基于面部特征的疲劳驾驶检测系统的设计
《2024年基于深度学习的疲劳驾驶检测系统的设计与实现》范文
《基于深度学习的疲劳驾驶检测系统的设计与实现》篇一一、引言随着社会的发展和科技的进步，交通安全问题越来越受到人们的关注。
疲劳驾驶作为交通事故的重要原因之一，其危害性不容忽视。
为了有效减少因疲劳驾驶导致的交通事故，本文提出了一种基于深度学习的疲劳驾驶检测系统。
该系统通过深度学习算法对驾驶员的面部特征进行识别和分析，实现对驾驶员疲劳状态的实时检测和预警。
二、系统设计（一）系统架构本系统采用客户端-服务器架构，其中客户端负责实时获取驾驶员的面部图像并进行预处理，服务器端则负责接收客户端传输的图像数据，并利用深度学习算法进行疲劳状态检测。
系统架构图如下：1. 客户端：包括摄像头、图像预处理模块、数据传输模块。
2. 服务器端：包括接收模块、深度学习模块、预警模块和数据库。
（二）模块设计1. 图像预处理模块：该模块主要负责通过摄像头获取驾驶员的面部图像，并进行灰度化、归一化等预处理操作，以便后续的深度学习算法处理。
2. 深度学习模块：该模块是本系统的核心部分，采用深度卷积神经网络（CNN）对预处理后的图像进行特征提取和分类，判断驾驶员是否处于疲劳状态。
3. 预警模块：当深度学习模块判断驾驶员处于疲劳状态时，预警模块将触发警报，并向驾驶员发出语音或文字提示，提醒其休息。
4. 数据库模块：用于存储驾驶员的疲劳状态数据、历史记录等信息，以便后续的数据分析和处理。
（三）算法选择与实现本系统采用深度卷积神经网络（CNN）进行疲劳状态检测。
首先，通过大量带标签的驾驶员面部图像训练CNN模型，使其具备识别驾驶员面部特征和判断疲劳状态的能力。
然后，将预处理后的驾驶员面部图像输入到训练好的CNN模型中，通过前向传播得到驾驶员的疲劳状态判断结果。
三、系统实现（一）硬件设备本系统所需的硬件设备包括摄像头、计算机等。
其中，摄像头用于实时获取驾驶员的面部图像，计算机则负责运行客户端和服务器端的软件程序。
（二）软件开发本系统的软件开发主要包括客户端和服务器端的程序编写、数据库设计等工作。
基于面部特征与头部姿势的疲劳驾驶监测系统
基于面部特征与头部姿势的疲劳驾驶监测系统摘要在二十一世纪的高压社会环境下，疲劳驾驶汽车已经成为导致交通事故发生的重要因素之一，给国家和社会以及个人的生命财产安全造成了严重的损失。
我们认识到利用深度学习的技术可以实现对疲劳驾驶的识别监测，之前也有国外的相关研究，但是我们不难发现他们的研究没有从根本上利用深度学习，而且也是一种单一的判断，这样的精确度不是很高的。
而我们可以通过多方面去监测驾驶人员的头部姿势与面部变化利用疲劳状态下人的行为特征与面部特征，运用深度学习进行图像识别，当出现多次的疲劳状态拟合分析结果时，便通过微信等方式联系乘客及其相关的亲属，当司机被多次检测出疲劳驾驶将会通过微信接口通知相关的公安部门，司机存在疲劳驾驶行为。
我们以此种方法将能大大降低因为疲劳驾驶引起的交通事故，从根源上降低了交通事故的发生。
关键词：疲劳驾驶、卷积神经网络、向量机、深度学习、目标检测1.背景随着科技文化的发展，人类命运共同体的构建，人们拥有越来越多的汽车，方便人们的出行，但是根据大数据的调查显示，也出现越来越多的交通事故，而其中的疲劳驾驶已成为导致交通事故的重要因素之一，给国家和个人的生命财产安全造成了严重的损失。
而我国正是交通事故频发的一个国家，单2021年中国有高达数万人死亡，数万人受伤，损失的财产高达几百亿元，而其中因为疲劳驾驶发生的交通事故，达到四分之一左右，同时给社会与人民带来了潜在的危害，也使交通警察的工作更加困难的开展。
2.系统设计2.1解决方案概述图1 解决方案概述图我们首先通过图像或视频的采集，将内容解析后传输到后台，进行一系列的处理最后将处理后的结果反馈给用户。
该系统首先通过车载摄像头获取图像，进行人脸检测，检测驾驶员是否在位，若驾驶员在位，即可检测到人脸，为了保证每一次驾驶的自适应性，我们需要先引导司机进行一分钟的样本采集，以方便后面的采集图像，而采集图像分为面部姿势的采集和眨眼序列采集，以及相关的头部姿势采集。
基于面部特征防疲劳驾驶监测及预警系统的实验方案
基于面部特征防疲劳驾驶监测及预警系统的实验方案下载提示：该文档是本店铺精心编制而成的，希望大家下载后，能够帮助大家解决实际问题。
文档下载后可定制修改，请根据实际需要进行调整和使用，谢谢！本店铺为大家提供各种类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，想了解不同资料格式和写法，敬请关注！Download tips: This document is carefully compiled by this editor. I hope that after you download it, it can help you solve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you! In addition, this shop provides you with various types of practical materials, such as educational essays, diary appreciation, sentence excerpts, ancient poems, classic articles, topic composition, work summary, word parsing, copy excerpts, other materials and so on, want to know different data formats and writing methods, please pay attention!基于面部特征防疲劳驾驶监测及预警系统的实验方案1. 引言随着交通事故的增多，疲劳驾驶成为引发事故的重要因素之一。
基于人脸识别的驾驶人员疲劳检测系统设计
第１０卷㊀第２期Ｖｏｌ．１０Ｎｏ．２㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２０年２月㊀Ｆｅｂ．２０２０㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２０）０２－０１７２－０３中图分类号：ＴＰ３０２．１文献标志码：Ａ基于人脸识别的驾驶人员疲劳检测系统设计靳明浩（山东科技大学计算机科学与工程学院，山东青岛２６６５９０）摘㊀要：驾驶人员的疲劳驾驶是引起重大交通事故的主要原因之一，每年由于驾驶人员的疲劳驾驶而引发的事故会导致严重后果，直接或间接地造成不同程度的经济损失㊂基于此，提出基于人脸识别的驾驶人员疲劳检测系统，对系统的硬件与软件进行设计㊂实验结果表明：设计系统检测准确率更高，具有实际应用价值㊂关键词：人脸识别；驾驶人员；疲劳；检测ＤｅｓｉｇｎｏｆｄｒｉｖｅｒｆａｔｉｇｕｅｄｅｔｅｃｔｉｏｎｓｙｓｔｅｍｂａｓｅｄｏｎｆａｃｅｒｅｃｏｇｎｉｔｉｏｎＪＩＮＭｉｎｇｈａｏ（ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＳｈａｎｄｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＱｉｎｇｄａｏＳｈａｎｄｏｎｇ２６６５９０，Ｃｈｉｎａ）ʌＡｂｓｔｒａｃｔɔＤｒｉｖｅｒｆａｔｉｇｕｅｄｒｉｖｉｎｇｉｓｏｎｅｏｆｔｈｅｍａｉｎｃａｕｓｅｓｏｆｆａｔａｌｔｒａｆｆｉｃａｃｃｉｄｅｎｔｓ．Ｅｖｅｒｙｙｅａｒ，ａｃｃｉｄｅｎｔｓｃａｕｓｅｄｂｙｔｈｅｄｒｉｖｅｒ＇ｓｆａｔｉｇｕｅｄｒｉｖｉｎｇｃａｎｃａｕｓｅｓｅｒｉｏｕｓｃｏｎｓｅｑｕｅｎｃｅｓ，ｄｉｒｅｃｔｌｙｏｒｉｎｄｉｒｅｃｔｌｙｂｒｉｎｇｉｎｇｄｉｆｆｅｒｅｎｔｄｅｇｒｅｅｓｏｆｅｃｏｎｏｍｉｃｌｏｓｓｅｓ．Ｂａｓｅｄｏｎｔｈｉｓ，ａｄｒｉｖｅｒｆａｔｉｇｕｅｄｅｔｅｃｔｉｏｎｓｙｓｔｅｍｂａｓｅｄｏｎｆａｃｅｒｅｃｏｇｎｉｔｉｏｎｉｓｐｒｏｐｏｓｅｄ，ａｎｄｔｈｅｈａｒｄｗａｒｅａｎｄｓｏｆｔｗａｒｅｏｆｔｈｅｓｙｓｔｅｍａｒｅｄｅｓｉｇｎｅｄ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｄｅｓｉｇｎｓｙｓｔｅｍｈａｓｈｉｇｈｅｒｄｅｔｅｃｔｉｏｎａｃｃｕｒａｃｙａｎｄｐｒａｃｔｉｃａｌａｐｐｌｉｃａｔｉｏｎｖａｌｕｅ．ʌＫｅｙｗｏｒｄｓɔｆａｃｅｒｅｃｏｇｎｉｔｉｏｎ；ｄｒｉｖｅｒ；ｆａｔｉｇｕｅ；ｄｅｔｅｃｔｉｏｎ哈尔滨工业大学主办系统开发与应用●作者简介：靳明浩（１９９４－），男，硕士研究生，主要研究方向：嵌入式系统㊂收稿日期：２０１９－１０－１５０㊀引㊀言造成驾驶人员疲劳驾驶的原因有很多，例如睡眠质量不佳㊁长时间行驶在道路景色单一且始终处于高速状态㊁长时间或长距离驾驶等［１］，都会引发驾驶人员的疲劳驾驶㊂驾驶人员在感到疲劳以后仍继续驾驶车辆会产生困倦感，无法集中注意力，判断能力持续下降，容易产生错误判断，此时的驾驶能力将低于正常安全水平，会由于操作失误而造成极其危险的行为，从而引发交通事故㊂因此关于驾驶人员的驾驶状态进行实时的检测，防止其疲劳驾驶，则对驾驶人员及相关人员的生命安全㊁财产安全，提高行车的安全性具有重大意义㊂１㊀驾驶人员疲劳检测系统软件设计图１为基于人脸识别的驾驶人员疲劳检测系统软件功能流程图㊂预警提示模块眼部状态识别眼部定位图像处理模块脸部定位图像预处理数字图像采集模块图１㊀软件功能流程图Ｆｉｇ．１㊀Ｓｏｆｔｗａｒｅｆｕｎｃｔｉｏｎｆｌｏｗｃｈａｒｔ㊀㊀由图１可知，系统中的软件功能包括数字图像采集模块㊁图像处理模块和预警提示模块㊂系统中涉及到的算法有２种，分别是人脸识别算法㊁疲劳驾驶检测算法［２］㊂对此拟展开研究论述如下㊂１．１㊀人脸识别算法该系统中选用的人脸识别算法是基于深度学习思想的栈式自动编码算法㊂该算法基于分布的表达方式：当大量不同的层次和因素相互作用时，将按其分布进行组织，并且不同的层次对应于不同的抽象概念或组成㊂层数的不同以及每层中单元数的不同组成导致抽象数的不同㊂这种方法的优点是可以研究层次结构的解释因素，其他概念由其他概念研究，高级概念由低层概念研究［３］㊂此方法的计算可区分抽象差异和选择对最终算法有用的函数特征㊂故而在此系统中开发了基于不受控制的数据收集任务的算法㊂分析可知，该算法可以使用无法识别的数据，究其根本即在于无法识别的数据量远远超过了已识别的数据㊂因此对于只能使用识别数据的算法来说该算法具有更大的优势㊂通过数字模型采集模块将采集到的驾驶人员图像进行检测和定位，确定人脸的位置，再利用上述算法将三维的立体图像降为二维的平面图形，并获取一个分布中心㊂同时根据检测的图像像素离该中心的远近得到肤色的相似度，得到一个原图的相似度分布图㊂接下来，则根据一定的规律对该相似度分布图做二值化，从而最终确定肤色的分布区域，得出均值及方差㊂１．２㊀疲劳驾驶检测算法ＰＥＲＣＬＯＳ疲劳算法是本系统中选用的疲劳驾驶检测方法，其原理是通过眼睛闭合时间占某一特定时间内的百分比，判断驾驶人员是否处于疲劳驾驶状态㊂通过对眼睛光学变量与疲劳关系之间的性质研究，发现疲劳与瞳孔直径㊁眼球的转动㊁眉目扫射㊁眨眼等因素有着直接的关系，而ＰＥＲＣＬＯＳ疲劳算法是最具潜力的疲劳检测方法之一，计算出的数据信息能够充分表示驾驶人员是否处于疲劳状态，对疲劳进行准确的评定㊂ＰＥＲＣＬＯＳ疲劳算法的公式为：ｆ＝ｔ３－ｔ２ｔ４－ｔ１ˑ１００％．（１）100806040200时间t /st 4t 3t 2t 1眼晴睁开最大眼睛睁开程度/%图２㊀ＰＥＲＣＬＯＳ疲劳算法测量原理图Ｆｉｇ．２㊀ＰＥＲＣＬＯＳｆａｔｉｇｕｅａｌｇｏｒｉｔｈｍｍｅａｓｕｒｅｍｅｎｔｓｃｈｅｍａｔｉｃ㊀㊀通过图２可以看出，在公式（１）中，当眼睛最大睁到８０％时，所需的时间表示为ｔ１；当眼睛最大睁到２０％时，所需的时间表示为ｔ２；当眼睛最大睁再闭合到２０％，所需的时间表示为ｔ３；当眼睛最大睁再闭合到８０％，所需的时间表示为ｔ４㊂ｆ表示对ｔ１计算得出ＰＥＲＣＬＯＳ疲劳算法的数值㊂ＰＥＲＣＬＯＳ疲劳算法包括三级标准，具体如下：（１）一级标准：Ｐ７０，当眼睑遮挡瞳孔部分超过７０％视为眼睛闭合，对驾驶员眼睛闭合时间进行统计，将其百分比作为标准㊂（２）二级标准：Ｐ８０，当眼睑遮挡瞳孔部分超过８０％视为眼睛闭合，对驾驶员眼睛闭合时间进行统计，将其百分比作为标准㊂（３）三级标准：ＥＭ，当眼睑遮挡瞳孔部分超过一半以上视为眼睛闭合，对驾驶员眼睛闭合时间进行统计，将其百分比作为标准㊂通过探究发现ＰＥＲＣＬＯＳ疲劳算法中的二级标准Ｐ８０能够更加准确地反映出驾驶人员的疲劳驾驶状况㊂因此，本文系统将以Ｐ８０作为评判标准，当测得的ｆ＞０．５时，系统自动判定驾驶人员为疲劳驾驶㊂２㊀驾驶人员疲劳检测系统硬件设计主要包括：计算机㊁摄像头㊁ＡＲＭ处理器以及图像采集器㊂研究后可得设计分述如下㊂２．１㊀系统中摄像头的选择系统选择模拟摄像机进行检测，并可以通过视频接口将模拟摄像机直接连接到显示设备用来执行摄像机的功能㊂这类摄像机的优点是所记录的信息清晰㊁一致且不依赖于分辨率㊂视频传输信号经过特殊的视频捕获卡后，将视频信号转换为数字信号模式，并经压缩后转换为计算机可识别的信息以进行后续操作㊂２．２㊀系统中处理器的选择本系统中用到的处理器为ＡＲＭ处理器㊂该处理器是一种小功耗㊁低成本的微处理器，本身为３２位设计，但同时配备了１６位指令集，与同等价位的３２位代码节省可达３５％，且具有３２位系统的所有优势㊂２．３㊀系统中图像采集卡的选择本文系统选用的图像采集卡为ＰＣＩ－Ｖ５０４，该图像采集卡的性能如下：采用ＰＣＩＥｘｐｒｅｓｓＸ４２．０接口，可支持总计２ＧＢ／ｓ的传输带宽；支持５路独立千兆以太网口，四路视频，一路音频；提供网络功能，远端可进行多画面浏览；每个网口均可自动判断是否需要提供ＰＯＥ供电；录像模式可设置为动态录像㊁定时录像㊁连续录像；可同时进行监视㊁录像和回放功能，远端支持单画面或多画面显示㊂在进行人脸图像采集的过程中要求室内的光照保持正常，将摄像头置于显示器的正上方，图像的采集角度尽可能接近正面，并且在拍摄的过程中保证至少有一个人脸图像㊂３㊀实验论证分析为了证实本文设计的检测系统可以更加准确地检测出驾驶人员的疲劳驾驶，文中拟选做对照实验，详情如下㊂３．１㊀实验准备对照实验前，先要建立数据可视化的模拟驾驶人员行车记录的交互式平台，设对照组为传统方法下对驾驶人员疲劳驾驶的检测，实验组为本文基于（下转第１７９页）３７１第２期靳明浩：基于人脸识别的驾驶人员疲劳检测系统设计ＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２００７，２９（６）：１０５２．［３］ＬＯＷＥＤＧ．Ｄｉｓｔｉｎｃｔｉｖｅｉｍａｇｅｆｅａｔｕｒｅｓｆｒｏｍｓｃａｌｅ－ｉｎｖａｒｉａｎｔｋｅｙｐｏｉｎｔｓ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，２００４，６０（２）：９１．［４］ＢＡＹＨ，ＥＳＳＡ，ＴＵＹＴＥＬＡＡＲＳＴ，ｅｔａｌ．ＳＵＲＦ：Ｓｐｅｅｄｅｄｕｐｒｏｂｕｓｔｆｅａｔｕｒｅｓ［Ｊ］．ＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＩｍａｇｅＵｎｄｅｒｓｔａｎｄｉｎｇ，２００８，１１０（３）：３４６．［５］ＲＵＢＬＥＥＥ，ＲＡＢＡＵＤＶ，ＫＯＮＯＬＩＧＥＫ，ｅｔａｌ．ＯＲＢ：ＡｎｅｆｆｉｃｉｅｎｔａｌｔｅｒｎａｔｉｖｅｔｏＳＩＦＴｏｒＳＵＲＦ［Ｃ］／／ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ．Ｂａｒｃｅｌｏｎａ，Ｓｐａｉｎ：ＩＥＥＥＣｏｍｐｕｔｅｒＳｏｃｉｅｔｙ，２０１１：２５６４．［６］ＷＡＮＧＸ，ＨＥＸ，ＮＩＥＬ，ｅｔａｌ．Ｉｔｅｍｓｉｌｋｒｏａｄ：Ｒｅｃｏｍｍｅｎｄｉｎｇｉｔｅｍｓｆｒｏｍｉｎｆｏｒｍａｔｉｏｎｄｏｍａｉｎｓｔｏｓｏｃｉａｌｕｓｅｒｓ［Ｃ］／／ＳＩＧＩＲ＇１７：Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ４０ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＡＣＭＳＩＧＩＲＣｏｎｆｅｒｅｎｃｅｏｎＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏｐｍｅｎｔｉｎＩｎｆｏｒｍａｔｉｏｎＲｅｔｒｉｅｖａｌ．ＮｅｗＹｏｒｋ，ＮＹ，ＵＳＡ：ＡＣＭ，２０１７：１８５．［７］成怡，佟晓宇．基于改进ＯＲＢ算法的移动机器人视觉ＳＬＡＭ方法研究［Ｊ］．电子技术应用，２０１９，４５（１）：１０．［８］ＭＯＵＡＴＳＴ，ＡＯＵＦＮ，ＮＡＭＤ，ｅｔａｌ．Ｐｅｒｆｏｒｍａｎｃｅｅｖａｌｕａｔｉｏｎｏｆｆｅａｔｕｒｅｄｅｔｅｃｔｏｒｓａｎｄｄｅｓｃｒｉｐｔｏｒｓｂｅｙｏｎｄｔｈｅｖｉｓｉｂｌｅ［Ｊ］．ＪｏｕｒｎａｌｏｆＩｎｔｅｌｌｉｇｅｎｔ＆ＲｏｂｏｔｉｃＳｙｓｔｅｍｓ，２０１８，９２（３）：３３．［９］ＬＥＵＴＥＮＥＧＧＥＲＳ，ＣＨＬＩＭ，ＳＩＥＧＷＡＲＴＲＹ．ＢＲＩＳＫ：Ｂｉｎａｒｙｒｏｂｕｓｔｉｎｖａｒｉａｎｔｓｃａｌａｂｌｅｋｅｙｐｏｉｎｔｓ［Ｃ］／／ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，ＩＣＣＶ２０１１．Ｂａｒｃｅｌｏｎａ，Ｓｐａｉｎ：ＩＥＥＥ，２０１１：２５４８．［１０］ＡＬＡＨＩＡ，ＯＲＴＩＺＲ，ＶＡＮＤＥＲＧＨＥＹＮＳＴＰ．ＦＲＥＡＫ：Ｆａｓｔｒｅｔｉｎａｋｅｙｐｏｉｎｔ［Ｃ］／／２０１２ＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ（ＣＶＰＲ）．Ｐｒｏｖｉｄｅｎｃｅ，ＲｈｏｄｅＩｓｌａｎｄ：ＩＥＥＥ，２０１２：５１０．［１１］ＧＵＣＬＵＯ，ＣＡＮＡＢ．ＡｃｏｍｐａｒｉｓｏｎｏｆｆｅａｔｕｒｅｄｅｔｅｃｔｏｒｓａｎｄｄｅｓｃｒｉｐｔｏｒｓｉｎＲＧＢ－ＤＳＬＡＭｍｅｔｈｏｄｓ［Ｍ］／／ＫＡＭＥＬＭ，ＣＡＭＰＩＬＨＯＡ．ＩｍａｇｅＡｎａｌｙｓｉｓａｎｄＲｅｃｏｇｎｉｔｉｏｎ．ＩＣＩＡＲ２０１５．ＬｅｃｔｕｒｅＮｏｔｅｓｉｎＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ．Ｃｈａｍ：Ｓｐｒｉｎｇｅｒ，２０１５，９１６４：２９７．［１２］刘晓璐．典型二进制描述子研究及性能评估［Ｄ］．西安：西安电子科技大学，２０１４．［１３］ＭＡＩＲＥ，ＨＡＧＥＲＧＤ，ＢＵＲＳＣＨＫＡＤ，ｅｔａｌ．Ａｄａｐｔｉｖｅａｎｄｇｅｎｅｒｉｃｃｏｒｎｅｒｄｅｔｅｃｔｉｏｎｂａｓｅｄｏｎｔｈｅａｃｃｅｌｅｒａｔｅｄｓｅｇｍｅｎｔｔｅｓｔ［Ｍ］／／ＤＡＮＩＩＬＩＤＩＳＫ，ＭＡＲＡＧＯＳＰ，ＰＡＲＡＧＩＯＳＮ．ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ–ＥＣＣＶ２０１０．ＥＣＣＶ２０１０．ＬｅｃｔｕｒｅＮｏｔｅｓｉｎＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ．Ｂｅｒｌｉｎ／Ｈｅｉｄｅｌｂｅｒｇ：Ｓｐｒｉｎｇｅｒ，２０１０，６３１２：１８３．［１４］ＲＯＳＴＥＮＥ，ＤＲＵＭＭＯＮＤＴ．Ｍａｃｈｉｎｅｌｅａｒｎｉｎｇｆｏｒｈｉｇｈ－ｓｐｅｅｄｃｏｒｎｅｒｄｅｔｅｃｔｉｏｎ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ９ｔｈＥｕｒｏｐｅａｎＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ．Ｇｒａｚ，Ａｕｓｔｒｉａ：Ｓｐｒｉｎｇｅｒ－Ｖｅｒｌａｇ，２００６，１：４３０．［１５］ＴＯＬＡＥ，ＬＥＰＥＴＩＴＶ，ＦＵＡＰ．Ｄａｉｓｙ：Ａｎｅｆｆｉｃｉｅｎｔｄｅｎｓｅｄｅｓｃｒｉｐｔｏｒａｐｐｌｉｅｄｔｏｗｉｄｅｂａｓｅｌｉｎｅｓｔｅｒｅｏ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ（ＰＡＭＩ），２０１０，３２（５）：８１５．［１６］ＣＨＯＮＧＣＷ，ＲＡＶＥＥＮＤＲＡＮＰ，ＭＵＫＵＮＤＡＮＲ．ＡｃｏｍｐａｒａｔｉｖｅａｎａｌｙｓｉｓｏｆａｌｇｏｒｉｔｈｍｓｆｏｒｆａｓｔｃｏｍｐｕｔａｔｉｏｎｏｆＺｅｒｎｉｋｅｍｏｍｅｎｔｓ［Ｊ］．ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，２００３，３６（３）：７３１．［１７］ＨＥＩＮＬＹＪ，ＤＵＮＮＥ，ＦＲＡＨＭＪＭ．Ｃｏｍｐａｒａｔｉｖｅｅｖａｌｕａｔｉｏｎｏｆｂｉｎａｒｙｆｅａｔｕｒｅｓ［Ｃ］／／Ｐｒｏｃ．ｏｆＥｕｒｏｐｅａｎＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ．Ｆｌｏｒｅｎｃｅ，Ｉｔａｌｙ：Ｓｐｒｉｎｇｅｒ－Ｖｅｒｌａｇ，２０１２：７５９．［１８］ＭＩＫＯＬＡＪＣＺＹＫＫ，ＳＣＨＭＩＤＣ．Ａｎａｆｆｉｎｅｉｎｖａｒｉａｎｔｉｎｔｅｒｅｓｔｐｏｉｎｔｄｅｔｅｃｔｏｒ［Ｍ］／／ＨＥＹＤＥＮＡ，ＳＰＡＲＲＧ，ＮＩＥＬＳＥＮＭ，ｅｔａｌ．ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ ＥＣＣＶ２００２．ＥＣＣＶ２００２．ＬｅｃｔｕｒｅＮｏｔｅｓｉｎＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ．Ｂｅｒｌｉｎ／Ｈｅｉｄｅｌｂｅｒｇ：Ｓｐｒｉｎｇｅｒ，２００２，２３５０：１２８．［１９］石祥滨，张劲松，刘进立，等．一种适合于大尺寸航拍图像的特征点匹配方法［Ｊ］．沈阳航空航天大学学报，２０１３，３０（４）：４０．（上接第１７３页）人脸识别的驾驶人员疲劳检测系统对疲劳驾驶进行检测㊂在模拟平台中，模拟１００组驾驶人员行驶情况，并且其中每一组的驾驶人员状态都不相同，分别利用２种方法对１００组各进行一次检测，且在检测的过程中，保证每组进行两次行驶的状态保持一致㊂３．２㊀实验结果分析对照组与实验组分别对１００组驾驶人员的行驶过程中的疲劳检测结果见表１㊂表１㊀检测结果对比Ｔａｂ．１㊀Ｃｏｍｐａｒｉｓｏｎｏｆｔｅｓｔｒｅｓｕｌｔｓ组别正常行驶状态人数／人疲劳驾驶状态人数／人实际疲劳驾驶状态人数／人精准度／％对照组６１３９６０６５实验组４３５７６０９５㊀㊀表１中，精准度的计算公式为：精准度＝疲劳驾驶状态人数／实际疲劳驾驶状态人数ˑ１００％．（２）由表１中可以看出，实验组检测结果的精准度明显高于对照组，说明本文设计的检测系统可以更加精确地检测出驾驶人员的疲劳驾驶情况，具有非常高的实用价值㊂４㊀结束语本文基于人脸识别技术的优势，设计一套全新的驾驶人员疲劳检测系统，具有较高的社会价值㊂本文对驾驶人员的眼部状态进行精准的检测，在检测到疲劳驾驶时可以对驾驶人员进行及时的预警，同时还对人脸识别㊁人眼定位等方面实现了全新的设计㊂但在研究运算的过程中，由于能力有限，运算量较小，因此还存在一定的误差，在下一步工作中还将结合其它更加成熟的算法加以研究㊂参考文献［１］刘金星，付阳，李可民．基于ＵＳＢ３．０传输的人脸识别近红外相机系统［Ｊ］．电声技术，２０１８，４２（８）：９．［２］唐阳山，徐忠帅，杨语尧．基于面部表情的驾驶员疲劳特征提取［Ｊ］．辽宁工业大学学报（自然科学版），２０１８，３８（６）：４０４．［３］马发民，吴红乐，张林，等．基于ＢＰ神经网络的疲劳判定［Ｊ］．计算机与数字工程，２０１７，４５（６）：１１８７．９７１第２期陈婵，等：基于改进ＢＲＩＳＫ算法的图像特征提取方法研究。
基于人脸识别的疲劳驾驶监测与报警系统设计与实现
基于人脸识别的疲劳驾驶监测与报警系统设计与实现随着交通工具的普及和交通运输的发展，道路安全问题日益引起关注。
疲劳驾驶是导致交通事故的一个重要原因之一。
为了解决这一问题，许多研究者和工程师致力于开发基于人脸识别的疲劳驾驶监测与报警系统。
本文将介绍该系统的设计和实现。
1. 引言疲劳驾驶是指由于长时间驾驶或睡眠不足而导致驾驶者注意力不集中、反应时间延长的状态。
这种状态下，驾驶者容易产生昏睡、分神等问题，从而增加交通事故的风险。
基于人脸识别的疲劳驾驶监测与报警系统旨在通过识别驾驶者的疲劳表现并及时进行报警，提醒驾驶者休息或采取其他措施，以降低交通事故的发生率。
2. 系统设计基于人脸识别的疲劳驾驶监测与报警系统主要由以下几个组成部分构成：人脸识别模块、疲劳检测模块、报警模块、数据库模块和用户界面。
下面对每个模块进行详细介绍。
2.1 人脸识别模块人脸识别模块是该系统的核心部分，用于识别驾驶者的脸部特征，并进行疲劳检测。
该模块采用深度学习算法，如卷积神经网络（CNN），对驾驶者的脸部图像进行训练和识别。
通过与数据库中预存的疲劳和非疲劳状态的脸部图像进行比对，从而判断驾驶者是否处于疲劳状态。
2.2 疲劳检测模块疲劳检测模块通过分析驾驶者的眼部特征来判断其是否处于疲劳状态。
该模块使用眼睛闭合时间、眨眼频率等指标来评估驾驶者的疲劳程度。
当驾驶者的眼睛闭合时间超过一定阈值或眨眼频率较低时，系统将判定其疲劳并触发报警。
2.3 报警模块当系统检测到驾驶者处于疲劳状态时，报警模块会发出声音、震动或向驾驶者的手机发送警告信息，提醒其注意休息或采取措施。
报警模块需要与车辆的音响、振动器或手机应用程序进行集成，以确保驾驶者能够及时接收到警告信号。
2.4 数据库模块数据库模块用于存储驾驶者的脸部图像和对应的疲劳状态。
通过建立一个驾驶者信息的数据库，可以对不同驾驶者的疲劳特征进行管理和比对。
这对于系统的准确识别和报警非常重要。
2.5 用户界面用户界面是系统的交互界面，提供给用户操作和控制系统的功能。
基于人脸追踪和特征分析的疲劳驾驶预警系统设计
1 基础人脸识别及关键算法
1.1 基于特征脸的人脸识别算法 特征人脸识别算法是一种在主成分分析 （PCA）中进行人脸辨识的技术。 a.采集驾驶人图像作为训练样本 令驾驶人保持常用的驾驶坐姿，采集期间 目视前方，将采集到的图像作为训练样本数据。 b.处理训练数据 假设采集到 M 张人脸图像信息，把每张 图像拉成一列（假设图片像素个数是 N）， 将这些向量放在一个矩阵 S 中作为训练样本：
关键词：嵌入式系统 人脸追踪 特征分析 疲劳驾驶预警
Design of Early Warning System of Fatigue Driving Based on Face Tracking and Feature Analysis
Qi Wei，Zhang Laigang，Liu Zhaoyang
其中相机的内参只由相机本身决定，由 张正友标定法等标定出来；相机的外参会随 着 世 界 坐 标 系 中 物 体 的 位 置 而 变 化， 当 计 算 出 相 机 畸 变 后， 把 3D 参 考 点、2D 关 键 点、相机内参和相机畸变输入到 OpenCV 的 solvePnP 函数中求解出旋转矩阵 R 和平移矩 阵 T，最后通过欧拉角的计算出头部运动姿态，
得到驾驶人的头部 pitch（俯仰角）、yaw（偏 航角）和 roll（翻滚角）。
2 基于人脸特征分析的疲劳驾驶检测 方法
2.1 基于眼部特征分析的疲劳检测方法 2.1.1 基于眼部特征分析的疲劳指标 （1）眨眼频率指标 本设计采用 EAR（Eye Aspect Ratio， 眼睛纵横比）值来作为眨眼频率检测的方法。 EAR 的表示图片如下，其中 P1-P6 代表人眼 6 个特征点在图像中的坐标位置，EAR 的本 质就是求距离之比。
基于图像处理的人脸情绪识别与疲劳驾驶监测系统设计与实现
基于图像处理的人脸情绪识别与疲劳驾驶监测系统设计与实现随着科技的不断发展，基于图像处理的人脸情绪识别与疲劳驾驶监测系统逐渐成为智能化交通领域的研究热点。
该系统结合了图像处理技术和人工智能算法，能够识别驾驶员的情绪状态和疲劳程度，为驾驶员提供实时的安全提示和警告，从而提高驾驶员的安全驾驶意识和道路安全性。
一、系统设计1. 系统框架基于图像处理的人脸情绪识别与疲劳驾驶监测系统主要包括图像采集模块、图像处理模块、情绪识别模块和疲劳驾驶监测模块。
系统通过摄像头采集驾驶员的面部图像，经过图像处理和人脸识别算法处理后，利用机器学习算法来提取特征并识别驾驶员的情绪状态和疲劳程度。
2. 图像采集模块图像采集模块是整个系统的基础，通过高清摄像头采集驾驶员的面部图像，并传输给图像处理模块进行后续处理。
为了提高采集效果，在设计过程中需要考虑光线、角度等因素对图像质量的影响。
3. 图像处理模块图像处理模块负责对采集到的图像进行预处理，包括图像去噪、图像增强、图像裁剪等操作。
同时，还需要通过人脸检测算法和特征提取算法来提取驾驶员的面部特征，为后续的情绪识别和疲劳驾驶监测做准备。
4. 情绪识别模块情绪识别模块利用机器学习算法对驾驶员的面部表情进行分类和识别，判断出他们的情绪状态，如高兴、悲伤、生气等。
常用的方法包括支持向量机（SVM）、卷积神经网络（CNN）等。
5. 疲劳驾驶监测模块疲劳驾驶监测模块主要通过分析驾驶员的面部特征，如眼睛的闭合程度、眨眼频率等指标来判断其是否处于疲劳驾驶状态。
在算法设计方面，可以采用基于形态学的眼睛识别算法来计算眼睛的闭合程度，并设置阈值来判断驾驶员是否疲劳驾驶。
二、系统实现1. 图像采集与传输利用高清USB摄像头采集驾驶员的面部图像，通过数据传输接口将图像数据传输给后端的图像处理模块。
2. 图像处理与特征提取使用OpenCV等图像处理库对采集到的图像进行预处理，包括图像去噪、图像增强、图像裁剪等操作。
基于驾驶员面部特征的疲劳检测系统研究
基于驾驶员面部特征的疲劳检测系统研究刘馨雨1 李庭燎21.南京审计大学 统计与数据科学学院 江苏省南京市 2100002.南京审计大学 商学院 江苏省南京市 210000摘 要： 疲劳驾驶在我国的交通事故引发率居高不下，如何对驾驶员进行科学有效的疲劳驾驶检测并及时预警已经成为了当下热议的话题。
为减少疲劳驾驶造成的交通安全风险，本文对基于驾驶员面部特征的检测方法进行了研究，通过对疲劳特征参数的提取克服了单一参数疲劳驾驶判断方法导致的判定精准度低等缺陷，且计算需求小，普适性能强。
关键词：疲劳驾驶 检测 PERCLOS 人眼定位1 引言在交通事故的伤亡事件中，由于驾驶员困倦、疲劳驾驶等原因所致的交通事故发生率迅速增加，并逐步成为引发交通事故的主要原因。
在我国，每年有40%以上的道路交通事故是由大型汽车引起的，其中死亡的比例在21%以上；如果是在高速上，时速超过160公里，那么一旦发生车祸，驾驶员的死亡率就会接近100%[1]。
但是，在发生疲劳驾驶前，通过对驾驶员的实时监测，可以获取其以前的疲劳特性，并对其进行实时提醒，从而对其进行疲劳预警，如此一来，就可以将交通事故的发生率降到最低。
迄今为止，相关研究学者明确了许多人眼定位的方法。
在此之中，具有较高代表性的方法为：Anber Salma等采用基于面部特征的Alexnet混合驾驶员疲劳和分心检测模型[2]；Zhang Tao通过分析非侵入性头皮EEG信号来探讨基于样本熵特征的多核算法对疲劳和正常受试者的分类性能，构建基于样本熵的多通道脑电真实驾驶疲劳检测方法[3]；Bala等相关学者在研究中明确了基于遗传算法等来支持分析眼睛定位[4]；Wang等学者建立基于相位滞后指数的图形注意网络以用于检测驾驶疲劳。
[5]；MamunurRashid等学者基于随机子空间K-Nn的集成分类器，利用选定的脑电通道进行驾驶员疲劳检测[6]。
总而言之，现在已开发的许多的眼部定位算法，其基本都具有较多的计算量，部分算法的实际应用十分困难，部分算法对脸部图像的转动、移动等的改变十分敏感，进而将致使算法效率的下降。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
科技风2019年1月科技创新
D O I：10.19392/ki.1671-7341.201901001
基于面部特征的疲劳驾驶检测系统的设计
撒灵于顺权梁文豪
西北民族大学甘肃兰州730100
摘要：因为疲劳驾驶而导致事故发生的事件层出不穷，一款好的疲劳检测系统能够有效的避免事故的发生，以特征点检测 以及面部特征（长时间闭眼、打哈欠）为核心设计疲劳检测系统，能够在一定程度上减少事故的发生。
关键词：脸部特征;人脸检测；疲劳检测;EAR;MAR
高速驾车时，驾驶人精神紧张，长时间紧张就容易产生疲
劳感，疲劳后继续驾驶车辆，会感到疲倦瞌睡、四肢无力、注意
力不集中、判断力下降等，此时危险系数会急剧增大，导致意外
的发生。
疲劳检测系统通过计算判断长时间闭眼、打哈欠等脸
部特征来判断疲劳的程度，从而提醒驾驶人进行休息、停车等。
一、系统整体设计
(一）特征点确定
通过摄像头捕捉到一帧图像后，进行肤色检测得到肤色部
分，对肤色部分进行最大连通区算以及膨胀，腐蚀等形态学算
法消除较小肤色区域，最后通过人脸的几何特征确定出人脸的
准备位置，完成人脸检测。
根据得到人脸的具体位置信息，从
原图中选取出人脸部分，对人脸进行特征点检测，选取其中的
68个特征点进行使用，计算结果如下图：
其中P37-P43为眼部特征点，P49-P69为嘴部特征点。
(二)EAR、MAR计算
EAR、MAAR艮P眼部纵横比（Eye Aspect Ratio,EAR)、嘴部
纵横比（Mouth Aspect Ratio,MAR)〇
其中：
左眼：EAi?l HP38-P42||+ l l^39-P41I I 2x W P^-P^W
右眼：EA12r I I P44-P48I I+ I I^45-P47I I
2x U'-P J I
嘴部：MAR H-P61-Pei I I+ K62-P66I I+ 1I-P63-P65I I
3 x||||
可以利用欧式距离分别计算出E A R和MAR。
(三）疲劳情况判断
就E A R而言，通过计算得出E A R r和EAR1后，将E A R r和EAR1分别与预先设定好的阈值进行比较，判断左右眼是否闭 眼,当双眼同时满足闭眼条件时，开启定时器，结束条件为下一 次某只眼睛睁眼或同时睁眼，测得闭眼时长，与预先设定好的 时间阈值进行比较后判断是否存在长时间闭眼。
同理可以得 到打哈欠状态。
测得用户当前状态之后，根据下表进行疲劳程度判断:
每分钟长时间闭眼次数t t<22^t<5t5s5疲劳程度无疲劳轻度疲劳重度疲劳哈欠疲劳图类似，根据具体场景存在不同的变化。
二、阈值确定
整个系统中，需要两组阈值的确定，分别是用来确定长时 间闭眼的一组阈值以及判断打哈欠的阈值。
两组阈值的确定 具有统一性，所以就拿其中确定打哈欠的阈值来说。
首先来确定张嘴的阈值(TH_0_MAR)。
虽然嘴部的大小，形状具有不确定行，但是经过M A R计算得到比例之后就具有 确定性，可以很好的反应张嘴和闭嘴的情况。
对嘴部进行实时 监测，计算嘴部的M AR计算结果，绘制检测图，如图：
选取波动区域上方区域即可设定为阈值，选取〇.15较为 合适。
打哈欠还需要确定时间阈值，时间阈值的确定类似t h_〇_ M A R的确定,经过多次测试，得到阈值大致为:1.2s。
其他阈值的确定类似。
三、总结
根据面部特征进行疲劳检测具有一定的可实施性，整个系 统依赖于人脸检测算法的设计以及阈值的确定，然而阈值过多 必将导致其鲁棒性较差，通过选择合适的参数更能提高整个系 统的性能。
项目说明：本项目由西北民族大学本科生科研项目资助(项目编号:Y18019)
作者简介:撒灵（1997-),男，回族，宁夏吴忠人，现就读于 西北民族大学数学与计算机科学学院，物联网工程专业；于顺 权（1996-)，男，壮族，贵州黔西南人，现就读于西北民族大学数 学与计算机科学学院，物联网工程专业；梁文豪（2000-),男，汉 族，海南东方人，现就读于西北民族大学数学与计算机科学学 院，
物联网工程专业。