[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

说明书

技术领域

本发明属于机器视觉、机器学习技术领域，具体涉及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。

背景技术

疲劳驾驶是导致交通事故发生的主要原因之一。在世界各地，每年都有许多车祸是由疲劳驾驶所导致。据美国国家公路安全管理局(NHTSA)的调查数据统计，每年由疲劳驾驶引起的交通事故达100,000起，占交通事故总量的16％以上。疲劳驾驶检测系统能够实时地检测驾驶员的疲劳状态并在疲劳驾驶发生时及时地向车内人员发出警报，这对预防因疲劳驾驶而产生的交通事故的发生和避免因事故发生而造成的巨大费用损失有着重要的作用。

现有的疲劳驾驶检测系统依据的信息主要有三种，分别为驾驶员生理信息，车辆行为信息以及驾驶员面部图像信息。基于驾驶员生理信息的疲劳检测系统，在检测时需要相应的信息采集设备，如心电图仪，脑电图仪等，与驾驶员进行直接接触，严重干扰了驾驶员的正常驾驶。同时，由于这些设备昂贵的价格和庞大的体积，进一步阻碍了这类系统的推广普及。基于车辆行为信息的疲劳检测系统，由于不同车型以及不同路况之间的差异，要采集方向盘转角、油门踏板力、车辆与道路中线距离等车辆行为信息较为困难。又因为不同的驾驶员有不同的驾驶习惯，难以统一疲劳判断标准，导致这类系统的疲劳判断准确率不高。基于驾驶员面部图像的疲劳检测系统，通过提取图像中的疲劳特征，例如眼部特征(眨眼频率)，头部特征(抬头低头)以及嘴部特征(打哈气)，来判断驾驶员的疲劳状态，但是现有的此类系统有三大缺陷：第一，现有系统主要通过单一的面部特征来判断疲劳状态，导致了它们在复杂的驾驶环境下适应性较差的问题；第二，现有系统不能够进行自我改进来适应不同驾驶员各自的特点；第三，现有系统由于计算速度不足的原因导致了系统的实时性不强。

发明内容

针对现有技术的不足，本发明提出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，以达到降低侵入性和成本，提高适应和实时性的目的。

一种基于机器视觉的驾驶员疲劳驾驶检测系统，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，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。

采用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，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。