[发明专利]一种基于机器视觉的驾驶员疲劳驾驶检测系统及检测方法

权利要求书

1.一种基于机器视觉的驾驶员疲劳驾驶检测系统，其特征在于，该系统包括五官及面部的定位与追踪模块、疲劳特征状态判断及综合疲劳判断模块和基于驾驶员反馈的在线学习模块，其中，

五官及面部的定位与追踪模块：用于接收摄像头所拍摄的追踪图像，并对追踪图像中人物的五官及面部进行定位，将五官及面部图像截取出来发送至疲劳特征状态判断及综合疲劳判断模块中；

疲劳特征状态判断及综合疲劳判断模块：

初始化时，用于获得截取后图像像素和人工标定疲劳特征所属分类的训练集，基于极限学习机对疲劳特征状态分类器进行训练；再获得多组追踪图像的五官及面部疲劳特征状态向量和对应人物的疲劳状态形成训练集，并基于极限学习机对疲劳状态分类器进行训练；

实际检测时，用于获得截取后图像的像素矩阵，并将上述像素矩阵转换为特征向量，根据转换后的特征向量，采用疲劳特征状态分类器和疲劳状态分类器判断驾驶员是否属于疲劳状态，若是则发出警告提醒驾驶员并判断驾驶员是否有发送反馈信号，否则继续检测；若有驾驶员反馈信号，则将反馈信号发送至基于驾驶员反馈的在线学习模块中；

基于驾驶员反馈的在线学习模块：用于根据驾驶员反馈信号进行在线学习，重新对疲劳状态分类器进行训练。

2.采用权利要求1所述的基于机器视觉的驾驶员疲劳驾驶检测系统进行的检测方法，其特征在于，包括以下步骤：

步骤1、使用摄像头采集疲劳状态下的人物视频和未疲劳状态下的人物视频；

步骤2、设置视频所需提取的连续图像帧的个数，获得追踪图像；

步骤3、定位追踪图像中人物的五官及面部的所在位置并截取，获得截取后图像像素和人工标定疲劳特征所属分类的训练集，基于极限学习机对疲劳特征状态分类器进行训练；

步骤4、获得多组追踪图像的五官及面部疲劳特征状态向量和对应人物的疲劳状态形成训练集，并基于极限学习机对疲劳状态分类器进行训练；

步骤5、通过车载装置中的摄像头采集驾驶员行车过程中的人物图像；

步骤6、对驾驶员的五官及面部进行定位并截取；

步骤7、获得截取后图像的像素矩阵，并将上述像素矩阵转换为特征向量；

步骤8、根据转换后的特征向量，采用疲劳特征状态分类器和疲劳状态分类器判断车主是否属于疲劳状态，若是，则执行步骤9；否则，返回执行步骤5；

步骤9、发出警告提醒驾驶员并判断驾驶员是否有发送反馈信号，若是，则执行步骤10，否则执行步骤5；

步骤10、根据驾驶员反馈信号进行在线学习，重新对疲劳状态分类器进行训练，返回执行步骤5，直至检测结束。

3.根据权利要求2所述的检测方法，其特征在于，步骤3所述的定位追踪图像中人物的五官及面部的所在位置并截取，获得截取后图像像素和人工标定疲劳特征所属分类的训练集，具体为：

截图的图像包括眼部、嘴部和面部，将截取后的图像的像素矩阵转换为特征向量；

通过人工标定的方式确定所截取图像中的疲劳特征所述的分类：

当疲劳特征为眼部时，所属分类包括睁眼和闭眼；

当疲劳特征为嘴部时，所属分类包括张嘴和闭嘴；

当疲劳特征为面部时，所属分类包括抬头和低头。

4.根据权利要求2所述的检测方法，其特征在于，步骤4所述的获得多组追踪图像的五官及面部疲劳特征状态向量和对应人物的疲劳状态形成训练集，具体为：

所述的追踪图像为连续多张图像，获得追踪图像中每个图像的五官及面部疲劳特征状态，即确定疲劳特征的所属分类，形成五官及面部疲劳特征向量；将多组五官及面部疲劳特征向量和对应人物的实际疲劳状态形成训练集。

5.根据权利要求2所述的检测方法，其特征在于，步骤4所述的五官及面部疲劳特征状态向量和步骤7所述的特征向量，采用主成分析法对其进行降维处理。

6.根据权利要求2所述的检测方法，其特征在于，步骤10所述的根据驾驶员反馈信号进行在线学习，具体为：

获得产生疲劳状态判断错误时驾驶员人物图像的五官及面部截图，将截取后图像的像素矩阵转换为特征向量，将该特征向量替换步骤4所述训练集中的特征向量，重新基于极限学习机对疲劳状态分类器进行训练。