[发明专利]基于Kinect及人脸识别的疲劳驾驶检测方法

说明书

技术领域

本发明涉及人脸识别技术，特别是涉及基于Kinect及人脸识别的疲劳驾驶检测方法。

背景技术

疲劳驾驶已经成为路面交通事故的一个主要原因，驾驶疲劳将使驾驶员的注意、感觉、知觉、思维、判断、意志、决定和运动诸方面受到影响。作为导致交通事故频频发生的一个重要原因，如何预防和检测疲劳驾驶已经成为科学领域的热门话题和研究方向。而目前国内对基于视频的疲劳驾驶监测系统的研制与开发仍处于初始阶段，因此，关于疲劳驾驶方面的课题研究具有极大的科研价值与意义

当今世界上有关疲劳驾驶检测的技术大致有三种，一是物理传感器，二是物理信号如脑电图，三是基于计算机视觉。相比而言，前两种技术对驾驶员要求较高，增加了驾驶的不便，而且对驾驶员有所损害。第三种基于计算机视觉尤其是人脸识别和检测方面的技术进行的疲劳驾驶检测，更加的方便，且具有实用性。当今世界基于人脸识别的疲劳驾驶检测系统大都使用OpenCV及其相关技术，使用OpenCV的库函数去实现人脸识别的算法，并优化识别结果。如果选取的人脸识别的算法不当，会对识别结果造成很大的影响，结果误差很大。

人眼识别在疲劳驾驶检测系统中运用也非常广泛，主要是由于疲劳特征在人眼处很容易找到。人眼识别算法有很多种。2004年的一种人眼识别和追踪算法，是将RGB(红绿蓝)颜色空间区域的图像转化到HSI(色调，亮度，饱和度)颜色空间域中，这样可以将亮度不同而造成的误差降到最小。另一种霍夫变换为基础的人眼识别和追踪算法，是根据人脸特征点的移动，将面部表情进行分解，此算法由于准确度很高，得到了很多人的重视，但是缺点是计算要求高。

由于Kinect技术的人脸识别特别是人眼处的识别结果更加精确，排除了由于定位人眼不准确对实验结果的影响。在人眼处提取特征时，首先进行灰度化的处理，这样去除了色彩的干扰，而后不是直接转换颜色空间，而且只提取HIS空间域的H分量，这样更加简便而且提取到了需要的灰度图像，最后进行二值化的处理，排除亮度不同对实验结果的干扰，继而进行眨眼和闭眼时间的判断和检测以及嘴部打哈欠的检测，作为疲劳依据，使得实验结果更加准确。

发明内容

为了克服上述现有技术存在的问题，本发明提出了一种基于Kinect及人脸识别的疲劳驾驶检测方法，以Kinect为平台，借助Kinect更精确的人脸识别技术，检测和识别人眼区域，通过对人眼特征提取和分析，并且增加了嘴部打哈欠检测的判断，设计和实现了一个基于Kinect及人脸识别的疲劳驾驶检测方法。

本发明提出了基于Kinect及人脸识别的疲劳驾驶监测方法，其特征在于，该系统包括以下步骤：

步骤一、通过Kinect摄像头拍摄到用户关于脖子和头部的骨骼信息，进行人脸识别追踪分析，得到的人脸识别结果为一个用户脸部的3D面具；

步骤二、在Kinect人脸识别获得的3D面具上，提取人脸的121个特征点；通过人脸特征点去定位，进行人眼图像提取、嘴部图像提取，并将相关特征点并记录下来；

步骤三、根据步骤二获取的人眼区域的特征点，将人眼区域在识别到的人脸图像中标识出来，提取到新的画板中，并且对人眼图像进行灰度化处理和二值化处理；

步骤四、引入判断疲劳驾驶的判断依据，即：有关人眼的眨眼频率的变化率和闭眼时间的检测；有关嘴部的打哈欠的检测。

所述步骤一的人脸识别，具体包括以下步骤：

用于人脸识别所使用的类为FaceTracker和FaceTrackFrame，所述用户脸部的3D面具由121个特征点连线而形成的多个三角形拼接构成。

所述步骤二的人眼图像提取，具体包括以下步骤：

首先，获取彩色图像的位图数据；然后，获取人眼矩形框区域的大小，左眼睛的矩形区域由第19，20,23,24这四个特征点的坐标提供，矩形框的高是由特征点24和特征点19的Y坐标的差值表示，矩形框的宽由特征点23和特征点20的X坐标的差值表示。矩形框的顶点坐标的X坐标为特征点20的X坐标，Y坐标为特征点19的Y坐标。

所述步骤二的嘴部图像提取，具体包括以下步骤：

获取嘴巴外侧的四个特征点即特征点31，85，79和64。

所述步骤三的灰度化处理，具体计算方法为按照以下的公式将彩色图像转换为灰度图像：

Gray(i,j)＝0.299*R(i,j)+0.587*G(i,j)+0.114*B(i,j)。

所述二值化处理，具体包括以下步骤：