论文部分内容阅读
摘 要：在交通飞速跃进的现代社会，开车的人数越来越多，疲劳驾驶使得道路事故急剧增加，给人民和社会的安全带来巨大隐患。所以对开车人进行实时疲劳程度检测越来越急迫和重要。本文主要通过将模板匹配与支持向量机相结合的检测算法。人脸检测用模板匹配，用空间模式聚类方法分割出来人的嘴巴部分，再用支持向量机来综合嘴巴的状态和人眼的状态来判断驾驶员疲劳。
关键词：模板匹配;空间模式聚类;支持向量机;疲劳检测
一、当前驾驶员疲劳检测系统的现状分析
1.1驾驶员疲劳检测系统的现状与发展
现阶段对疲劳驾驶的检测研究主要包括主观检测和客观检测。主观检测是通过对驾驶员的自我记录表、主观调查表、皮尔逊疲劳量表及斯坦福睡眠尺度表等的进行评定，该方法对驾驶员的依赖程度较高，并且对疲劳驾驶无法进行实时检测。[1]客观检测的研究主要是在以下的3个方面：
（1）基于对驾驶员行为特性的检测。根据对驾驶员行为的实时检测，判断驾驶员当前的疲劳状态，如眼睑的活动等。
（2）基于对车辆参数的检测。根据对驾驶过程车辆所检测的参数，判断驾驶员的操作指标，得出驾驶员的疲劳程度，如车速、车辆位置、方向盘的转动角度等。
（3）基于对驾驶员生理参数测量的检测。根据检测出的驾驶员的生理特征，判断其疲劳状态，如心电图、脑电图等。
综合分析驾驶员疲劳状态检测技术的研究状况，在今后驾驶员疲劳检测技术的研究工作主要会从以下几个方面进行开展：
（1）驾驶员疲劳检测要实时进行。
（2）驾驶疲劳形成机理和模型的研究。
（3）整合多种方法以提高驾驶员疲劳检测的可靠性。
（4）驾驶员疲劳报警装置的研究与普及应用。
1.2驾驶员疲劳检测系统存在的问题
国内外的各大汽车厂商也设计出各种用于检测疲劳驾驶的设备。比如通过检测人疲劳时的生理特征来检测驾驶员的疲劳状态，如脑电图等测量方法，尽管这些方法的测量结果比较准确，但一般都是在驾驶前后测量的，因而结果会有超前或滞后，不能进行实时检测。
二.基于人脸识别的驾驶员疲劳检测系统设计
2.1研究内容与目标
本设计在基于机器视觉和人脸识别技术的基础上，开发一套可进行人机交互设备，在终端使用的进行实时检测驾驶员疲劳状况的系统。有如下四个方面的目标：
（1）用模板匹配算法进行人脸检测。
（2）用聚类的方法分割出来人的嘴巴部分。
（3）对疲劳和不疲劳的特征进行SVM训练。
（4）用支持向量机（SVM）来综合嘴巴的状态和人眼的状态来判断驾驶员是否疲劳。
2.2研究方法和研究进展
2.2.1研究内容的技术路线图
2.2.2模板匹配算法检测人脸的研究
模板匹配属于预先定义模板类的人脸检测方法，即在检测之前预先定义好人脸模板，然后使用该模板遍历待测图像，筛选出可能的人脸区域，最后使用启发式规则进行确认。该算法的总体设计如图2所示。[2]
2.2.3用空间模式聚类方法分割人的嘴巴
空间模式聚类算法是将图像中的每个像素看成是一个模式，每个模式既体现了所代表的空间信息，又包含了像素的颜色信息。这样对像素的聚类，就转变成为对模式的聚类。聚类过程中利用Lab色彩空间中的a分量表示像素的颜色信息，同时用测得距离代替欧几里得距离表示空间模式聚类算法中的结构不相似性。[3]
根据新定义的不相似性，空间模式聚类可以在最小化权值不相似性时获得：
其中m是模糊因子（m>1） 。一个局部的最小值可以通过运行下面的迭代过程进行求解。
（1）初始化：随机初始化隶属度矩阵U（0） 重置迭代值n，令割据误差门限值εT 为一小的正值。
（2）将图像转换到Lab色彩空间，利用a分量值作为空间模式的特征值利用以下公式计算聚类中心的V（n） ：
（3）对那些模式的标记已经在当前迭代当中改变的，通过计算模式的比率来估计割据误差：
2.2.4用支持向量机来实现疲劳检测
训练用于疲劳检测的SVM分类器的首要问题是样本的选取，对于“人脸”样本，我们选取了10个人的人脸图像，并且都不带眼镜，因为眼镜有时候会反光，不好定位人眼。
为了便于人脸定位和综合多尺度信息，我们不是直接使用符号函数作为SVM分类器，而是引入如下的映射使得输出规范到区间[0，1]，以此数值反映检测窗口与人脸的相似度：[4]
彩色图像中得到的眼睛部分利用MATLAB中svmclassify（svmStruct，Feature）这个支持向量机方法进行对比，svmStruct是训练好的数据，Feature是从图像中得到的相关向量值。最终进行一系列的分析得到驾驶员在此时是否处于疲劳状态。
2.3系统实现效果图
参考文献：
[1] 王斐，王少楠，王惜慧，彭莹，杨乙丁.基于脑电图识别结合操纵特征的驾驶疲劳检测[J].仪器仪表学报，2014.
[2] 龙开文. 基于模板匹配的人脸检测[J]. 四川大学， 2005.
[3] 宋传振， 岳振军， 贾永兴， 等. 基于改进的空间模式聚类算法的唇部分割[J]. 军事通信技术， 2013.
[4] 梁路宏，艾海舟，肖习攀，叶航军，徐光. 基于模板匹配与支持向量机的人脸检测[J]. 计算机学报， 2002.
作者简介：
姓名：劉珂（1999.02-）男，山东省临沂市人，本科，就读于哈尔滨理工大学，研究方向：软件工程。
关键词：模板匹配;空间模式聚类;支持向量机;疲劳检测
一、当前驾驶员疲劳检测系统的现状分析
1.1驾驶员疲劳检测系统的现状与发展
现阶段对疲劳驾驶的检测研究主要包括主观检测和客观检测。主观检测是通过对驾驶员的自我记录表、主观调查表、皮尔逊疲劳量表及斯坦福睡眠尺度表等的进行评定，该方法对驾驶员的依赖程度较高，并且对疲劳驾驶无法进行实时检测。[1]客观检测的研究主要是在以下的3个方面：
（1）基于对驾驶员行为特性的检测。根据对驾驶员行为的实时检测，判断驾驶员当前的疲劳状态，如眼睑的活动等。
（2）基于对车辆参数的检测。根据对驾驶过程车辆所检测的参数，判断驾驶员的操作指标，得出驾驶员的疲劳程度，如车速、车辆位置、方向盘的转动角度等。
（3）基于对驾驶员生理参数测量的检测。根据检测出的驾驶员的生理特征，判断其疲劳状态，如心电图、脑电图等。
综合分析驾驶员疲劳状态检测技术的研究状况，在今后驾驶员疲劳检测技术的研究工作主要会从以下几个方面进行开展：
（1）驾驶员疲劳检测要实时进行。
（2）驾驶疲劳形成机理和模型的研究。
（3）整合多种方法以提高驾驶员疲劳检测的可靠性。
（4）驾驶员疲劳报警装置的研究与普及应用。
1.2驾驶员疲劳检测系统存在的问题
国内外的各大汽车厂商也设计出各种用于检测疲劳驾驶的设备。比如通过检测人疲劳时的生理特征来检测驾驶员的疲劳状态，如脑电图等测量方法，尽管这些方法的测量结果比较准确，但一般都是在驾驶前后测量的，因而结果会有超前或滞后，不能进行实时检测。
二.基于人脸识别的驾驶员疲劳检测系统设计
2.1研究内容与目标
本设计在基于机器视觉和人脸识别技术的基础上，开发一套可进行人机交互设备，在终端使用的进行实时检测驾驶员疲劳状况的系统。有如下四个方面的目标：
（1）用模板匹配算法进行人脸检测。
（2）用聚类的方法分割出来人的嘴巴部分。
（3）对疲劳和不疲劳的特征进行SVM训练。
（4）用支持向量机（SVM）来综合嘴巴的状态和人眼的状态来判断驾驶员是否疲劳。
2.2研究方法和研究进展
2.2.1研究内容的技术路线图
2.2.2模板匹配算法检测人脸的研究
模板匹配属于预先定义模板类的人脸检测方法，即在检测之前预先定义好人脸模板，然后使用该模板遍历待测图像，筛选出可能的人脸区域，最后使用启发式规则进行确认。该算法的总体设计如图2所示。[2]
2.2.3用空间模式聚类方法分割人的嘴巴
空间模式聚类算法是将图像中的每个像素看成是一个模式，每个模式既体现了所代表的空间信息，又包含了像素的颜色信息。这样对像素的聚类，就转变成为对模式的聚类。聚类过程中利用Lab色彩空间中的a分量表示像素的颜色信息，同时用测得距离代替欧几里得距离表示空间模式聚类算法中的结构不相似性。[3]
根据新定义的不相似性，空间模式聚类可以在最小化权值不相似性时获得：
其中m是模糊因子（m>1） 。一个局部的最小值可以通过运行下面的迭代过程进行求解。
（1）初始化：随机初始化隶属度矩阵U（0） 重置迭代值n，令割据误差门限值εT 为一小的正值。
（2）将图像转换到Lab色彩空间，利用a分量值作为空间模式的特征值利用以下公式计算聚类中心的V（n） ：
（3）对那些模式的标记已经在当前迭代当中改变的，通过计算模式的比率来估计割据误差：
2.2.4用支持向量机来实现疲劳检测
训练用于疲劳检测的SVM分类器的首要问题是样本的选取，对于“人脸”样本，我们选取了10个人的人脸图像，并且都不带眼镜，因为眼镜有时候会反光，不好定位人眼。
为了便于人脸定位和综合多尺度信息，我们不是直接使用符号函数作为SVM分类器，而是引入如下的映射使得输出规范到区间[0，1]，以此数值反映检测窗口与人脸的相似度：[4]
彩色图像中得到的眼睛部分利用MATLAB中svmclassify（svmStruct，Feature）这个支持向量机方法进行对比，svmStruct是训练好的数据，Feature是从图像中得到的相关向量值。最终进行一系列的分析得到驾驶员在此时是否处于疲劳状态。
2.3系统实现效果图
参考文献：
[1] 王斐，王少楠，王惜慧，彭莹，杨乙丁.基于脑电图识别结合操纵特征的驾驶疲劳检测[J].仪器仪表学报，2014.
[2] 龙开文. 基于模板匹配的人脸检测[J]. 四川大学， 2005.
[3] 宋传振， 岳振军， 贾永兴， 等. 基于改进的空间模式聚类算法的唇部分割[J]. 军事通信技术， 2013.
[4] 梁路宏，艾海舟，肖习攀，叶航军，徐光. 基于模板匹配与支持向量机的人脸检测[J]. 计算机学报， 2002.
作者简介：
姓名：劉珂（1999.02-）男，山东省临沂市人，本科，就读于哈尔滨理工大学，研究方向：软件工程。