S1：通过近红外摄像头获取驾驶员的脸部图像；

S2：利用AdaBoost算法直接检测睁眼区域；

S3：计算连续闭眼帧数占总帧数的比值，判断驾驶员的疲劳状态。

进一步的，利用AdaBoost算法直接检测睁眼区域的方法如下：

1)对现有的Haar-like特征进行扩展，增加新的45°矩形特征；

2)采用扩展的Haar-like特征对大量的正、负样本进行训练，得到用于人眼检测的AdaBoost分类器，具体步骤如下：

2-1)每个Haar-like特征生成1个分类器，其形式如下：

其中，x为样本；f_i(x)为第i个类Haar-like特征f_i在样本x上的取值；p_i(p_i∈{-1，+1})为分类符号方向；h_i为由特征f_i(x)构成的分类器；θ_i为分类器h_i的方法阈值；

2-2)设输入的训练样本图像为(x_i，y_i)，(x₂，y₂)，…，(x_n，y_n)，其中， y_i＝0和y_i＝1分别对应负样本和正样本；

2-3)初始化权值，对于y_i＝0的负样本，w_l，t＝1/2m；对于y_i＝1 的正样本，w_l，t＝1/2l；其中m和l分别为负样本和正样本的数量；

2-4)对于t＝1,2,…,T(其中T为最弱分类器的个数)：

①归一化权重为一个概率分布，其中，w_t，i为训练第i个样本第t次循环的误差权重；

②对于每个特征j训练1个相应的弱分类器h_j，相对于当前权重 w_i的误差为

③选择误差ε_i最小的弱分类器h_i；

④更新所有样本的权重，其中样本x_i被正确分类时e_i＝0，反之e_i＝1并且β＝ε_i/(1-ε_i)；

2-5)最终的强分类器为：

其中，α_t＝log(1/β)，h_t＝min{ε_t}；

3)对测试样本提取关键的Haar-like特征，并将特征输入到 AdaBoost分类器进行人眼检测。

进一步的，判断驾驶员的疲劳状态的方法如下：

1)设眼睛完全睁开到闭合20％的时间间隔为t₁，t₂为完全睁开到闭合80％的时间，t₃为完全睁开到下一次睁开20％的时间，t₄为完全睁开到下一次睁开80％的时间；

2)通过测出的t₁、t₂、t₃和t₄值计算出连续闭眼的帧数占总帧数的比值f₈₀，即：

3)统计连续闭眼帧的帧数，若超过设定的阈值则判定为驾驶员疲劳。

本发明的有益效果是：

本发明采用近红外摄像头来获取驾驶员的脸部图像，保证白天和黑夜都能获取较好的脸部图像；对现有的Haar-like特征进行扩展，并将该特征应用于AdaBoost算法对人眼的检测中，直接检测睁眼区域，不仅提高了检测速度，还避免由于人脸检测错误所带来的误判；对多姿态人脸图像和变化的光线有很好的鲁棒性，检测率高。

具体实施方式

以下具体实施例对本发明作进一步阐述，但不作为对本发明的限定。

基于视觉的疲劳驾驶检测方法，包括以下步骤：

S1：通过近红外摄像头获取驾驶员的脸部图像；

S2：利用AdaBoost算法直接检测睁眼区域；

S3：计算连续闭眼帧数占总帧数的比值，判断驾驶员的疲劳状态。

利用AdaBoost算法直接检测睁眼区域的方法如下：

1)对现有的Haar-like特征进行扩展，增加新的45°矩形特征；

2)采用扩展的Haar-like特征对大量的正、负样本进行训练，得到用于人眼检测的AdaBoost分类器，具体步骤如下：

2-1)每个Haar-like特征生成1个分类器，其形式如下：

其中，x为样本；f_i(x)为第i个类Haar-like特征f_i在样本x上的取值；p_i(p_i∈{-1，+1})为分类符号方向；h_i为由特征f_i(x)构成的分类器；θ_i为分类器h_i的方法阈值；

2-2)设输入的训练样本图像为(x₁，y₁)，(x₂，y₂)，…，(x_n，y_n)，其中， y_i＝0和y_i＝1分别对应负样本和正样本；

2-3)初始化权值，对于y_i＝0的负样本，w_l，t＝1/2m；对于y_i＝1 的正样本，w_l，t＝1/2l；其中m和l分别为负样本和正样本的数量；

2-4)对于t＝1,2,…,T(其中T为最弱分类器的个数)：

①归一化权重为一个概率分布，其中，w_t，i为训练第i个样本第t次循环的误差权重；

②对于每个特征j训练1个相应的弱分类器h_j，相对于当前权重 w_i的误差为

③选择误差ε_i最小的弱分类器h_i；

④更新所有样本的权重，其中样本x_i被正确分类时e_i＝0，反之e_i＝1并且β＝ε_i/(1-ε_i)；

2-5)最终的强分类器为：

其中，α_t＝log(1/β)，h_t＝min{ε_t}；

3)对测试样本提取关键的Haar-like特征，并将特征输入到 AdaBoost分类器进行人眼检测。

判断驾驶员的疲劳状态的方法如下：

1)设眼睛完全睁开到闭合20％的时间间隔为t₁，t₂为完全睁开到闭合80％的时间，t₃为完全睁开到下一次睁开20％的时间，t₄为完全睁开到下一次睁开80％的时间；

2)通过测出的t₁、t₂、t₃和t₄值计算出连续闭眼的帧数占总帧数的比值f₈₀，即：

3)统计连续闭眼帧的帧数，若超过设定的阈值则判定为驾驶员疲劳。

Claims (3)

1.基于视觉的疲劳驾驶检测方法，其特征在于，包括以下步骤：

S1：通过近红外摄像头获取驾驶员的脸部图像；

S2：利用AdaBoost算法直接检测睁眼区域；

S3：计算连续闭眼帧数占总帧数的比值，判断驾驶员的疲劳状态。

2.根据权利要求1所述的疲劳驾驶检测方法，其特征在于，利用AdaBoost算法直接检测睁眼区域的方法如下：

1)对现有的Haar-like特征进行扩展，增加新的45°矩形特征；

2)采用扩展的Haar-like特征对大量的正、负样本进行训练，得到用于人眼检测的AdaBoost分类器，具体步骤如下：

2-1)每个Haar-like特征生成1个分类器，其形式如下：

其中，x为样本；f_i(x)为第i个类Haar-like特征f_i在样本x上的取值；p_i(p_i∈{-1，+1})为分类符号方向；h_i为由特征f_i(x)构成的分类器；θ_i为分类器h_i的方法阈值；

2-2)设输入的训练样本图像为(x₁，y₁)，(x₂，y₂)，…，(x_n，y_n)，其中，y_i＝0和y_i＝1分别对应负样本和正样本；

2-3)初始化权值，对于y_i＝0的负样本，w_l，t＝1/2m；对于y_i＝1的正样本，w_l，t＝1/2l；其中m和l分别为负样本和正样本的数量；

2-4)对于t＝1,2,…,T(其中T为最弱分类器的个数)：

①归一化权重为一个概率分布，其中，w_t，i为训练第i个样本第t次循环的误差权重；

②对于每个特征j训练1个相应的弱分类器h_j，相对于当前权重w_i的误差为

③选择误差ε_i最小的弱分类器h_i；

④更新所有样本的权重，其中样本x_i被正确分类时e_i＝0，反之e_i＝1并且β＝ε_i/(1-ε_i)；

2-5)最终的强分类器为：

其中，α_t＝log(1/β)，h_t＝min{ε_t}；

3)对测试样本提取关键的Haar-like特征，并将特征输入到AdaBoost分类器进行人眼检测。

3.根据权利要求1所述的疲劳驾驶检测方法，其特征在于，判断驾驶员的疲劳状态的方法如下：

1)设眼睛完全睁开到闭合20％的时间间隔为t₁，t₂为完全睁开到闭合80％的时间，t₃为完全睁开到下一次睁开20％的时间，t₄为完全睁开到下一次睁开80％的时间；

2)通过测出的t₁、t₂、t₃和t₄值计算出连续闭眼的帧数占总帧数的比值f₈₀，即：

3)统计连续闭眼帧的帧数，若超过设定的阈值则判定为驾驶员疲劳。