关键词:
疲劳驾驶检测
光电容积脉搏波
人脸检测
面部图像
摘要:
随着社会经济的发展,全球汽车保有量不断增加。然而,交通事故频发,尤其是因疲劳驾驶导致的案例屡见不鲜。因此,实时监控驾驶员在行车过程中的精神状态,对预防和减少交通事故至关重要。当前研究多聚焦于利用脑电、心电等生物电信号以及面部图像识别技术来检测疲劳驾驶。然而,现有方法仍面临准确率低和因驾驶员个体差异导致的模型稳定性差等问题。针对上述问题,本研究提出了基于机器视觉的驾驶员疲劳状态检测系统,主要通过分析驾驶员的面部特征和心率特征来评估其疲劳状态,并通过相关数据集验证了其性能。具体工作如下:
(1)提出一种基于面部特征的驾驶员疲劳检测方法。通过增强多种疲劳行为特征的识别,提高对面部、头部动作的辨识精度。构建了包含眼部状态、嘴部状态与头部姿态在内的多特征模型,实现了疲劳检测的全面性和准确性提升。此外,结合KSS(Karolinska Sleep Scale,卡罗林斯卡睡眠量表)值与经验数据,建立了驾驶员疲劳状态检测方法。通过整合眨眼检测、打哈欠检测及头部运动检测等检测手段,增强了疲劳检测算法的可靠性与准确性。与仅依赖单一特征的优化方法相比,本研究通过充分融合多种特征,更全面地捕捉了驾驶员的面部状态及头部动作信息。根据疲劳行为设置合适的KSS值和权重,并利用多特征经验融合模型,将面部行为组合映射为与疲劳紧密相关的KSS值,从而有效判定驾驶员的疲劳状态。
(2)提出一种基于面部视频非接触式心率测量的驾驶员疲劳检测方法。采用融合RGB(Red,Green and Blue,三原色)和多尺度增强(Multi Scale Retinex,MSR)两种互补色彩空间的方法,对感兴趣区域的面部图像进行处理,生成融合图,增强了图像在弱光条件下的判别信息。利用融合图构建显著的时空图,并通过卷积神经网络(Convolutional Neural Networks,CNN)将时空特征映射到相应的心率值。进而采用微分阈值方法提取心率变异性(Heart Rate Variability,HRV)信息,并基于长短期记忆(Long Short Term Memory,LSTM)建立动态疲劳评估模型,实现对驾驶员的疲劳状态的精准判定。在OBF(Oulu Bio-Face)等数据集上进行消融实验,并采用三重交叉验证协议进行测试,验证了方法的有效性。
(3)驾驶员疲劳状态检测系统设计与实现。选用树莓派芯片作为检测系统的处理器,通过综合面部特征和心率特征,提供更全面的疲劳程度评估。当面部和心率特征累加值超过疲劳阈值时,系统发出声音提醒,并记录疲劳驾驶状态。综合面部特征和心率特征,提高疲劳驾驶检测的准确性和可靠性,并为防止疲劳驾驶引发交通事故提供了一种有效的解决方案。