摘要：随着汽车保有量的增长，交通事故的数量也不断上升。其中，疲劳驾驶是造成交通事故的一个重要原因。为快速且有效地通过被测对象的面部特征判断被测对象的疲劳状态，本文提出了一种眼部特征的疲劳状态判定的检测算法，并构建了基于极限学习机的模式识别系统实现监测。在本文处理面部特征信号时，首先采用对图像进行灰度及二值处理，之后采用 KLT 算法实现图像的人脸检测与人眼定位，最后采用极限学习机对疲劳状况进行识别。验证实验结果表明，本系统识别率高、处理速度快、敏捷度优良。
关键词：疲劳驾驶监测;人脸识别;图像处理;极限学习机
调查数据显示，在导致交通事故的因素中，疲劳驾驶引发的事故数量占 49%，是所有因素的首位。因此，研究疲劳驾驶监测系统对交通安全问题的改善具有重大意义。通过生理信号来判断被测对象的疲劳状态有多种方法。而通过人脸识别技术来提取驾驶员的眼部动作信息来判断其生理状况是一种较为有效的方法。人脸识别主要分为两个步骤：即特征提取和模式识别。为提高系统的训练速度与精度，本文引入了一种极限学习机算法，并将其运用到建立的识别系统中。
1 方法
1.1 图像预处理
所有的二维图像都可以用一个二维函数f(x,y)唯一、确定地表示。其中，x,y 是空间坐标，而每一对 (x,y) 所对应的 f 函数的函数值称作为这个图形点的灰度值。目的就是使图像对于人和机器的视觉系统辨识度更高。
彩色图像处理分为两个主要步骤：全彩处理和假色处理。全彩处理中，图像是由全彩传感器获取得到。假色处理的主要问题是如何对一个颜色分配一个特定强度的假色。数字图像处理在实践中最常用的是三原色(红绿蓝)颜色模型。
根据给定的彩色图像的三原色原则，任意颜色的灰色变换都可以使用此三个原色进行混合得到，过程可采用如下的方程：
F=r×R+g×G+b×B(r,g,b 的值分别是三原色混合系数)。
而后对图像进行二值化处理。图像二值化是从灰度图像转换为二进制图像的过程。我们引入阈值，它在不损失图像信息的情况下将 256 级图像转换 2 级图像。所有像素中高于阈值的点为白，其余为黑。
1.2 人脸检测与人眼定位
在 本 文 中， 我 们 引 入 KLT(Kanade-LucasTomasi) 算法进行人脸检测。KLT 算法首先从初始图像或框架中筛选出特征点进行跟踪，而后跟踪下一帧图像的特征。KLT 算法的具体步骤在后面的框图中有所体现。人眼定位的基本原理是利用眼睛在外观和形状上与脸部其它部位的差异将人眼从图像中分辨出来。而图像边缘检测是一种常用方法，步骤为：先对图像进行平滑处理，即在不破坏边缘的情况下，对图像进行降噪处理;应用增强滤波器确定哪些噪声应该保留 , 以确定边缘的确切位置。边缘位置可利用 Sobel 边检测器确定。此检测器由 nm 的卷积核图组成，反映了在水平、竖直方向强度的偏导数，以表示不同测量方向上的梯度。
本文来源于：《中国设备工程》曾用刊名：(中国设备管理;设备管理)1985年创刊是中国工业领域的国家级宣传平台，国家一级刊物。以宣传报道国家工业发展工作的战略、政策、法规，关注全球工业、设备管理等全面解决方案的专业载体。
在得到了预估的眼睛区域之后，我们使用积分投影找到打开和关闭眼睛的程度。在得到眼部的灰度图并对灰度值进行标准化之后，我们使用归一化图像强度值得到集成的图像。而后得到眼部图像的最低与最高点，即可锁定眼部的位置。
1.3 疲劳监测与极限学习机
在监测疲劳的眼部特征参量中，我们根据测得的眼睛开闭的时间长度值可算得的有：眨眼频率、眼睛睁开和关闭时间。之后，我们引入极限学习机算法构建系统，以求利用这些特征参量实现对测试对象的疲劳驾驶状态进行监测。在构建初始数据库时，我们用 PVT 实验得到被测对象的疲劳反应时作为判定其疲劳状态的预判指标。
为了构建和训练此系统并得到最终结果，我们引入了三个算法，即极限学习机算法、训练集算法和检测算法。其步骤(检测算法略)分别如图 1 所示。
此系统特征参数的提取和疲劳检测的流程如图 2。
从此流程图中可见：为判断检测对象的疲劳程度，我们利用眨眼频率和眼睛开闭时间作为判断的特征指标。先通过图像提取和计算特征值，之后利用队列将算得的数据值放入，当新参数值被不断加入时，旧参数值会弹出，队列中始终保持定量的数据值，实现实时检测。
2 样本分析与结论
在本文中，我们建立了两套算法代码(训练代码及检测代码)。我们根据 PVT 预判实验结果将样本分为两类，这两类样本在训练代码程序中对极限学习机系统进行训练，之后在检测代码程序中进行对另一组样本的预测与准确度检验。实验结果显示：随着样本量的增多，不断进行迭代与系统的训练，整个系统的预测准确率得以提高。在将极限学习机和其他算法进行比较时，我们发现：对于相同样本量的数据，选用极限学习机构建系统处理数据的速度是基于支持向量机构建系统处理数据的速度 5 倍以上，如图 3。——论文作者：赵旭阳，王宇豪
参考文献：
[1] 贾李楠 . 疲劳驾驶检测算法的研究与开发 [D]. 北京工业大学 , 2016.
[2]Diallo Abdourahamane. 采用 ELM 的基于眼部状态的驾驶员疲劳检测方法的研究 [D]. 东北大学 ,2014.
[3]牛清宁.基于信息融合的疲劳驾驶检测方法研究[D].吉林大学, 2014.
[4] 詹红梅 . 基于复杂驾驶环境下面部特征识别技术的防疲劳驾驶系统 [J]. 电子测试 ,2016,(17):84-85.
转载请注明来自：http://www.lunwencheng.com/lunwen/dzi/22121.html
