CN109977930A - 疲劳驾驶检测方法及装置 - Google Patents

Abstract

本发明提供了一种疲劳驾驶检测方法及装置，涉及疲劳驾驶检测的技术领域，对驾驶者的头部图像进行预处理获得灰度图像；计算灰度图像中不为零的像素值的分布概率，根据分布概率确定灰度图像的分割阈值范围；采用分割阈值范围中的每一个分割阈值对灰度图像进行分割，得到目标区域和背景区域，分别计算每一个分割阈值所分割的目标区域的平均相对熵以及背景区域的平均相对熵的总熵；根据所有总熵中的最大值和分割阈值范围确定最佳分割阈值，对灰度图像采用平均相对熵进行阈值分割，检测出人脸区域；根据最佳分割阈值分离人脸区域，并重建人脸区域图像；计算眨眼频率和打哈欠频率判断驾驶者是否为疲劳驾驶。本发明能够大大提高人脸识别的检测效率。

Description

疲劳驾驶检测方法及装置

技术领域

本发明涉及疲劳驾驶检测技术技术领域，尤其是涉及一种疲劳驾驶检测方法及装置。

背景技术

疲劳驾驶是指司机在长时间的连续驾驶车辆后，产生生理机能和心理机能的失调，而在客观上出现驾驶技能下降的现象。疲劳驾驶容易导致重大交通安全事故，因此需要对驾驶员的疲劳状态进行检测。在疲劳驾驶检测方法中，人脸区域识别是十分重要的一环。

目前，人脸区域的识别方法主要有整幅人脸彩色图像识别法、神经网络识别法、基于光照估计模型的识别方法、最大类间方差法、迭代法、微分算子、聚类分析等。整幅人脸彩色图像识别方法包含RGB三个维度的像素点计算，运算量较大；神经网络计算识别法虽然具有自学习的功能，但是当数据不充分会将一切推理变为数值计算，丢失主要目标信息，无法进行工作；基于光照估计模型的识别方法仍处于实验的研究阶段，只能在某些特定的场合下使用。虽然最大类间方差法、迭代法、微分算子、聚类分析这些方法相较于整幅人脸彩色图像识别法、神经网络识别法、基于光照估计模型的识别方法来说计算较为简单，但是运算量仍然较大，检测效率不高。

发明内容

本发明的目的在于提供一种疲劳驾驶检测方法及装置，可以提高人脸识别的检测效率。

第一方面，本发明提供了一种疲劳驾驶检测方法，包括步骤：

获取驾驶者驾驶时的头部图像；

对所述头部图像采用平均相对熵进行阈值分割，检测出人脸区域，得到人脸区域图像；

确定所述人脸区域图像中的面部特征，并根据所述面部特征判断所述驾驶者是否为疲劳驾驶。

第二方面，本发明提供了一种疲劳驾驶检测装置，包括数据采集模块、人脸识别模块和疲劳分析模块；

所述数据采集模块用于获取驾驶者驾驶时的头部图像；

所述人脸识别模块用于对所述头部图像采用平均相对熵进行阈值分割，检测出人脸区域，得到人脸区域图像；

所述疲劳分析模块用于确定所述人脸区域图像中的面部特征，并根据所述面部特征判断所述驾驶者是否为疲劳驾驶。

第三方面，本发明提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述方法。

第四方面，本发明提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行上述方法。

本发明提供的一种疲劳驾驶检测方法及装置，通过平均相对熵对采集的头部图像进行人脸识别，得到人脸区域图像，并对人脸区域图像中的面部特征进行识别与检测，从而根据面部特征进行疲劳检测，判断驾驶者是否疲劳驾驶，方法简便，运算量小，能够大大提高人脸识别的检测效率，从而有效提高疲劳驾驶检测的速度。

本发明的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本发明的上述技术即可得知。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施方式，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的疲劳驾驶检测方法的流程图；

图2为本发明实施例提供的疲劳驾驶检测方法的另一个流程图；

图3为本发明实施例提供的疲劳驾驶检测方法的步骤S200的流程图；

图4为本发明实施例提供的疲劳驾驶检测方法的步骤S300的流程图；

图5为本发明实施例提供的疲劳驾驶检测方法的报警系统的原理图；

图6为本发明实施例提供的疲劳驾驶检测装置的原理图；

图7为本发明实施例提供的电子设备的原理图。

图标：10-数据采集模块；20-人脸识别模块；30-疲劳分析模块；40-MCU处理模块；41-GPS定位模块；42-监控器模块；43-制动模块；44-报警模块；50-电子设备；51-通信接口；52-处理器；53-存储器；54-总线。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

疲劳驾驶是指司机在长时间的连续驾驶车辆后，产生生理机能和心理机能的失调，而在客观上出现驾驶技能下降的现象。当司机处于疲劳驾驶时，四肢无力，视力模糊，动作迟缓，反应时间加长等生理现象，导致司机在面对突发情况时无法及时应对而容易发生重大交通安全事故。为防止疲劳驾驶现象，需要对驾驶员是否处于疲劳状态进行检测。

传统的疲劳识别检测方法可以分为接触式和非接触式两大类：接触式通常采用可穿戴设备如手表、眼镜、耳机报警器和触摸式传感器等，直接测量驾驶员的反应时间、心率、血压、握力、呼吸气流、心电图、脑电图和肌电图等生理信号；非接触式采用摄像机、图像识别仪和汽车行为检测方法等非直接接触的设备对驾驶员的驾驶状况进行实时的监控识别。

在通过摄像机或图像识别仪来检测疲劳驾驶的方法中，首先要识别出人脸区域，在根据人脸区域确定是否为疲劳驾驶，所以人脸区域识别是十分重要的一环。

本发明提出一种疲劳驾驶检测方法及装置，可以提高人脸识别的检测效率，进而提升疲劳驾驶的监测效率。

下面结合附图对本实施例进行详细介绍。

参照图1，本实施例提出的疲劳驾驶检测方法，包括步骤：

S100：获取驾驶者驾驶时的头部图像。

具体地，驾驶者坐在汽车驾驶位，将高清CCD相机安装在方向盘中央，通过高清CCD相机持续采集驾驶者的头部图像视频流，长时间的监控驾驶员的驾驶状态。

采用图像捕获卡或者MATLAB软件对头部图像视频流进行分帧获得头部图像，对头部图像进行灰度化、直方图均衡化、腐蚀或膨胀、去噪和平滑等预处理，以去除噪声，增强图像对比度，凸显图像的细节特征，便于后续的人脸识别处理。

本实施例通过面部特征进行疲劳检测，因此，头部图像必然是包含驾驶者面部的图像，即人脸图像。

S200：对头部图像采用平均相对熵进行阈值分割，检测出人脸区域，得到人脸区域图像。

熵是体系混乱程度的度量，信息论中有关熵的定义算式：

在式(1)中，H(x)表示某一随机事件的自信息量，即熵；p_j表示随机

事件x＝j时发生的概率。

在信息理论中，相对熵等价于两个概率分布的信息熵的差值，它用来衡量相关性。对于两个完全相同的函数，相对熵为零；相对熵越大，函数差异越大，反之亦然。

S300：确定人脸区域图像中的面部特征，并根据面部特征判断驾驶者是否为疲劳驾驶。

由于人在疲劳时，会出现打哈欠，闭眼的面部表情变化，因此采集的面部特征是人眼和人嘴。通过将检测出的人脸区域图像再进一步的处理，将人眼和人嘴的两个重要部分进行定位，从而进行这两个人体器官的重点监控和疲劳检测。

根据定位后的人眼和人嘴判断驾驶员是否处于疲劳驾驶状态的原理是，处于疲劳状态下的人眼眨眼次数有所增加，并且会逐渐闭合，而嘴巴会出现多次打哈欠现象，根据眼睛的闭合程度和嘴巴的打哈欠次数就可以检测出司机是否处于疲劳状态，而检测的方法也采用基于灰度信息和图像特征匹配的方法进行检测：通过人眼区域内黑色像素点面积变化的比较来判断睁眼闭眼，通过嘴型轮廓区域的阈值分割变化来判断张嘴与闭嘴。

本实施例通过平均相对熵对采集的头部图像进行人脸识别，得到人脸区域图像，并对人脸区域图像中的面部特征进行识别与检测，从而根据面部特征进行疲劳检测，判断驾驶者是否疲劳驾驶，方法简便，运算量小，能够大大提高人脸识别的检测效率，从而有效提高疲劳驾驶检测的速度。

参照图2，给出了本实施例的更为具体的流程图。经过步骤S10CCD相机获取视频流后，进行步骤S20人脸图像帧预处理，预处理之后，进行步骤S30～S50人脸识别、人眼人嘴定位、人眼人嘴状态判断，根据人眼人嘴状态进行步骤S60判断是否为疲劳驾驶，根据判断结果进行步骤S70报警、定位及制动，即启动报警、进行GPS定位和采取制动措施。上述七个流程中，人脸识别、人眼人嘴定位和疲劳分析是整个系统的重要处理流程。

参照图3，在具体实现时，上述步骤S200可以通过如下步骤实现：

S210：获取头部图像的灰度图像。

整幅人脸的彩色图像包含RGB三个维度的像素点计算，运算量很大。通过将头部图像灰度化，得到灰度图像。灰度图像是每个像素只有一个采样颜色的图像，这类图像通常显示为从最暗的黑色到最亮的白色的灰度，理论上这个采样可以任何颜色的不同深浅，也可以是不同亮度上的不同颜色。这样，采用灰度图像，只需计算一个维度的像素点，计算量大幅减少。

S220：计算灰度图像中不为零的像素值的分布概率。

像素值为零表示是外界环境，分布概率计算算式为：

在式(2)中，i表示像素值，其中，i＝1、2…255；n(i)表示像素值是i的像素点个数，M表示图像灰度化之后整幅图像的像素点个数，p(i)则表示像素值是i的分布概率。

S230：根据分布概率确定灰度图像的分割阈值范围，分割阈值范围包括一个或多个分割阈值，每一个分割阈值对应一个像素值，每一个分割阈值将灰度图像分割为目标区域和背景区域。

对图像进行阈值分割是指利用图像中提取的目标区域与背景区域在灰度特性上的差异，将图像看作不同灰度级的两类区域(例如，目标区域和背景区域)的组合，分割阈值是用于确定图像中每个像素点应该属于目标区域还是背景区域。这一方法适用于目标与背景灰度对比较强，且总可以得到封闭且连同区域的边界。本实施例中，目标区域即人脸的轮廓，背景区域即人脸轮廓外部的背景。人脸的轮廓与背景在灰度特性上存在较强差异，且人脸轮廓是连通且封闭的，完全满足阈值分割的特点。

S240：分别计算每一个分割阈值所分割的目标区域的平均相对熵以及背景区域的平均相对熵之和，得到每一个分割阈值对应的灰度图像的总熵，根据所有总熵中的最大值和分割阈值范围确定最佳分割阈值；最佳分割阈值将灰度图像分割的目标区域为人脸区域。

每一个分割阈值将灰度图像分为目标区域和背景区域，每一个分割阈值分别计算目标区域的平均相对熵和背景区域的平均相对熵，再进行求和，即每一个分割阈值对应一个总熵。在分割阈值范围内，遍历所有的分割阈值，得到所有分割阈值对应的总熵序列，从这一总熵序列中查找最大值，根据这一最大值和分割阈值的范围确定最佳分割阈值。

S250：根据最佳分割阈值从灰度图像中分离人脸区域，根据分离出的人脸区域重建人脸区域图像。

根据最佳分割阈值分离出人脸区域，并重建，分离出的目标图像，就可以得到完整分离出的目标区域的灰度图像，以进行下一步的面部特征检测。需要说明的是，最佳阈值的确定也可以采用最大类间方差法，但是这样将大大增加计算量。

以上，采用平均相对熵法对驾驶者头部图像进行人脸识别，得到最佳边界，并分离出人脸区域。相较于其他的人脸识别方法，或者其他的阈值分割方法，本实施例方法简单，显著的降低了运算量，能够快速的分割出人脸区域图像，加快人脸图像的识别与检测速度。

另外，光照、亮度和表情对人脸的分割有一定影响，特别是晚上行车时。由于，本实施例是采用人脸图像的灰度信息来进行分割，光照、亮度的变化对灰度图像的影响可以忽略不计，因此光照、亮度的变化对于分割结果几乎不产生影响。同样的，表情变化整体来说还是人脸区域内的变化，相对于边界处的灰度信息变化差异较小，也不足于影响到边界的分割。

在一些实施例中，上述步骤S230中的根据分布概率确定灰度图像的分割阈值范围可以通过如下步骤实现：

1)、从小到大依次检索像素不为零的像素值，从中选取分布概率第一次不大于第一阈值时灰度图像的最大像素值st。

在本实施例中第一阈值是0.5，st值即在顺次从小到大依次检索不为零的像素值1、2、…、st时，第一次满足p(st)≤0.5时的最大像素值。

2)、从大到小依次检索像素不为零的像素值，从中选取分布概率第一次不小于第二阈值时灰度图像的最小像素值nd。

同理，在本实施例中第二阈值是0.5，nd值即在顺次从大到小依次检索不为零的像素值255、254、…、nd时，第一次满足p(nd)≥0.5时的最小像素值。

设定分割阈值Th的范围为st<＝Th<nd-1。

通过以上步骤确定分割阈值Th的范围，其中，Th一共有nd-st个数值，也就是得到序列{st，st+1，st+2，…，nd-1}。

在一些实施例中，上述步骤S240可以通过如下步骤实现：

1)、根据每一个Th所分割的目标区域的概率密度函数值计算目标区域的平均相对熵av1，以及根据每一个Th所分割的背景区域的概率密度函数值计算背景区域的平均相对熵av2。

2)、从范围st<＝Th<nd-1中选取一个特定的阈值Th，则阈值所分割的两个图像区域C0，C1，目标区域C0的概率密度函数值为：背景区域C1的概率密度函数值为：其中，表示目标区域像素的累计概率，表示背景区域像素的累计概率，P₀(st)和P₁(nd)之和为1。

根据(1)式，得到：

在式(3)中av1表示很有可能相对于背景是目标轮廓区域的像素点的概率熵，即目标区域的信息量；同理，在式(4)表示表示很有可能相对于目标是背景区域边界的像素点的概率熵，即背景区域信息量。因为两者的含义关系是互补的。

3)、计算每一个分割阈值所对应的灰度图像的总熵E，其中：

E＝av1+av2 (5)。

上述步骤S230中确定了分割阈值Th的范围，从范围中选取一个初始阈值，一般为Th范围的中间值。从初始阈值开始，计算每一个分割阈值对应的av1、av2，得到每一个分割阈值对应的av1、av2之和E。E代表的含义则是，很有可能是目标轮廓与背景边界的分界线处的像素点的概率信息量。其值越大则表明此信息量越大，也就是最有可能确定该处为人脸与背景区域的分界线。人脸与背景的分割处像素值变化较大为高频分量，而背景区域的像素值变化不大为低频分量求它的最大值就可以确定出最佳的阈值分割点，从而可以准确的分离出目标区域(人脸)。因此，需要从得到E中找到最大值，即Emax。

根据如下算式计算最佳阈值分割点th：

th＝st+Emax-a (6)；

其中，a为修正值，Emax为所有总熵中的最大值。

在式(6)中，th是一个像素点值，st的含义表示是背景部分逐渐向目标的转变，加上Emax也就更靠近边界线处。a为人工修正值，在本实施例中，a为1。在E取得最大值后计算出的th值，此值也就是阈值分割方法中所确定下的最佳分割点，将人脸与背景分割出来的效果也就是最好的。

基于平均相对熵原理，本实施例还从分割阈值范围确定、最佳分割阈值确定方面进行了改进。通常，在通过像素值对图像进行分割时，通常的分割阈值是随意选取的，其分割的结果可能不是最好的。通过平均相对熵，计算相对于背景是目标区域的相对熵和相对于目标是背景区域边界的相对熵，两者相加得到最有可能是目标与背景的边界处的熵值(信息量)，初始分割阈值st加上边界熵，再减去修正值a也就得到最佳分割阈值。另外，通常设置的最佳阈值范围，是从图像的像素最小值到最大值，这无疑增大了计算量。本实施例通过对像素值的概率分布进行分析，确定了像素值的分割阈值范围，在一个较小的范围内遍历所有的像素值来对图像进行分割，大大的减小了计算量。

在一些实施例中，上述步骤S300可以通过如下步骤实现：

1)、获取人脸区域图像的灰度直方图。

具体地，人脸区域图像是经过步骤S200进行人脸识别后得到的图像，对这一图像进行处理，得到图像的灰度直方图。灰度直方图是将所有像素，按照灰度值的大小，统计其出现的频率，因此灰度直方图是关于灰度级分布的函数，表示图像中具有某种灰度级的像素的个数，是对图像中灰度级分布的统计。

2)、根据灰度直方图的波峰和波谷定位人眼的位置。

具体地，根据眼睛区域对周围区域的灰度值较低和变化率较大的特点定位出人眼的位置。图像分割的一种重要途径是通过边缘检测，即检测灰度级或者结构具有突变的地方，表明一个区域的终结，也是另一个区域开始的地方。这种不连续性称为边缘。不同的图像灰度不同，边界处一般有明显的边缘，利用此特征可以分割图像。图像中边缘处像素的灰度值不连续，这种不连续性可通过求导数来检测到。对于阶跃状边缘，其位置对应一阶导数的极值点，对应二阶导数的过零点(零交叉点)。采用基于眼睛灰度信息的定位方法进行区域分割的重要思想就是边界处的灰度值变化明显，基于此，将人眼区域的大致区域阈值化处理，再进行直方图分析，根据直方图的波峰波谷来精确定位人眼的位置。

人眼的定位还可以采用霍夫变换法和机器学习法等，霍夫变换法是指通过检测人脸的圆形区域来定位瞳孔的位置。机器学习法需要首先根据五官的位置分布，粗定位眼睛和嘴部的大致区域，然后将眼睛检测的区域进行缩小，再通过样本进行训练，最后通过训练后的分类器进行定位。

3)、根据人眼中黑色像素点的面积变化判断人眼状态，其中，人眼状态包括睁眼状态或闭眼状态，睁眼状态黑色像素点的面积大于闭眼状态黑色像素点的面积；

4)、根据人眼状态计算眨眼频率；

5)、如果眨眼频率大于第三阈值，确定驾驶者为疲劳驾驶。

具体地，根据上一步骤定位出人眼，根据人眼中黑色像素点的面积变化判断人眼是睁眼状态还是闭眼状态，再通过闭眼帧在连续的N帧之内所占的时间比例来计算眨眼频率，当眨眼频率大于第三阈值时，判定驾驶者为疲劳驾驶。本实施例中，衡量疲劳驾驶的判断方法参照图4。

原则上，眨眼频率表示单位时间内眨眼的次数。优选地，本实施例通过闭眼帧在连续的N帧之内所占的时间比例衡量眨眼频率。即本实施例对人眼疲劳程度判断采用公认的科学有效的疲劳程度评价指标-PERCOLS作为本系统的疲劳分析指标，通过闭眼帧在连续的N帧之内所占的时间比例来衡量疲劳状态，当这个比例超过0.4时即可以认定驾驶者可能处于疲劳驾驶状态。如果此值超过0.7则可以明确断定驾驶者处于疲劳状态，并且处于比较危险的疲劳驾驶状态。

另外，嘴巴打哈欠次数的检测可以通过如下步骤实现：

1)、在人脸区域图像中定位人嘴的轮廓。

人嘴的定位是采用模式识别中的线性分类器或灰度信息进行区域分割，再进行特征的提取与识别，从而精确的定位人嘴的位置。线性分类器是根据符合和唇色的不同进行图像发呢个，再根据线性分类器找到肤色和唇色的最佳投影方向，再根据线性分类器分割出嘴唇。通过灰度信息进行区域分割的原理，即上文提到的边缘检测。

2)、根据人嘴的轮廓判断人嘴状态，人嘴状态包括打哈欠状态和闭嘴状态，打哈欠状态的轮廓面积大于闭嘴状态的轮廓面积。

具体地，根据上一步骤定位出的人嘴的轮廓，根据人嘴轮廓的面积变化判断人嘴是处于打哈欠状态还是闭嘴状态。

3)、根据人嘴状态计算打哈欠频率；

4)、如果打哈欠频率大于第四阈值，确定驾驶者为疲劳驾驶。

具体地，统计单位时间内人嘴处于打哈欠状态的次数，即打哈欠频率，如果打哈欠频率大于第四阈值，则判定驾驶者处于疲劳驾驶状态。优选地，参照图4，第四阈值为3次。

需要说明的是，本实施例采用人眼和人嘴的双重判断指标，来判断驾驶者是否处于疲劳驾驶。具体实施时，原则上，可以只采用一个判断指标进行判断。一般而言，采用其中一个指标进行判断时，以眼睛的闭合程度为准，也就是以人眼定位检测出的眼部疲劳状态为佳，嘴巴的打哈欠次数和张开程度情况作为辅助判断的补充。一般而言严重的疲劳驾驶是指眼睛已经闭合下的驾驶汽车，此时是最容易出现交通事故的，而偶尔打哈欠也只是一般疲劳的表现，所以嘴巴的动作是作为一个辅助的判断准则进行补充的。这两者可以设定一个权重来进行合理设计的，比如眼睛闭合和眨眼次数占的权重为80％，打哈欠次数占权重20％，两者综合来判断，但是优先考虑出现眼睛闭合和眨眼次数增加现象时，可以初步判断出现疲劳驾驶，进一步根据疲劳程度评价指标-PERCOLS和打哈欠次数来准确判断。而先出现轻微打哈欠但是还没有出现闭眼现象，则还不能就此判断是疲劳驾驶，需要进一步确定。

通过采用目前公认科学有效的PERCOLS疲劳程度评价指标，并结合嘴巴打哈欠次数显著增加来表明司机精神状态不佳来综合判断分析，两种情况结合起来综合判断，进一步增强了疲劳判断的准确性和高效性。

在具体实现时，步骤S300之后还包括如下步骤：

1)、当判定驾驶者处于疲劳状态时，进行灯光报警、语音报警、发送GPS定位信息、控制车辆制动。

具体地，上述报警方法会给出强烈的灯光、语音提示，控制GPS定位模块进行车辆定位，甚至采取强制措施控制点火开关关闭以进行紧急制动，从而控制车辆停止行驶。

具体地，可参照图5进行制作报警系统，报警系统包括MCU处理模块40、监控器模块42、GPS定位模块41、制动模块43和报警模块44，监控器模块42、GPS定位模块41、制动模块43和报警模块44均与MCU处理模块40相连。其中，监控器模块42用于获取驾驶者的头部视频流图像，MCU处理模块40采用上述方法进行预处理、人脸识别、人眼和人嘴定位、疲劳判断后，根据判断的结果进行GPS定位、报警和制动。

当驾驶者处于疲劳状态时，红色指示灯亮起进行灯光提示，并且伴随着急促的语音播报提示，提醒司机注意交通安全，及时采取应对措施停止疲劳驾驶；当系统检测到司机处于无疲劳驾驶时，绿色指示灯亮起并且伴随着轻柔的语音播报提示，提醒司机遵守交通法规，平安驾驶。

GPS定位模块是在车辆本身GPS导航系统上增加移动通信卡，移动通信卡可以联网发送短信和拨打电话，并与交通中心的交通安全管理网络相连，可以向交通网络中心实时快速的反馈车辆的信息，便于及时发现疲劳驾驶等状况，从而派出交警前去处理。这样可以有效的节约警力，智能化的进行道路交通安全监管处理。

系统发现驾驶员处于疲劳驾驶状态，并且在灯光提示、语音播报后，驾驶员还没有进行相应的改正或应对措施的情况下，采取在控制车辆制动的措施，通过控制点火开关关闭，迫使机动车无法连引擎而停止，从而可以有效的保证驾驶员的生命安全，减少重大交通事故的发生。

通过这些措施增强人文关怀的同时提高适用性，保证驾驶者的生命安全和减少交通事故的发生。

本实施例采用基于机器视觉技术进行防疲劳状态监测，充分利用了该技术速度快、信息量大和准确性高的特点，很好的应用到防疲劳驾驶领域。进行人脸区域的识别采用基于平均相对熵的阈值分割方法，大大降低了运算量；对人脸图像中的人眼和人嘴的疲劳检测，采用基于灰度信息的方法进行直方图分析，根据眨眼次数和眼睛闭合程度，以及打哈欠次数和嘴巴张开程度来双重分析司机是否处于疲劳状态；疲劳分析采用目前公认科学有效的PERCOLS疲劳程度评价指标，并且结合嘴巴的打哈欠次数，两者共同作为评价指标，有效的提高了判断的准确性；还具有GPS定位、安全报警和紧急制动功能，可以及时提醒司机注意交通安全，预防疲劳驾驶；联网反馈车辆的驾驶状态信息给交通安全管理网，便于定位与追踪；处于危险的疲劳驾驶状况下，可以强行停止车辆保证司机和乘客的安全。

本实施例具有如下优点：采用非接触式的疲劳检测方法，可以减少因穿戴检测设备带来的不便和约束，不会对驾驶员造成身体负担和心理影响，更加人性化；采用更为先进的机器视觉技术，综合图像处理，人脸识别，区域检测和疲劳分析等多种手段，速度快、信息量大和效率高，更加准确的预防疲劳驾驶；基于平均相对熵值的人脸区域阈值分割方法，可以针对人脸区域轮廓进行重点区域的分割，更加简单快速的分割出人脸，便于后续的人眼和人嘴部位的定位和疲劳分析；具有GPS定位、安全报警和紧急制动功能，多重措施提醒和规范司机安全驾驶，有效预防疲劳驾驶，同时节约大量警力和查处疲劳驾驶的成本投入，保障了司机的生命财产安全。

参照图6，本实施例提供的一种疲劳驾驶检测装置，包括数据采集模块10、人脸识别模块20和疲劳分析模块30；

数据采集模块10用于获取驾驶者驾驶时的头部图像；

人脸识别模块20用于对头部图像采用平均相对熵进行阈值分割，检测出人脸区域，得到人脸区域图像；

疲劳分析模块30用于确定人脸区域图像中的面部特征，并根据面部特征判断驾驶者是否为疲劳驾驶。

进一步地，人脸识别模块20包括预处理模块、分布概率计算模块、分割阈值范围确定模块、最佳阈值确定模块和人脸分割模块；

预处理模块用于获取头部图像的灰度图像；

分布概率计算模块用于计算灰度图像中不为零的像素值的分布概率；

分割阈值范围确定模块用于根据分布概率确定灰度图像的分割阈值范围，分割阈值范围包括一个或多个分割阈值，每一个分割阈值对应一个像素值，每一个分割阈值将灰度图像分割为目标区域和背景区域；

最佳阈值确定模块用于分别计算每一个分割阈值所分割的目标区域的平均相对熵以及背景区域的平均相对熵之和，得到每一个分割阈值对应的灰度图像的总熵，根据所有总熵中的最大值和分割阈值范围确定最佳分割阈值；最佳分割阈值将灰度图像分割的目标区域为人脸区域；

人脸分割模块用于从灰度图像中分离人脸区域，根据分离出的人脸区域重建人脸区域图像。

进一步地，分割阈值范围确定模块包括最大像素值模块、最小像素值模块和范围确定模块；

最大像素值模块用于从小到大依次检索像素不为零的像素值，从中选取分布概率第一次不大于第一阈值时灰度图像的最大像素值st；

最小像素值模块用于从大到小依次检索像素不为零的像素值，从中选取分布概率第一次不小于第二阈值时灰度图像的最小像素值nd；

范围确定模块用于设定分割阈值Th的范围为st<＝Th<nd-1。

进一步地，最佳阈值确定模块包括概率密度函数值模块、平均相对熵模块、总熵模块和阈值确定模块；

概率密度函数值模块用于根据分布概率计算设定的阈值范围st<＝Th<nd-1内每一个Th所分割的目标区域的概率密度函数值以及背景区域的概率密度函数值；

平均相对熵模块用于根据每一个Th所分割的目标区域的概率密度函数值计算目标区域的平均相对熵av1，以及根据每一个Th所分割的背景区域的概率密度函数值计算背景区域的平均相对熵av2；

总熵模块用于计算每一个分割阈值所对应的灰度图像的总熵E，其中：

E＝av1+av2 (7)；

阈值确定模块用于根据如下算式计算最佳阈值分割点th：

th＝st+Emax-a (8)；

其中，a为修正值，Emax为所有总熵中的最大值。

进一步地，疲劳分析模块30包括灰度直方图模块、人眼定位模块、人眼状态模块、眨眼频率模块和第一疲劳判断模块；

灰度直方图模块用于获取人脸区域图像的灰度直方图；

人眼定位模块用于根据灰度直方图的波峰和波谷定位人眼的位置；

人眼状态模块用于根据人眼中黑色像素点的面积变化判断人眼状态，其中，人眼状态包括睁眼状态或闭眼状态，睁眼状态黑色像素点的面积大于闭眼状态黑色像素点的面积；

眨眼频率模块用于根据人眼状态计算眨眼频率；

第一疲劳判断模块用于如果眨眼频率大于第三阈值，确定驾驶者为疲劳驾驶。

进一步地，疲劳分析模块30还包括人嘴定位模块、人嘴状态模块、打哈欠频率模块和第二疲劳判断模块：

人嘴定位模块用于在人脸区域图像中的定位人嘴的轮廓；

人嘴状态模块用于根据人嘴的轮廓判断人嘴状态，人嘴状态包括打哈欠状态和闭嘴状态，打哈欠状态的轮廓面积大于闭嘴状态的轮廓面积；

打哈欠频率模块用于根据人嘴状态计算打哈欠频率；

第二疲劳判断模块用于如果打哈欠频率大于第四阈值，确定驾驶者为疲劳驾驶。

参照图7，本实施例提供一种电子设备，本发明实施例还提供了一种电子设备50，包括总线54、通信接口51、存储器53以及处理器52，处理器52、通信接口51和存储器53通过总线54连接；上述存储器53用于存储支持处理器52执行上述方法的计算机程序，上述处理器52被配置为用于执行该存储器53中存储的程序。

进一步地，本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器执行如上述的方法。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种疲劳驾驶检测方法，其特征在于，包括步骤：

获取驾驶者驾驶时的头部图像；

对所述头部图像采用平均相对熵进行阈值分割，检测出人脸区域，得到人脸区域图像；

确定所述人脸区域图像中的面部特征，并根据所述面部特征判断所述驾驶者是否为疲劳驾驶。

2.根据权利要求1所述的疲劳驾驶检测方法，其特征在于，对所述头部图像采用平均相对熵进行阈值分割，检测出人脸区域，得到人脸区域图像的步骤包括：

获取所述头部图像的灰度图像；

计算所述灰度图像中不为零的像素值的分布概率；

根据所述分布概率确定灰度图像的分割阈值范围，所述分割阈值范围包括一个或多个分割阈值，每一个分割阈值对应一个像素值，每一个分割阈值将所述灰度图像分割为目标区域和背景区域；

分别计算所述每一个分割阈值所分割的目标区域的平均相对熵以及背景区域的平均相对熵之和，得到每一个分割阈值对应的所述灰度图像的总熵，根据所有总熵中的最大值和所述分割阈值范围确定最佳分割阈值；所述最佳分割阈值将所述灰度图像分割的目标区域为人脸区域；

根据所述最佳分割阈值从所述灰度图像中分离所述人脸区域，根据分离出的人脸区域重建人脸区域图像。

3.根据权利要求2所述的疲劳驾驶检测方法，其特征在于，根据所述分布概率确定灰度图像的分割阈值范围的步骤包括：

从小到大依次检索像素不为零的像素值，从中选取分布概率第一次不大于第一阈值时所述灰度图像的最大像素值st；

从大到小依次检索像素不为零的像素值，从中选取分布概率第一次不小于第二阈值时所述灰度图像的最小像素值nd；

设定分割阈值Th的范围为st<＝Th<nd-1。

4.根据权利要求3所述的疲劳驾驶检测方法，其特征在于，分别计算所述每一个分割阈值所分割的目标区域的平均相对熵以及背景区域的平均相对熵之和，得到每一个分割阈值对应的所述灰度图像的总熵，根据所有总熵中的最大值和所述分割阈值范围确定最佳分割阈值的步骤包括：

根据所述分布概率计算设定的阈值范围st<＝Th<nd-1内每一个Th所分割的目标区域的概率密度函数值以及背景区域的概率密度函数值；

根据所述每一个Th所分割的目标区域的概率密度函数值计算目标区域的平均相对熵av1，以及根据所述每一个Th所分割的背景区域的概率密度函数值计算背景区域的平均相对熵av2；

计算每一个分割阈值所对应的灰度图像的总熵E，其中，E＝av1+av2；

根据下述算式计算最佳阈值分割点th：

th＝st+Emax-a；

其中，a为修正值，Emax为所有总熵中的最大值。

5.根据权利要求1所述的疲劳驾驶检测方法，其特征在于，确定所述人脸区域图像中的面部特征，并根据所述面部特征判断所述驾驶者是否为疲劳驾驶的步骤包括：

获取所述人脸区域图像的灰度直方图；

根据所述灰度直方图的波峰和波谷定位人眼的位置；

根据人眼中黑色像素点的面积变化判断人眼状态，其中，所述人眼状态包括睁眼状态或闭眼状态，睁眼状态黑色像素点的面积大于闭眼状态黑色像素点的面积；

根据所述人眼状态计算眨眼频率；

如果所述眨眼频率大于第三阈值，确定所述驾驶者为疲劳驾驶。

6.根据权利要求1或5所述的疲劳驾驶检测方法，其特征在于，确定所述人脸区域图像中的面部特征，并根据所述面部特征判断所述驾驶者是否为疲劳驾驶的步骤还包括：

在所述人脸区域图像中的定位人嘴的轮廓；

根据所述人嘴的轮廓判断人嘴状态，所述人嘴状态包括打哈欠状态和闭嘴状态，所述打哈欠状态的轮廓面积大于所述闭嘴状态的轮廓面积；

根据所述人嘴状态计算打哈欠频率；

如果所述打哈欠频率大于第四阈值，确定所述驾驶者为疲劳驾驶。

7.一种疲劳驾驶检测装置，其特征在于，包括数据采集模块、人脸识别模块和疲劳分析模块；

所述数据采集模块用于获取驾驶者驾驶时的头部图像；

所述人脸识别模块用于对所述头部图像采用平均相对熵进行阈值分割，检测出人脸区域，得到人脸区域图像；

所述疲劳分析模块用于确定所述人脸区域图像中的面部特征，并根据所述面部特征判断所述驾驶者是否为疲劳驾驶。

8.根据权利要求7所述的疲劳驾驶检测装置，其特征在于，所述人脸识别模块包括预处理模块、分布概率计算模块、分割阈值范围确定模块、最佳阈值确定模块和人脸分割模块；

所述预处理模块用于获取所述头部图像的灰度图像；

所述分布概率计算模块用于计算所述灰度图像中不为零的像素值的分布概率；

所述分割阈值范围确定模块用于根据所述分布概率确定灰度图像的分割阈值范围，所述分割阈值范围包括一个或多个分割阈值，每一个分割阈值对应一个像素值，每一个分割阈值将所述灰度图像分割为目标区域和背景区域；

所述最佳阈值确定模块用于分别计算所述每一个分割阈值所分割的目标区域的平均相对熵以及背景区域的平均相对熵之和，得到每一个分割阈值对应的所述灰度图像的总熵，根据所有总熵中的最大值和所述分割阈值范围确定最佳分割阈值；所述最佳分割阈值将所述灰度图像分割的目标区域为人脸区域；

所述人脸分割模块用于从所述灰度图像中分离所述人脸区域，根据分离出的人脸区域重建人脸区域图像。

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至6任一项所述的方法的步骤。

10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1-6任一所述方法。