隨著社會(huì)經(jīng)濟(jì)的發(fā)展，我國(guó)汽車(chē)保有量逐年增加,，交通安全形勢(shì)愈發(fā)嚴(yán)峻,。在所有交通事故的成因中，由疲勞駕駛造成的交通事故占總交通事故的20%左右,，占特大交通事故40%以上,。目前，疲勞駕駛的檢測(cè)方法主要分為三大類(lèi)：基于生理指標(biāo)的檢測(cè)方法,、基于駕駛員行為特性分析的檢測(cè)方法和基于面部表情識(shí)別的檢測(cè)方法,。基于生理指標(biāo)的檢測(cè)方法采用接觸式測(cè)量方式,，一般通過(guò)測(cè)試駕駛?cè)藛T的生理信號(hào)來(lái)推測(cè)駕駛?cè)说钠跔顟B(tài),。文獻(xiàn)[2]使用一種自制駕駛員腦電圖信號(hào)檢測(cè)裝置，采用快速傅里葉變換提取腦電圖功率譜密度,，當(dāng)分析腦電圖功率譜密度發(fā)現(xiàn)疲勞時(shí),，采取一種自動(dòng)減速的車(chē)輛速度控制策略。這種接觸式生理參數(shù)測(cè)試方法通常需要被測(cè)者佩戴相應(yīng)的裝置(如電極片等),，會(huì)給駕駛行為造成極大干擾,，不適合實(shí)際行車(chē)環(huán)境下的應(yīng)用?；隈{駛?cè)诵袨樘匦缘钠跈z測(cè)方法受道路環(huán)境,、行駛速度、個(gè)人習(xí)慣,、操作技能等的影響,，并不適用我國(guó)復(fù)雜多變的道路情形。得益于機(jī)器視覺(jué)等人工智能的發(fā)展,，基于面部表情的疲勞駕駛檢測(cè)方法因其應(yīng)用成本較低,、無(wú)需干擾駕駛?cè)藛T，已經(jīng)成為該領(lǐng)域的研究熱點(diǎn),。文獻(xiàn)[3]基于開(kāi)源庫(kù)提取的人臉輪廓點(diǎn)計(jì)算眼和嘴的縱橫比,，生成瞇眼和哈欠特征，基于線性擬合趨勢(shì)提取法生成車(chē)輛操縱活躍度特征,，然后采用改進(jìn)的隨機(jī)森林模型對(duì)疲勞狀態(tài)進(jìn)行識(shí)別。文獻(xiàn)[4]提出了一種采用級(jí)聯(lián)的序列級(jí)和幀級(jí)兩層檢測(cè)模型，分別處理持續(xù)睜眼和眨眼的視頻序列,，實(shí)現(xiàn)由粗到精漸進(jìn)地檢測(cè)眨眼的方法,，通過(guò)隨機(jī)回歸森林計(jì)算眼睛開(kāi)合度，最終完成眨眼過(guò)程,。文獻(xiàn)[5]針對(duì)復(fù)雜光照和姿態(tài)變化造成疲勞駕駛的原因,，提出了實(shí)時(shí)增強(qiáng)約束局部模型的多信息疲勞檢測(cè)方法。文獻(xiàn)[6]提出比例縮減區(qū)域(PRA)的方法快速定位人眼,，其原理為對(duì)面部區(qū)域反復(fù)迭代縮減,，最后得到對(duì)人眼區(qū)域的定位。因此,，構(gòu)建一種可靠快速的人眼定位技術(shù)是對(duì)駕駛?cè)藛T疲勞檢測(cè)的關(guān)鍵,。由于光照、道路兩側(cè)樹(shù)木及樓房陰影等原因的影響,，直接在原始圖像中進(jìn)行人眼定位存在較大困難,，而且準(zhǔn)確率較低，因此,，人眼定位一般分為如下步驟：第一步,，在原始圖像中定位出人臉區(qū)域；第二步,，在人臉圖像中粗定位出人眼區(qū)域,；第三步，對(duì)人眼區(qū)域進(jìn)行精確定位,。

       考慮到不同特征維度對(duì)人臉的貢獻(xiàn)程度不同,，本文提出了一種基于信息熵加權(quán)的方向梯度直方圖(Histogram of Oriented Gradients，HOG)與支持向量機(jī)(Support Vector Machine,，SVM)相結(jié)合的人臉檢測(cè)算法,，可以有效提取人臉特征，并準(zhǔn)確完成人臉定位,。在完成人臉檢測(cè)之后,，以人臉區(qū)域?yàn)槟赴妫炔捎肙penCV開(kāi)源實(shí)現(xiàn)對(duì)人眼的粗定位,；然后采用自商圖消除光照影響,，遍歷尋找最優(yōu)二值分割點(diǎn)；最后用二值分割圖像進(jìn)行積分投影,，實(shí)現(xiàn)瞳孔的精確定位,。該算法解決了復(fù)雜光照下的瞳孔定位問(wèn)題。

本文詳細(xì)內(nèi)容請(qǐng)下載:http://wldgj.com/resource/share/2000003147

作者信息：

杜永昂,，楊耀權(quán),，金玥佟

(華北電力大學(xué) 控制與計(jì)算機(jī)學(xué)院,，河北 保定071003)