[发明专利]基于多信息融合的疲劳驾驶检测预警方法、系统及介质

权利要求书

1.基于多信息融合的疲劳驾驶检测预警方法，其特征是，包括：

提取驾驶员的人眼状态特征、脉搏特征和方向盘旋转特征；

基于SVM-DS算法对人眼状态特征、脉搏特征和方向盘旋转特征进行特征融合和疲劳识别，对疲劳识别结果进行预警；

基于SVM-DS算法对人眼状态特征、脉搏特征和方向盘旋转特征进行特征融合和疲劳识别的具体步骤为：

将训练集的疲劳特征和非疲劳特征输入到支持向量机中，对支持向量机进行训练，得到训练好的支持向量机；

将测试集的特征输入到支持向量机中，计算各个支持向量机的后验概率P_i；

将测试集的特征输入到支持向量机中，获得各个支持向量机的混淆矩阵；

基于各个混淆矩阵计算出对应支持向量机的局部可信度；

当支持向量机对某一样本x识别的样本类别为w_i时，该支持向量机输出的结果可信度为PC(w_i)；

基于每个支持向量机的后验概率P_i和该支持向量机输出的结果可信度为PC(w_i)计算得到决策融合时的BPA；

m_l(w_i)＝P_i×PC(w_i)

其中，m_l(w_i)表示分类器l对样本x属于w_i类的概率赋值；

通过DS融合得到最终疲劳识别结果。

2.如权利要求1所述的基于多信息融合的疲劳驾驶检测预警方法，其特征是，采集驾驶员的人眼状态特征的具体步骤为：

步骤(101)：通过汽车后视镜上安装的高清摄像头获取驾驶员驾驶状态下的面部图像；

步骤(102)：对面部图像在YCbCr空间中基于肤色的人脸检测算法实现人脸定位，得到人脸定位图像；

步骤(103)：在人脸定位图像上，根据灰度积分投影实现人眼区域定位；

步骤(104)：根据定位的人眼区域，计算出眼睛张开时长、眼睛闭合时长、眨眼频率和单位时间内眼睛闭合的比例PERCLOS；

步骤(105)：将眼睛张开时长超过设定阈值的特征视为疲劳特征；将眼睛张开时长小于或等于设定阈值的特征视为非疲劳特征；

将眼睛闭合时长超过设定阈值的特征视为疲劳特征；将眼睛闭合时长小于等于设定阈值的特征视为非疲劳特征；

将眨眼频率小于设定阈值的特征视为疲劳特征；将眨眼频率大于等于设定阈值的特征视为非疲劳特征；

将单位时间内眼睛闭合的比例PERCLOS小于设定阈值的特征视为疲劳特征；将单位时间内眼睛闭合的比例PERCLOS大于设定阈值的特征视为非疲劳特征；

将疲劳特征划分为训练集和测试集；将非疲劳特征也划分为训练集和测试集。

3.如权利要求2所述的基于多信息融合的疲劳驾驶检测预警方法，其特征是，步骤(103)的具体步骤为：

步骤(1031)：选取人脸定位图像的到的图像，h为人脸定位图像高度，求出到的图像最低点b_m，取图像纵坐标[b_m-30,b_m+30]的区域作为近似眼睛区域；

步骤(1032)：对近似眼睛区域图像进行垂直灰度积分投影函数的计算，对该函数进行归一化，求出眼球最低点坐标记为a_m，得到[a_m,b_m]；

步骤(1033)：从定位的眼球最低点坐标[a_m,b_m]向左右各取22的像素，上下各取16的像素，进而确定人眼区域，然后对人眼区域图像进行直方图均衡化，再进行二值化处理，最终得到用于人眼特征计算的二维特征图；

步骤(1034)：记录二维特征图的高l_y和宽l_x，高与宽的比值L作为眼睛开合度值；

步骤(1035)：将所有人眼区域图像的眼睛开合度归一化至[0,1]，小于20％的眼睛开合度被认为人眼处于闭合状态，进而计算出眼睛张开时间、眼睛闭合时间、眨眼频率和单位时间内眼睛闭合的比例PERCLOS。