CN205177093U - 一种基于Android智能手机的安全行车系统 - Google Patents

Abstract

本实用新型公开了一种基于Android智能手机的安全行车系统，包括Android智能手机（1）、智能手环（2）；Android智能手机（1）包含前置和后置两个摄像头、GPS模块，智能手环（2）通过无线通信方式与Android智能手机（1）相连接。本实用新型结合驾驶员的疲劳状态与实时路况信息制定预警措施，使预警措施更为精准和有效，为行车安全提供更为可靠的保障。

Description

一种基于Android智能手机的安全行车系统

技术领域

本实用新型涉及一种汽车安全行车辅助工具，具体为一种基于Android智能手机的安全行车系统。

背景技术

近年来，随着公路交通的发展，交通事故呈现日益增多的趋势，并已经成为世界各国面临的严重社会问题之一。根据世界卫生组织发布的《世界预防道路伤害报告》预测，到2030年由于道路交通事故所引发的人员伤亡将成为人类死亡的主要原因之一，而疲劳驾驶则将成为导致交通事故的最主要因素之一。根据有关部门数据，超过半数以上的交通事故与驾驶员疲劳驾驶有关，而由于驾驶员疲劳导致的事故在所有的交通事故中占20%，在重大交通事故中约占40%甚至更多。因此，研制一种能够对驾驶员疲劳状态进行实时跟踪、监测，并在发生疲劳驾驶初期及时发出提醒和警告的安全行车系统是相当必要的。

现有的疲劳检测方案主要有三类。第一类方法为基于驾驶员生理参数的检测方法，该方法主要通过监测驾驶员在行车过程中脑电信号、心电信号或肌电信号等生理信号的变化，以此来监控驾驶员的疲劳情况。该方法对疲劳的判断准确性较高，但是大部分生理信号的获取需要在人体中额外加入传感器来采集信号，容易引起驾驶员的不适，对个人的依赖程度较大，因此不太适合应用于驾驶员疲劳驾驶检测的实际应用。

第二类方法为基于车辆行为特征的检测方法。该类方法主要通过视觉传感器、速度传感器、方向盘转动角度传感器监控测量的行驶路线，分析判断

驾驶员是否分心、瞌睡等精神状态。此方案因为要获取车辆的行驶数据，所以要与汽车系统进行某种程度的集成，较难在独立的设备上实现。

第三类方法为基于驾驶员生理反应特征的疲劳检测方法，其主要是通过检测身体某些部位，如头部、眼部、嘴部的生理特征变化规律来对驾驶员的疲劳状态进行判断。通过与机器视觉技术结合，使得基于驾驶员生理反应参数的检测方法具有非接触的优点。另外，其准确性好、参数变化一致等特点也使得该方法具有较好的实际应用价值。PERCLOS（PercentEyelidClosureoverthePupilTime）是一种常用的基于驾驶员生理反应特征的疲劳检测方法，该方法根据眼睛闭合时间占特定时间的百分率来对疲劳程度进行判断，目前，该方法被认为是判断疲劳驾驶最有效的评估参数。

当前，由于疲劳表征因人而异，故基于PRCLOS方法的疲劳驾驶预警系统仍然存在评价阈值难以确定，且无法准确判断进入疲劳驾驶状态的时刻的缺点。

另外，现有疲劳驾驶预警系统将驾驶员疲劳程度与预警程度直接对应，而实际行车场景预警等级并不仅仅与疲劳程度有关，因此单纯的以疲劳程度确定预警等级难以对驾驶员进行精确、有效的指导

如今，Android智能手机被由于广泛应用，且大多都集成了摄像头、加速度传感器和重力传感器，同时具有至少1Ghz的CPU和512MB的内存，此类硬件条件足以满足在智能手机上运行一个安全行车系统。基于Android智能手机的安全行车系统将有效地解决当前疲劳驾驶预警系统因价格昂贵、安装不便而不能很好普及的缺点。

发明内容

本实用新型的目的是提供一种基于Android智能手机的安全行车系统，解决了疲劳驾驶引发的交通事故日益严重，而当前疲劳驾驶预警系统由于价格昂贵、安装不便而不能很好普及，且疲劳评价阈值难以确定，疲劳程度和预警等级尚未客观量化，预警措施单一且不够精准的问题。

一种基于Android智能手机的安全行车系统，包括：Android智能手机、智能手环、驾驶员疲劳状态监测模块、实时路况分析模块和预警模块。Android智能手机包含前置和后置两个摄像头、GPS模块，智能手环通过无线通信方式与Android智能手机相连接，驾驶员疲劳状态监测模块、实时路况分析模块和预警模块安装在Android智能手机上，预警模块由Android智能手机和智能手环协同构成。

一种基于Android智能手机的安全行车系统，所述的驾驶员疲劳状态监测模块包括驾驶员面部图像采集、人脸检测、人脸跟踪、人眼定位、疲劳识别、疲劳预测和疲劳等级划分7个部分。其中，驾驶员面部图像采集由Android智能手机的前置摄像头实现，人脸检测与人眼定位通过基于Haar-Like特征、LBP特征的Adaboost算法实现，人脸跟踪采用Kalman滤波器实现，疲劳识别是通过瞳孔开度与眼睛大小的百分比、上眼睑曲度综合判断眼睛闭合状态，基于PERCLOS指标，判断驾驶员疲劳状态，并且根据不同的驾驶员系统自适应的调整疲劳阈值。

一种基于Android智能手机的安全行车系统，所述的实时路况分析模块包括当前行车场景、行人、车辆及路障信息图像采集、行车场景图像分析和当前行车道路信息、道路等级、拥挤程度获取3个部分。其中，当前行车场景图像采集由Android智能手机的后置摄像头实现，当前行车道路信息获取通过Android智能手机上的GPS模块配合导航软件实现，当前行车场景图像与当前行车道路信息构成实时路况。

一种基于Android智能手机的安全行车系统，所述的预警模块包含预警等级划分和预警干预2个部分。其中，预警等级划分是综合驾驶员疲劳状态监测模块中疲劳预测的结果与实时路况分析模块的结果对驾驶员所处的驾驶环境的安全情况进行评估，然后根据安全情况将预警等级划分为无预警、轻度预警、中度预警和深度预警。预警干预是根据预警等级通过Android智能手机和智能手环来实现不同程度的干预措施，以提醒驾驶员注意休息，从而防止疲劳驾驶。

本实用新型的有益效果：

1、使用Android智能手机作为安全行车系统的载体，降低了系统的成本，增加了系统的灵活性；

2、使用智能手环作为预警干预措施的一部分，使用智能手环振动功能来作为预警手段，提高了疲劳预警的有效性；

3、针对不同驾驶员、不同驾驶环境，采用自适应算法确定疲劳阈值，提高系统了系统的普适性；

4、提前预测驾驶员的疲劳状态，根据预测情况对驾驶员做出预警，使潜在的危险防患于未然，提高系统的可靠性；

5、综合驾驶员疲劳预测结果和实时路况对驾驶员所处的驾驶环境的安全情况进行评估，并根据安全情况将预警等级进行划分，将疲劳等级与预警等级区分开来，有利于预警措施的精准干预。

附图说明

图1为根据本实用新型的基于Android智能手机的安全行车系统的的结构示意图。

附图标记：Android智能手机1、智能手环2、驾驶员疲劳状态监测模块3、实时路况分析模块4和预警模块5。

图2为根据本实用新型的基于Android智能手机的安全行车系统的实施例的流程图。

具体实施方式

为了使本实用新型的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本实用新型做进一步详细地说明。应当理解，在此所描述的具体实施例仅用以解释本实用新型，但不作为对本实用新型的限定。

实施例：

一种基于Android智能手机的安全行车系统，包括：Android智能手机1、智能手环2、驾驶员疲劳状态监测模块3、实时路况分析模块4和预警模块5。Android智能手机1包含前置和后置两个摄像头、GPS模块，智能手环2通过无线通信方式与Android智能手机1相连接，驾驶员疲劳状态监测模块3、实时路况分析模块4和预警模块5安装在Android智能手机1上，预警模块5由Android智能手机1和智能手环2协同构成。

图2为根据本实施例的系统工作流程图，步骤S1对应驾驶员疲劳状态监测模块，步骤S2对应实时路况分析模块，步骤S3对应预警模块，具体工作流程包含如下步骤：

步骤S101：将Android智能手机摄像头切换为前置摄像头，对驾驶员面部图像进行拍摄。

步骤S102：对人脸运动跟踪器参数进行初始化设置，在本优选实施例中，人脸运动跟踪器通过Kalman滤波器实现。

步骤S103：通过Android智能手机1的前置摄像头采集一帧驾驶员的面部图像。

步骤S104：通过预处理对图像进行光照补偿，提高图像质量。

步骤S105：为了提高图像处理速度，将图像进行尺度缩放合适大小。

步骤S106：人脸运动跟踪器对人脸位置进行预估，以缩小人脸检测的搜索范围。

步骤S107：根据人脸跟踪器对人脸的预估位置对图像进行切割，切割后的图像送后续处理。

步骤S108：进行人脸检测，在本优选实施例中，人脸检测算法采用Haar-Like、LBP特征，通过Adaboost算法实现。

步骤S109：将人脸检测的结果作为参数对人脸运动跟踪器进行更新。

步骤S110：根据人脸“三庭五眼”的分布规律，对检测到的人脸图像再次细分，将人眼检测的搜索区域进一步缩小，以提高检测效率。

步骤S111：人眼检测。

步骤S112：人眼定位后的可能结果包含眉毛，将对疲劳识别效果产生影响，因此需进行进行虹膜与眉毛分离的处理。

步骤S113：为适应不同驾驶员在不同情况的不同眼睛状态，系统采用自适应疲劳阈值的方法，通过驾驶初期前100帧的驾驶员眼睛开合程度来确定驾驶员正常状态下的眼睛开合度，以该眼睛开合度的80%作为疲劳阈值，当眼睛闭合程度超过该阈值时，认为驾驶员眼睛状态为闭合，否则，为睁开。

步骤S114：眼睛状态识别。

步骤S115：采用PERCLOS指标来衡量驾驶员的疲劳程度。

步骤S116：根据驾驶员疲劳预测模型对驾驶员此后15s时刻的疲劳状态进行预测，在本优选实施例中，驾驶员疲劳预测模型是采用PERCLOS指标建立的灰色预测模型。

步骤S117：对疲劳预测结果进行等级划分。

步骤S118：判断驾驶员是否发生疲劳驾驶，如果发生则调用步骤S2，对实时路况进行分析。

步骤S201：将Android智能手机1摄像头切换为后置摄像头。

步骤S202：通过Android智能手机1上的GPS模块配合导航软件获取当前行车道路信息、道路等级、拥挤程度。

步骤S203：通过Android智能手机1的后置摄像头采集当前行车场景图像。

步骤S204：对采集到的当前行车场景图像进行预处理，提高图像质量。

步骤S205：对采集到的当前行车场景图像进行行人检测。

步骤S206：对采集到的当前行车场景图像进行车辆检测。

在本实施例中，行人和车辆的检测算法基于Viola-Jones的目标检测原理实现。

通过对行人和车辆的检测，从而实现对当前道路行人、车辆拥挤情况的判断。

步骤S3：综合步骤S1中疲劳预测的结果与步骤S2中对当前行车道路信息和当前行车场景的分析，对驾驶员所处的驾驶环境的安全情况进行评估，然后根据安全情况将预警等级划分为无预警、轻度预警、中度预警和深度预警，并通过Android智能手机1和智能手环2精准地采取不同程度的干预措施，以提醒驾驶员注意休息，从而防止疲劳驾驶。

Claims (1)

1.一种基于Android智能手机的安全行车系统，其特征在于：包括Android智能手机（1）、智能手环（2）；Android智能手机（1）包含前置和后置两个摄像头、GPS模块，智能手环（2）通过无线通信方式与Android智能手机（1）相连接。