核心词：宁波驾校 驾驶员检测技术 疲劳检测技术 检测技术 
目录：
1、针对此种技术
2、驾驶员所处的车内环境并不复杂
3、在人脸区域内
4、其中训练样本采用驾驶用该车的所有驾驶员的眼部图像
5、对于眼睛跟踪的算法
6、但是此种算法在提取过程中经常出现错误
7、人脸定位技术中采用基于肤色的高斯模型方式进行实现
　　随着生活水平的提高,随着科技的发展,越来越多的人们购买了私家车。

随着私家车的增多,交通变得更拥挤了,随之而来的就是交通事故的突飞猛进。

统计数据表明,很多交通事故的产生是由于驾驶员长期驾驶导致疲劳造成的。

驾驶员疲劳检测技术就逐渐成为汽车主动安全领域的研究热点。

总体上,此项技术可以分为四个部分:人脸定位、眼睛识别、眼睛跟踪和疲劳检测。

人脸定位是为人眼识别做准备,缩小眼睛识别部分的区域,提升准确性与实时性;眼睛识别是要提取驾驶员眼部的区域图像,为疲劳判定做准备;眼睛跟踪则是在眼睛识别的基础上始终定位于驾驶过程中驾驶员的眼部区域;疲劳检测则是针对整个驾驶过程中驾驶员的眼部状态进行评判,从而判定驾驶员每时每刻所处的疲劳状态。
　　

针对此种技术

　　针对此种技术,目前国内外主要有以下几种算法。基于器官特征的方法是在图像中提取出面部器官特征,依据五官分布的几何规则来确认面部的存在。基于神经网络的人脸定位通过对面部样本集与非面部样本集进行学习从而产生分类器来实现。虽然此种方法具有一定的鲁棒性和自适应性,但是计算复杂度太高,计算速度较慢。基于模板匹配的人脸定位依据模板的不同可以具体分为两种方法:通过设计得到可以参考的固定模板,依据输入图像与模板的相似度来判断面部的位置;手工构造或系统自动产生的参数化曲线和曲面来表征变形模板(眼睛,鼻子,嘴唇等为非固定元素,在加入惩罚机制后,将变形模板与输入图像进行弹性匹配,利用能量函数来检测匹配程度从而定位人脸部分。然而基于模板匹配的方法在很大程度上依赖于模板初始值的选择并且模板匹配计算量大。基于面部轴对称性的人脸定位主要检测局部区域的对称性从而进行面部器官定位。然而此种方法由于缺少对脸部先验知识的应用,从而导致计算量大与计算速度慢的缺点。基于先验知识的人脸定位是在分析脸部样本基础上,建立脸部灰度、边缘、纹理等信息的知识库,从而在输入图像中定位脸部。此种方法可以在复杂背景中准确的定位到面部区域,但是过于依赖先验知识,并且遍历工作量大,计算时间长。支持向量机的人脸检测主要基于结构风险最小化原理。它的优点在于针对神经网络中过学习问题、非线性问题、维数灾难问题、局部极小点问题等进行了解决;但是由于需要求解二次规划问题,并且支持矢量很多,分类器计算量高,从而导致实时性较差。基于积分图像特征的脸部检测主要是综合使用积分图像描述方法、Adaboost学习算法及训练方法和级联弱分类器来进行的。采用多模态信息融合的人脸检测就是借助脸部多种信息并采用多种方法来检测面部的存在。此种方法极大的提高了检测准确率,但是在检测速度上有一定的伤害。基于肤色的人脸检测主要依据人类肤色与其他物体颜色分布不同的原理,使用简答的阈值出来来分割出来。
　　

驾驶员所处的车内环境并不复杂

　　驾驶员所处的车内环境并不复杂,并且疲劳检测技术对实时性要求很高,所以基于肤色的人脸识别是一种有效的检测手段。来自不同国家的、属于不同种族的、处在不同年龄段的男性与女性的肤色尽管看上去是各不相同的,但这些不同是由于亮度导致的。如果将他们的肤色转换到去除了亮度的色度空间中,不同面部的肤色分布就会具有很好的聚类性。Cr、Cg与Cb这三种颜色通道就是去除了亮度后的红绿蓝通道。目前常采用这三种通道中的两种与H通道(色调)或Y(亮度)中的一种相结合来组成新的颜色空间;人脸定位就是在这个新的颜色空间中来进行判定的。对于单个像素是否属于肤色的判定主要有两种方法:基于阈值的判定和基于统计的判定。所谓阈值的判定就是在Cr、Cg、Cr通道中给出肤色取值范围,在范围内的判定为肤色,范围外的为背景。基于统计的判定在准确上好于阈值的判定,所以推荐采用基于高斯分布的肤色判定。其中,为样本统计均值,为样本统计协方差矩阵。对输入图像的每个像素在新的颜色空间进行概率计算后,可以生成肤色概率图像。依据设定的概率阈值对概率图像进行二值化即可获得肤色区域与背景区域有所区别的二值图像。随后对二值图像进行形态学处理,过滤掉某些细节。在对二值图像进行人脸区域提取的过程中需要获得嫌疑区域的外轮廓,并得到外接矩形的宽度和高度,统计肤色区域的面积,然后依据区域形状和大小进一步排除不可能为人脸的区域。判定规则为:如果嫌疑区域面积过小,则删除;嫌疑区域的面积与外接矩形的面积之比不能过小,否则删除;人脸区域长宽比应该符合一个约束范围,从而快速排除太过狭长或横轴长度明显超标的区域。中的人脸定位步骤是能够在保证定位准确性的前提下最为快速的方法,能够满足疲劳检测对于实时性的要求。由于车内环境不是十分复杂,基本上最后处理得出的人脸区域都只有一个。然而基于肤色判定有一个明显缺点,就是对于类肤色的背景十分敏感,这些易混淆的背景同样会被误认为人脸。鉴于此,疲劳检测技术必须要求汽车内饰的颜色与肤色不同,但是这在汽车内饰设计中是很容易满足的。
　　

在人脸区域内

　　在人脸区域内,需要对眼睛进行进一步的识别;它决定着对判断驾驶员眼部是否处于闭合状态的准确性。针对人眼识别的技术,目前国内外主要有以下几种算法。基于对称变换和自评估的眼睛定位依据瞳孔在脸部的几何分布性质,取基本符合瞳孔分布规律的两点作为双眼定位结果。基于变形模板的眼睛定位主要利用定义的眼睛模板在人脸定位后的区域内进行模板匹配,当相似度为最大时的区域就是眼睛部分。此种算法的准确性主要取决于眼睛模板的选择。基于霍夫变换的眼睛定位是在霍夫空间上利用椭圆检测定位眼睛或者利用圆形检测定位瞳孔。基于边缘特征的眼睛定位利用面部区域的灰度水平投影确定头顶及鼻子中部形成的上下边界,然后通过检测瞳孔、眉毛边缘确定出双眼的坐标位置。但是此种算法只适用于脸部在图像中的布置十分端正的情况下,若头部倾斜度较大,算法就会失效。除了这些算法以外,神经网络、眼睛地形特征、Gabor滤波等算法也应用于眼睛识别中。然而上述方法中绝大部分存在明显的缺陷,就是只能检测到眼睛为睁开的状态。鉴于驾驶员的头部姿势不能保证始终端正并且不能保证眼睛时刻为睁开的情况,可以采用AdaptiveBoosting算法,即Adaboost算法,进行人眼识别。采取输入图像的矩形特征,即Haar特征进行分类器的训练,因为对于眼睛的识别,使用矩形特征比单纯的使用像素点具有更大的优越性,并且速度更快。分类器使用级联分类器,驾驶员检测技术宁波驾校将多个强分类器连接在一起进行操作;每个强分类器由若干个若弱分类器加权组成。在识别判定过程中,一般发现检测的对象并非识别目标时,就不再继续调用下面的分类器,减少了检测时间。在脸部区域中,人眼只有两个小区域,更多的是为非目标区域,这样级联分类器在初期就抛弃了很多非目标的检测,从而极大的提升了检测速度;只有眼睛区域会被送检到下一个分类器中,从而保证了最后输出的目标为误检的可能性很低。图2所示为具体的眼睛识别步骤。
　　

其中训练样本采用驾驶用该车的所有驾驶员的眼部图像

　　其中训练样本采用驾驶用该车的所有驾驶员的眼部图像,并且每个驾驶员的眼部图像都要准备足够的样本;这样选取样本主要了是为了提高眼睛定位的准确性。虽然可以采用对每一帧图像进行人脸定位于眼睛识别来得到每个瞬时的眼部区域,但是在处理速度上远低于采取跟踪算法,所以眼睛跟踪是保证疲劳检测技术实时性的关键。基于运动的目标跟踪主要是利用图像序列中目标的运动信息来进行跟踪的方法。此种算法不适合与做眼睛的跟踪,因为驾驶员头部一般情况下并没有较为明显移动。基于相关的目标跟踪主要是在当前帧中寻找与上一帧中目标区域相似度最大的区域。连续帧间的光照强度、噪声与目标的运动姿态对于此方法影响很大。基于特征的目标跟踪主要利用特征位置的变化信息来确定当前帧的目标区域。此外,还有很多智能算法也应用在眼睛跟踪中,如卡尔曼滤波、ConDensation算法、动态贝叶斯网络和CamShift算法。
　　

对于眼睛跟踪的算法

　　对于眼睛跟踪的算法,只有快速而可靠的从一帧图像到另一帧图像中匹配目标,才能保证跟踪的实时性。对于不同的硬件,不同的跟踪算法处理速度不同;所以在确定硬件后,选取这些算法中跟踪速度与准确性都较高的算法即可。为了提高跟踪速度,可以以上次识别的位置为中心,在一个适当的范围内进行目标的识别;此方案可行是因为驾驶员头部移动的速度不快幅度不大。为了加强跟踪的准确性,检测技术需要时刻进行验证,可以采取每N帧图像再次进行一次人脸定位于眼睛识别,并比较此次识别与跟踪中识别的差异。若差异不大,则继续跟踪;若差异较大,则要以新的目标作为模板进行跟踪。图3所示为具体的眼睛跟踪步骤。目前主要有三类驾驶员疲劳状态判定方法。基于神经网络的疲劳检测主要是利用眼睛眨眼情况来判定的。基于特征提取的疲劳检测主要是提取驾驶员眼部区域的特征参数组成一个特征向量,从而判别精神状态。
　　

但是此种算法在提取过程中经常出现错误

　　但是此种算法在提取过程中经常出现错误,只要在像素点很多的情况下判定的准确率才会很高。然而像素点的增多意味着处理信息增多处理速度变慢,影响了算法的实时性。基于模糊控制的疲劳检测会建立眼睛的闭合、嘴部是否打哈欠、头部是否因瞌睡而低头的三个模糊集,从而共同判定驾驶员是处于轻微、中度还是重度疲劳状态。但是此种算法需要跟踪很多目标,增加了算法复杂性,影响了疲劳检测的实时性。当驾驶员精神饱满时,眼睛会睁的很开;驾驶员精神萎靡时,眼睛会睁的很小;驾驶员睡眠时,眼睛会完全合上。经验表明:眨眼频率低于每分钟7次的时候驾驶员是疲劳的;眨眼频率高于每分钟25次的时候驾驶员也是疲劳的。所以只针对眨眼次数的判断即可准确的判定驾驶员疲劳状态。综上所述,选取基于神经网络的疲劳检测可以在满足准确性的前提下保证实时性。对驾驶员疲劳检测技术的所有实现方法与优势劣势进行了介绍,最终择选出一种较为实际可行的方案。
　　

人脸定位技术中采用基于肤色的高斯模型方式进行实现

　　人脸定位技术中采用基于肤色的高斯模型方式进行实现;眼睛定位中应用基于Haar特征的级联分类器Adaboost算法;眼睛跟踪结合了跟踪算法与算法失效后的恢复技术;疲劳状态检测采用基于神经网络的眼睛眨眼次数判定。