[发明专利]利用在线学习消除驾驶人个体差异性的疲劳状态检测方法

摘要

本发明公开了一种通过对眼睛运动特征进行在线学习来消除驾驶人个体差异性的实现疲劳状态检测的方法。其方法包括以下步骤：通过摄像头获取驾驶人的视频图像，根据视频图像检测驾驶人的脸部并进行处理得到驾驶人眼睛动作特征；将驾驶人眼睛动作特征与驾驶人清醒情况下的数据进行比较，如果超出阈值则为驾驶人处于疲劳驾驶，如果没有超出阈值时，在此期间内对驾驶人的眼睛动作特征进行在线学习，并根据在线学习得到信息继续进行比较直到停止；根据本发明实施例的方法，通过对驾驶人眼睛部位的特征检测，以及对驾驶人特征的学习识别驾驶人是否处于疲劳驾驶状态，提前预防发生意外的风险，从而提高了驾驶人的行车安全。

主权项

一种利用在线学习消除驾驶人个体差异性的疲劳状态检测方法，其特征在于：利用摄像机采集驾驶人面部视频图像，在驾驶任务初期采用基于眼睛动作特征参数（如眨眼频率、眨眼速度等）构建的通用分类器对疲劳状态进行推断，后期则是在自学习的基础上采用“时变特征”（如眨眼频率的变化、眨眼速度的变化等）构建的疲劳模式分类器实现对驾驶人疲劳状态的辨识；具体包括如下步骤：（1）采集驾驶人面部视频图像，采用基于面部视频的专家评分方法建立驾驶人面部视频数据库，数据库中的每个样本均为带有疲劳水平标签且长度为30秒的视频片段；（2）运用处理软件测试每个样本中驾驶人眼睑的动作及眼球的运动状态，计算描述眼部动作特征的各疲劳评价参数，采用统计学分析的方法检验在不同疲劳水平下判别参数差异的显著性，进而筛选出描述驾驶人疲劳状态的眼睛特征指标；（3）将筛选出的驾驶人眼睛动作特征参数全部引入特征空间，从视频数据库中随机抽取大量样本并计算每个样本的特征参数值，根据特征参数值和样本的类别标签（清醒、疲劳或严重疲劳）构建通用分类器；在驾驶任务初期，采用该通用模型对驾驶人的疲劳状态进行实时检测；（4）根据在驾驶人面部视频数据库中抽取的大量样本，分别计算各样本特征参数的变化倍数（时变特征），检验在不同疲劳水平下变化特征差异的显著性，进而筛选出能够判别驾驶人疲劳状态的时变特征指标；根据时变特征的值和样本的类别标签，并在对时变指标有效性判别分析的基础上，离线设计基于时变特征的疲劳模式分类器；实际行车过程中，算法能够对驾驶人清醒状态下的眼睛动作特征进行在线学习并作为对照组，在驾驶任务后期，通过比较实时获取的数据与对照组的差异度对疲劳状态进行辨识。