基于图像处理的防疲劳驾驶测试

《基于图像处理的防疲劳驾驶测试》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于图像处理的防疲劳驾驶测试32摘要随着计算机图像处理技术的发展,利用图像处理技术来监控驾驶员的行为已经成为可能。利用摄像头持续不断地检测驾驶员的眼睛,提取其特征信息，可以较为有效地分析出驾驶员的精神状况。本设计是通过在视频中对人脸进行自动跟踪，找出眼部图像，然后进行一系列图像处理，最后得到眼睛的二值化图像，从而判断出眼睛开合状态。根据采集的数据判断出驾驶员是否出现疲倦，并在出现疲倦特征的时候做出警告。在多次警告后驾驶员的精神状态依然没有改善的情况下，系统会自动降低车速，以保证行车安全。关键词：人脸检测，Haar分类器，同态滤波，区域生长，疲劳度检测321前言随着社会经

2、济的发展,机动车辆与日俱增,随之而来的行车安全问题越来越受到人们关注。根据英国汽车协会统计，英国车祸的死亡事故中，有10%是因司机疲劳驾驶引起的。同时有资料表明，高速公路发生的交通事故中，有50%以上是由于长时间疲劳驾驶或所见目标单调使司机注意力不集中、甚至打瞌睡等原因造成的。疲劳驾驶可能影响驾驶员的警觉和安全驾驶能力，从而让交通安全事故发生的机会大大增加【1】。要降低交通意外的发生，最重要的一个途径就是防止驾驶员疲劳驾驶。而要防止疲劳驾驶，最重要的一点是要时刻监测着驾驶员的精神状况。从人体疲劳特征的研究结果看，疲劳驾驶的典型反应包括：眼帘的频繁眨动；瞳孔逐渐变小，甚至

3、闭合；哈欠增多；头部前倾或后仰；方向盘微调，驾车左右摇摆；反应能力下降等。目前,已有一些简单实用的疲劳测评方法，如脑电图EEG、肌电图EMG、眼动图EOG、瞳孔测量计等，但这些方法都是接触式的疲劳检测方法，势必会给驾驶员造成一定的影响。为了尽量减少对驾驶员的影响，采取的疲劳检测方法最好是非接触式的。通过摄像头捕捉驾驶员的动作特征来检测驾驶员的精神状况，则是最好的非接触式检测方法，因为在车厢内安装监控摄像头对驾驶员机会是没有影响的。从刚才提到的各种疲劳驾驶典型反应来看，监测瞳孔变化的难度很大，监测头发运动状况，方向盘微调等又很难用一个量化的标准去衡量。而监测眼睛眨动状态比

4、较容易跟踪，眨眼次数和眼睛闭合情况也可以很清晰地监测出来。因此，通过监测眼睛状态来判断驾驶员是否处于疲劳状态这种方法，相对来说是最有效最直观的。本文所讨论的基于图像处理的防疲劳监测也是通过这种方法来实现的。1.1功能与指标1.1.1功能介绍本文所介绍的防止疲劳驾驶测试系统是以车速作为触发的。当车速低于50km/h32时，系统处于休眠模式，不会对人眼进行监测。当车速超过这个阀值时，系统就会进入检测模式，开始对驾驶员的精神状态进行监视。当发现驾驶员眼睛出现疲劳状况时，系统就会发出警告声，提醒司机注意驾驶时候的安全。当系统发出了多次警告后，驾驶员的精神状态依旧没有改善的话，系

5、统就会自动进入车速控制模式，此时车速将会自动减慢，同时，系统还会持续地发出警告，直到驾驶员重新复位系统。该系统还具有行车记录功能，每秒钟都会把当前行车的部分数据，如当前时间、车速、驾驶员眨眼次数、精神状况等记录下来。相当于汽车的“黑匣子”。1.1.1指标介绍1)当车速低于50km/h时，人脸跟踪系统不启动2)当驾驶员眼睛在持续1~2秒时间内处于闭合状态，发出一次警告。3)当驾驶员在20秒钟内眨眼次数超过8次，发出一次警告。4)当警告次数累积到7次，系统就会循环发出警告5)当警告次数累积到8次，而驾驶员没有对系统进行复位，系统就会进行车速控制，以每秒5km/h的速度强制降

6、低车速，直到车速低于20km/h为止。2系统方案2.1图像处理器方案方案一：使用arm和嵌入式操作系统来实现.虽然arm的速度比较快，达到将近500Mhz，但是由于用于图像处理的算法比较复杂，浮点运算比较多，而大部分arm处理器没有硬件浮点运算器，浮点运算靠的是软件，这样会对系统的实时性造成很大的影响。方案二：使用DSP。DSP由于具备硬件浮点运算器，速度能大大提高，DSP在图像处理方面相当强大，但DSP的开发难度相对比较大，成本较高。而且有些在计算机平台上的关于视觉识别的函数库要移植到DSP上的话，工作量相对来说会比较大。方案三：使用PC机。PC机的运算能力足够快，内

7、存空间也足够大，符合图像处理对要求。32而且在PC平台上，有不少关于图像处理和视觉识别方面的函数库可以去调用，这样子可以大大地减轻了开发难度。由于本文所介绍的重点是在于通过图像处理来识别疲劳状况的方法，所做的只是搭建一个模型，不涉及到实物设计。因此用PC机就可以满足要求了。综合以上方案，使用电脑处理是最好的选择。1.1软件方案方案一：采用模式识别的方式在图像中寻找眼睛的位置，然后使用Gabor滤波器的特征提取算法【2】，即将Gabor滤波器与眼睛图像进行卷积，提取特征矢量：Gabor特征。然后，对高维空间中的Gabor特征通过特征选择和压