CN109635664A - 一种基于光照检测的疲劳驾驶检测方法 - Google Patents

Abstract

本发明涉及一种基于光照检测的疲劳驾驶检测方法，用于实现：使用设置于车内的红外摄像装置对司机人脸图像进行采集；对采集的人脸图像分别执行检测及分割处理，将得到的多个已处理图像存储至图像数据库；将图像数据库中的图像进行亮度均值计算，并根据亮度均值将图像划分为多个分类并使用支持向量机进行训练，得到对应的检测模型；对实时采集的人脸图像进行亮度划分，并使用对应亮度分类的检测模型进行检测，根据结果对驾驶司机进行警示。本发明的有益效果为：实现更精细化的分类检测，以提高检测准确率。

Description

一种基于光照检测的疲劳驾驶检测方法

技术领域

本发明涉及一种基于光照检测的疲劳驾驶检测方法，属于计算机检测领域。

背景技术

为了提高驾驶员在驾驶过程中的行车安全，防止因为疲劳驾驶而出现交通事故，现在出现了多种疲劳驾驶检测方法，其中，利用摄像头采集驾驶员的人脸图像进行疲劳驾驶检测是当前性价比最高的一种方法，该方法部署方便，成本低，检测准确率高。

现有技术方案：现有技术采用训练-预测方法进行检测，通过采集大量的行车过程中的驾驶员的人眼图片，包括正常驾驶状态(睁眼)和疲劳驾驶状态(闭眼)的，然后通过特征提取和分类算法进行训练得到分类模型，然后将该模型部署到疲劳驾驶检测仪或者疲劳驾驶系统中，通过摄像头采集驾驶员当前驾驶状态的图片，将该图片送给模型进行检测，得出当前驾驶员是否是疲劳驾驶。

现有方法技术有以下缺点：由于驾驶员可能在强光或者弱光环境下开车，导致采集的驾驶员的人眼图片在各种光照下都有，这么多种光照条件下的图片一起作为训练数据训练出的检测模型，在不同光照情况下使用时检测准确率变差。比如驾驶员在强光下，即使是正常驾驶状态但是为了看清道路也要眯着眼睛，眼睛睁开的范围比较小，有可能被检测模型判断为闭眼，即在疲劳驾驶。

发明内容

本公开的几个示例方面的概述如下。提供本概述是为了读者的方便，以提供对这些实施例的基本理解而不是完全地限定本发明的范围。本概述不是所有预期实施例的广泛综述，并且既不旨在标识所有方面的关键或重要元素，也不描述任何或所有方面的范围。其唯一目的在于以简化的形式呈现一个或多个实施例的一些概念，作为稍后呈现的更详细描述的前奏。为了方便，在本文中术语“一些实施例”可用于指本公开的单一实施例或者多个实施例。

针对上述问题，本发明提出了一种基于光照检测的疲劳驾驶检测方法，为了解决以上问题，训练过程中，依据光照强度对采集的图片进行分类，不同光照强度的图片集合分别进行训练，分别得到对应的分类模型；预测过程中，根据当前光照强度判断需要使用哪一种分类模型进行预测，从而更精细化的进行分类，使得检测准确率更高。

本发明的技术方案包括一种基于光照检测的疲劳驾驶检测方法，其特征在于，该方法包括以下步骤：S1，使用设置于车内的红外摄像装置对司机人脸图像进行采集；S2，对采集的人脸图像分别执行检测及分割处理，将得到的多个已处理图像存储至图像数据库；S3，将图像数据库中的图像进行亮度均值计算，并根据亮度均值将图像划分为多个分类并使用支持向量机进行训练，得到对应的检测模型；S4，对实时采集的人脸图像进行亮度划分，并使用对应亮度分类的检测模型进行检测，根据结果对驾驶司机进行警示。

根据所述的基于光照检测的疲劳驾驶检测方法，其中该方法还包括：通过第三方接口获取车辆速度信息，当车辆速度为零时则停止采集司机人脸图像；当车辆速度超过预设阈值时，则启动红外摄像装置对司机人脸图像进行采集。

根据所述的基于光照检测的疲劳驾驶检测方法，其中所述步骤S2具体包括：对图像中的人眼使用智能图像分析算法检测，进一步，分割人眼区域得到处理后的图像，将处理后的图像存储至图像数据库。

根据所述的基于光照检测的疲劳驾驶检测方法，其中步骤S3具体包括：将采集的人脸图像进行预处理，包括将采集的图像转换为YUV图像，进一步，获取YUV图像的亮度值Y，并计算图像亮度平均值；根据图像亮度平均值将人眼图像划分三个图像数据集，并对每个数据集的人眼图像进行标识，其中标识包括睁眼和闭眼；对每个标注后的数据集分别进行特征提取和SVM分类训练，得到三个基于SVM的检测模型。

根据所述的基于光照检测的疲劳驾驶检测方法，其中图像数据集的亮度阈值范围分别为0～96、96～176及176～255，基于亮度阈值范围得到的对应检测模型分别为M1、M2及M3。

根据所述的基于光照检测的疲劳驾驶检测方法，其中所述步骤S4具体包括：通过红外摄像装置采集到人脸图像；检测人脸区域并分割出人眼区域；对人眼区域图像计算亮度均值；若用户的人眼图像亮度处于0～255之间则根据人眼图像所处的亮度区域分配对应的SVM检测模型进行检测；根据模型检测结果得出是否疲劳驾驶，如果模型检测多次结果是闭眼则是疲劳驾驶，否则是非疲劳驾驶。

根据前所述的基于光照检测的疲劳驾驶检测方法，该方法还包括：当检测到司机处于疲劳驾驶时，根据预测模型结果发送至司机移动终端、车辆报警装置及远程后台监控系统，并进行对应的告警。

本发明的有益效果为：通过对人眼图像数据依据光照强度的不同进行分类，从而得到不同的图像集合，对每个集合的图像数据通过分类算法进行训练，得到不同的分类模型，预测的时候根据光照强度选择对应的分类模型进行检测，实现更精细化的分类检测，以提高检测准确率。

附图说明

图1所示为根据本发明实施方式的总体流程图；

图2所示为本发明实施方式的人眼测试模型建立流程图；

图3所示为本发明实施方式的人眼检测流程图。

具体实施方式

本发明的技术方案包括一种基于模板化数据库视图的数据校验方法及系统，适用于以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。

需要说明的是，如无特殊说明，当某一特征被称为“固定”、“连接”在另一个特征，它可以直接固定、连接在另一个特征上，也可以间接地固定、连接在另一个特征上。此外，本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。此外，除非另有定义，本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本文说明书中所使用的术语只是为了描述具体的实施例，而不是为了限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种元件，但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如，在不脱离本公开范围的情况下，第一元件也可以被称为第二元件，类似地，第二元件也可以被称为第一元件。本文所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例，并且除非另外要求，否则不会对本发明的范围施加限制。

图1所示为根据本发明实施方式的总体流程图。其流程如下所示：S1，使用设置于车内的红外摄像装置对司机人脸图像进行采集；S2，对采集的人脸图像分别执行检测及分割处理，将得到的多个已处理图像存储至图像数据库；S3，将图像数据库中的图像进行亮度均值计算，并根据亮度均值将图像划分为多个分类并使用支持向量机进行训练，得到对应的检测模型；S4，对实时采集的人脸图像进行亮度划分，并使用对应亮度分类的检测模型进行检测，根据结果对驾驶司机进行警示。

图2所示为本发明实施方式的人脸测试模型建立流程图。

其流程包括：

(1)建立人眼图像数据库。通过红外摄像头采集人脸图像，通过智能图像分析算法，检测人脸，分割人眼区域，得到一个基于人眼图像的数据库。

(2)根据图像亮度将数据库分为三个数据集。对于人眼图像数据库的每张图片计算其亮度均值，以此亮度均值来表示图像光照的强弱，亮度均值高代表光照强，亮度均值低代表光照弱，根据亮度均值的取值范围将人眼图像分为三个图像数据集。由于图像是YUV格式的，因此直接通过图片的Y分量计算亮度均值，即将图像中每个像素点的Y的值相加然后除以像素点的个数，本方法中三个图像数据集的亮度均值取值范围的阈值分别为96和176，亮度均值在0到96范围的记为模型M1,96到176的记为模型M2，176到255的记为模型M3。

(3)对每个数据集的人眼图像进行标注，标注为睁眼和闭眼。

(4)对每个标注后的数据集分别进行特征提取和SVM分类训练，得到三个基于SVM的检测模型。

图3所示为本发明实施方式的人脸检测流程图。其流程具体如下：

(1)通过摄像头采集到人脸图像。

(2)检测人脸区域并分割出人眼区域。

(3)对人眼区域图像计算亮度均值。

(4)根据亮度均值选择使用哪个SVM模型进行检测。如果亮度均值小于96则选择M1，大于176则选择M3，否则选择M2。

(5)根据模型检测结果得出是否疲劳驾驶。如果模型检测是闭眼则是疲劳驾驶，否则是非疲劳驾驶，当检测到司机处于疲劳驾驶时，根据预测模型结果发送至司机移动终端、车辆报警装置及远程后台监控系统，并进行对应的告警。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文步骤的指令或程序时，本文的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明的方法和技术编程时，本发明还包括计算机本身。

计算机程序能够应用于输入数据以执行本文的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

以上，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。

Claims (7)

1.一种基于光照检测的疲劳驾驶检测方法，其特征在于，该方法包括以下步骤：

S1，使用设置于车内的红外摄像装置对司机人脸图像进行采集；

S2，对采集的人脸图像分别执行检测及分割处理，将得到的多个已处理图像存储至图像数据库；

S3，将图像数据库中的图像进行亮度均值计算，并根据亮度均值将图像划分为多个分类并使用支持向量机进行训练，得到对应的检测模型；

S4，对实时采集的人脸图像进行亮度划分，并使用对应亮度分类的检测模型进行检测，根据结果对驾驶司机进行警示。

2.根据权利要求1所述的基于光照检测的疲劳驾驶检测方法，其特征在于，该方法还包括：

通过第三方接口获取车辆速度信息，当车辆速度为零时则停止采集司机人脸图像；

当车辆速度超过预设阈值时，则启动红外摄像装置对司机人脸图像进行采集。

3.根据权利要求1所述的基于光照检测的疲劳驾驶检测方法，其特征在于，所述步骤S2具体包括：

对图像中的人眼使用智能图像分析算法检测，进一步，分割人眼区域得到处理后的图像，将处理后的图像存储至图像数据库。

4.根据权利要求1所述的基于光照检测的疲劳驾驶检测方法，其特征在于，所述步骤S3具体包括：

将采集的人脸图像进行预处理，包括将采集的图像转换为YUV图像，进一步，获取YUV图像的亮度值Y，并计算图像亮度平均值；

根据图像亮度平均值将人眼图像划分三个图像数据集，并对每个数据集的人眼图像进行标识，其中标识包括睁眼和闭眼；

对每个标注后的数据集分别进行特征提取和SVM分类训练，得到三个基于SVM的检测模型。

5.根据权利要求4所述的基于光照检测的疲劳驾驶检测方法，其特征在于，所述图像数据集的亮度阈值范围分别为0～96、96～176及176～255，基于亮度阈值范围得到的对应检测模型分别为M1、M2及M3。

6.根据权利要求1或5所述的基于光照检测的疲劳驾驶检测方法，其特征在于，所述步骤S4具体包括：

通过红外摄像装置采集到人脸图像；

检测人脸区域并分割出人眼区域；

对人眼区域图像计算亮度均值；

若用户的人眼图像亮度处于0～255之间则根据人眼图像所处的亮度区域分配对应的SVM检测模型进行检测；

根据模型检测结果得出是否疲劳驾驶，如果模型检测多次结果是闭眼则是疲劳驾驶，否则是非疲劳驾驶。

7.根据权利要求6所述的基于光照检测的疲劳驾驶检测方法，其特征在于，该方法还包括：

当检测到司机处于疲劳驾驶时，根据预测模型结果发送至司机移动终端、车辆报警装置及远程后台监控系统，并进行对应的告警。