CN116665190A - 一种基于人脸识别的驾驶员疲劳程度判断方法及系统 - Google Patents

Abstract

一种基于人脸识别的驾驶员疲劳程度判断方法及系统，其方法包括：采集驾驶员的数据图像，将获取的图像进行图像预处理，得到预处理图像；采用回归树级联网络估计预处理图像中的人脸特征点位置；根据特征点位置，划分特征区域，对特征区域进行状态识别；根据状态识别的结果，判断驾驶员的疲劳程度；本申请通过深度学习的方法对驾驶员的人脸图像进行实时的采集和识别，可以及时判断驾驶员是否处于疲劳驾驶状态，以便及时提醒或采取相应措施，避免驾驶员由于疲劳驾驶，导致交通事故的发生。

Description

一种基于人脸识别的驾驶员疲劳程度判断方法及系统

技术领域

本发明涉及人脸识别技术领域，特别涉及一种基于人脸识别的驾驶员疲劳程度判断方法及系统。

背景技术

随着交通运输业的快速发展，道路交通事故发生的频率也越来越高，其中，疲劳驾驶是导致交通事故的一个重要原因，因为疲劳驾驶导致的交通事故，给国家造成了巨大的经济损失和人员伤亡，因此，针对疲劳驾驶的预防和监测方面的技术也越来越多，传统的方法一般是在汽车行驶了较长时间后，提醒驾驶员休息，但是这种方法效果较差，对于驾驶员的实时状态，不能进行有效的识别；而一般的人脸识别方法，通过识别驾驶员的人脸特征，来进行驾驶员的脸部疲劳程度判断，但是在实际的应用中，其判断结果往往容易出现偏差，效果不是很理想。

机器学习，作为一门多领域交叉学科，涉及概率论与统计学等多门理论学科，具体研究计算机模拟或实现人类的学习行为，以获取新的知识和技能，重新组织自身的知识结构，是人工智能发展的基础与核心，目前机器学习发展已逐渐趋于成熟，可用于多个领域，包括但不限于数据分析于挖掘、模式识别等，在如今时代各行业对数据分析需求的持续增加，通过机器学习高效地获取知识，已逐渐成为当今机器学习技术发展的主要推动力，若能将机器学习与人脸识别技术结合，将会大大提高传统人脸识别技术的准确性，减少疲劳驾驶带来的风险。

因此，如何提供一种基于深度学习和人脸识别的疲劳程度判断方法，是本领域技术人员亟待解决的问题。

发明内容

本申请实施例提供了一种基于人脸识别的驾驶员疲劳程度判断方法及系统，旨在解决现有疲劳驾驶判断方法不够准确的问题。

第一方面，本申请提供了一种基于人脸识别的驾驶员疲劳程度判断方法，包括：

采集驾驶员的数据图像，将获取的图像进行图像预处理，得到预处理图像；

采用回归树级联网络估计预处理图像中的人脸特征点位置；

根据特征点位置，划分特征区域，对特征区域进行状态识别；

根据状态识别的结果，判断驾驶员的疲劳程度。

第二方面，本申请还提供了一种基于人脸识别的驾驶员疲劳程度判断系统，该系统包括：

图像采集和预处理模块，用于采集驾驶员的数据图像，将获取的图像进行图像预处理，得到预处理图像；

特征点估计模块，用于采用回归树级联网络估计预处理图像中的人脸特征点位置；

状态识别模块，用于根据特征点位置，划分特征区域，对特征区域进行状态识别；

疲劳程度判断模块，用于根据状态识别的结果，判断驾驶员的疲劳程度。

第三方面，本申请还提供了一种计算机设备，其包括存储器、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，实现上述第一方面所述的一种基于人脸识别的驾驶员疲劳程度判断方法。

第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器执行上述第一方面所述的一种基于人脸识别的驾驶员疲劳程度判断方法。

本申请提出的一种基于人脸识别的驾驶员疲劳程度判断方法及系统，通过深度学习的方法对驾驶员的人脸图像进行实时的采集和识别，可以及时判断驾驶员是否处于疲劳驾驶状态，以便及时提醒或采取相应措施，避免驾驶员由于疲劳驾驶，导致交通事故的发生。

附图说明

为了更清楚的说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见的，下面的描述中的附图是本申请的一些实施例，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附图。

图1为本申请实施例提供的一种基于人脸识别的驾驶员疲劳程度判断方法流程图；

图2为本申请实施例提供的驾驶员疲劳程度评价标准图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。

参见图1实施例所示一种基于人脸识别的驾驶员疲劳程度判断方法流程图，包括：

S101、采集驾驶员的脸部图像，将获取的脸部图像进行图像预处理，得到预处理图像。

利用汽车上安装的红外摄像头采集驾驶员的脸部图像，可每经过10秒抓拍一张图像。

在一实施例中，将获取的图像进行图像预处理，包括：

将获取的图像进行图像预处理，采用回归树级联网络进行脸部识别，若无法识别脸部，则重新采集驾驶员的脸部图像。

预处理包括对图像进行灰度化以及直方图均衡化处理，以避免其它客观因素导致对结果的误判。

S102、采用回归树级联网络估计预处理图像中的人脸特征点位置。

基于回归树级联网络的算法直接从数据图像像素矩阵子集中估计人脸特征点位置，对驾驶员面部关键点进行高精度的检测。

S103、根据特征点位置，划分特征区域，对特征区域进行状态识别。

得到特征点位置后，对驾驶员脸部的关键疲劳特征区域进行定位提取后，采用基于深度学习的方法对提取的眼睛和嘴巴区域的状态进识别。

提取驾驶员关键多个脸部关键疲劳部位特征后，对眼睛和嘴巴状态的深层特征进行非线性特征级融合，以便于后续对驾驶员的疲劳状态进行判定。

在一实施例中，对特征区域进行状态识别之前，包括：

加载已有的人脸特征头像库，创建并训练已有的人脸识别头像库。

通过将特征区域与头像库中的头像进行特征匹配，从而得到识别结果。

S104、根据状态识别的结果，判断驾驶员的疲劳程度。

参见图2实施例所示的驾驶员疲劳程度评价标准图；

建立驾驶员困倦状态评价模型，分别以0，1，2代表疲劳状态的三个等级，即清醒、中度疲劳和重度疲劳，根据评价标准确定驾驶员的疲劳程度。

收集三种疲劳状态的驾驶员数据图像，将该数据图像进行相关预处理并提取关键部位特征并融合后，以适当的比例将该数据分为训练集与测试集，将训练集输入到多分类SVM分类器中进行训练。

然后将测试集输入到评价模型中进行预测，若预测准确率较高，说明该模型可用于对驾驶员进行疲劳状态的判定。

以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。

Claims (8)

1.一种基于人脸识别的驾驶员疲劳程度判断方法，其特征在于，包括：

采集驾驶员的数据图像，将获取的图像进行图像预处理，得到预处理图像；

采用回归树级联网络估计预处理图像中的人脸特征点位置；

根据特征点位置，划分特征区域，对特征区域进行状态识别；

根据状态识别的结果，判断驾驶员的疲劳程度。

2.如权利要求1所述的一种基于人脸识别的驾驶员疲劳程度判断方法，其特征在于，所述采集驾驶员的数据图像，包括：

利用汽车上安装的红外摄像头采集驾驶员的脸部图像。

3.如权利要求1所述的一种基于人脸识别的驾驶员疲劳程度判断方法，其特征在于，所述将获取的图像进行图像预处理，包括：

将获取的图像进行图像预处理，采用回归树级联网络进行脸部识别，若无法识别脸部，则重新采集驾驶员的脸部图像。

4.如权利要求1所述的一种基于人脸识别的驾驶员疲劳程度判断方法，其特征在于，所述根据特征点位置，划分特征区域，对特征区域进行状态识别，包括：

根据特征点位置，划分驾驶员脸部的关键疲劳特征区域，进行定位提取，然后采用基于深度学习的方法对提取的眼睛和嘴巴区域的状态进行识别。

5.如权利要求4所述的一种基于人脸识别的驾驶员疲劳程度判断方法，其特征在于，所述对特征区域进行状态识别，包括：

对眼睛和嘴巴状态的深层特征进行非线性特征级融合，根据非线性特征级融合的结果，对驾驶员的疲劳状态进行判定。

6.一种基于人脸识别的驾驶员疲劳程度判断装置，其特征在于，包括：

图像采集和预处理模块，用于采集驾驶员的数据图像，将获取的图像进行图像预处理，得到预处理图像；

特征点估计模块，用于采用回归树级联网络估计预处理图像中的人脸特征点位置；

状态识别模块，用于根据特征点位置，划分特征区域，对特征区域进行状态识别；

疲劳程度判断模块，用于根据状态识别的结果，判断驾驶员的疲劳程度。

7.一种计算机设备，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，实现如权利要求1-5中任一项所述的一种基于人脸识别的驾驶员疲劳程度判断方法。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器执行如权利要求1-5中任一项所述的一种基于人脸识别的驾驶员疲劳程度判断方法。