基于3G視頻的駕駛員疲勞狀態(tài)檢測(cè)設(shè)計(jì)方案

摘要：疲勞駕駛已成為交通事故發(fā)生的主要原因之一。文中提出了一種基于3G 視頻的人眼疲勞檢測(cè)方法。通過DirectShow 技術(shù)對(duì)視頻流抓取視頻幀，采用膚色聚性特征進(jìn)行人臉定位，基于灰度信息進(jìn)行人眼定位與追蹤，并采用Perclos 方法進(jìn)行疲勞判斷。通過此方法，可以及時(shí)了解駕駛者的疲勞狀態(tài)，有效預(yù)防疲勞駕駛。

疲勞駕駛是司機(jī)在駕車過程中介于意識(shí)清醒和進(jìn)入睡眠的一種非正常狀態(tài)，是導(dǎo)致交通事故的主要原因之一。由于車輛流動(dòng)性強(qiáng)、任務(wù)區(qū)域廣、安全隱患多、風(fēng)險(xiǎn)責(zé)任大，并缺乏科學(xué)有效的監(jiān)管手段，近年來疲勞駕駛所造成的車輛事故時(shí)有發(fā)生。通過3G 視頻監(jiān)控系統(tǒng)對(duì)駕駛員面部狀態(tài)的實(shí)時(shí)監(jiān)控，一旦發(fā)現(xiàn)駕駛員眼睛疲勞狀態(tài)立即進(jìn)行報(bào)警，能有效減少駕駛員疲勞所造成的交通事故，解決車輛管理中看不見、聽不著、控不了的難題。

基于3G 視頻的疲勞檢測(cè)主要包括視頻流解壓抓幀、人臉定位、人眼定位追蹤和疲勞判斷4 個(gè)部分。文中提出一種基于膚色檢測(cè)及灰度信息的疲勞檢測(cè)算法，能有效用于3G 車輛視頻監(jiān)控系統(tǒng)。

1 視頻采集及預(yù)處理

文中使用車輛內(nèi)部的3G 視頻監(jiān)控裝置來進(jìn)行視頻采集，位于駕駛員頭頂正面上方，拍攝在駕駛過程中多種光照環(huán)境下、不同姿勢(shì)和精神狀態(tài)的駕駛員視頻。

視頻預(yù)處理主要采用DirectShow 技術(shù)進(jìn)行視頻流解壓抓幀。利用DirectShow 的媒體監(jiān)測(cè)器對(duì)象（ MediaDetector Object） ,將拍攝到的駕駛員視頻文件進(jìn)行視頻流解壓縮，實(shí)時(shí)在線地從視頻流中提取指定的幀視頻圖像，并為后續(xù)的駕駛員眼睛狀態(tài)檢測(cè)提供位圖數(shù)據(jù)。

媒體監(jiān)測(cè)器不僅能獲取媒體源文件的格式信息，也可以通過捕獲過濾器從一個(gè)媒體文件的視頻流中捕獲一幅位圖圖像，通常獲得的位圖是24 位RGB 格式。通過搜索媒體文件，媒體監(jiān)測(cè)器可以獲得這個(gè)文件中任意點(diǎn)的圖像。應(yīng)用程序通過調(diào)用IMediaDet 接口與MediaDetector 進(jìn)行交互。接口包含了一些方法能夠從媒體源文件中提取重要信息，比如媒體類型、幀速率甚至是視頻流的單個(gè)幀。媒體監(jiān)測(cè)器將過濾器視圖封裝到對(duì)象中，從而使應(yīng)用程序屏蔽掉與視圖相關(guān)的一些細(xì)節(jié)。

在疲勞檢測(cè)中，用得到的第一幅圖像檢測(cè)人臉和眼睛，如若失敗則從下一幅圖像檢測(cè)直至成功，并將得到的眼睛圖像作為動(dòng)態(tài)模板對(duì)以后的序列進(jìn)行眼睛追蹤，若失敗則重新定位人眼。

2 基于膚色檢測(cè)的人臉定位

膚色是人臉最為顯著特征之一，對(duì)于彩色圖像，膚色是圖像中相對(duì)集中、穩(wěn)定區(qū)域。膚色信息可將人臉和背景區(qū)域分開。研究表明，在除去亮度的色度空間中，不同人臉膚色分布具有聚類性。所以膚色的差異主要取決于色彩信息，而非亮度信息?；谀w色檢測(cè)方法利用人的膚色中Cr和Cb的聚類特性，在YCbCr色彩空間中檢測(cè)圖像中是否存在人臉。這種算法檢測(cè)速度快，并且受人臉旋轉(zhuǎn)或側(cè)轉(zhuǎn)的影響較小。

膚色分割可以采用的色彩空間有很多種。其中YCbCr色彩空間具有與人類視覺感知過程類似的構(gòu)成機(jī)理，能很好地反映膚色分布，并反映出膚色聚類特性。YCbCr模型與RGB 模型的變換公式如下：

通過對(duì)人臉數(shù)據(jù)庫中和人臉視頻圖像中黃種人人臉膚色點(diǎn)的采樣進(jìn)行分析，可得到實(shí)驗(yàn)環(huán)境下膚色在YCbCr空間中的聚類，用數(shù)學(xué)表達(dá)式確定膚色范圍的方法進(jìn)行膚色建模?？筛鶕?jù)Chai 采用YCbCr顏色空間的CbCr平面，如果某像素點(diǎn)的顏色落入Cr =[133∶ 173]和Cb =[77∶ 127]范圍內(nèi)，就認(rèn)為是屬于膚色像素，否則就認(rèn)為是非膚色像素。確定為膚色區(qū)域后，將其認(rèn)定的膚色區(qū)域的R、G、B 值均設(shè)定為255,在圖像中顯示為白色； 非膚色區(qū)域設(shè)y = R = G = B = 0,即在圖像中顯示為黑色。隨后對(duì)得到的圖像采用自適應(yīng)閾值二值化。

式中，g（ t） 為灰度值為t 的像素個(gè)數(shù)； G 為非零像素個(gè)數(shù)。最后利用投影技術(shù)及頭部的特點(diǎn)確定人臉上下和左右邊界。由于眼部處于人臉上半部分，故只需保留圖像的3 /5.

3 基于灰度信息的人眼定位

眼睛區(qū)域與周圍區(qū)域相比，具有灰度值較低且灰度變化率較大的特點(diǎn)。因此可基于眼睛圖像的灰度信息進(jìn)行定位。

3. 1 眼睛粗略定位

準(zhǔn)確定位人臉后，根據(jù)面部器官分布，人眼在臉部的上半部，可以很簡(jiǎn)單的確定一個(gè)大概區(qū)域。觀察人臉圖片，發(fā)現(xiàn)眼部在水平方向經(jīng)過皮膚、左眼眼白、左眼瞳孔、左眼眼白、皮膚、右眼眼白、右眼瞳孔、右眼眼白、皮膚、灰度變化較大。在灰度變化突變處進(jìn)行微分，將產(chǎn)生高值，將其絕對(duì)值累加，則灰度變化越大的那一行，累積值越大。計(jì)算公式如下：

f（ x,y） 為得到的人臉區(qū)域的灰度圖像，通過實(shí)驗(yàn)發(fā)現(xiàn)，在眼睛處導(dǎo)數(shù)變化值之和的絕對(duì)值最大，通過此方法可粗略判斷人眼所在線的位置。

3. 2 人眼精確定位

通過觀察發(fā)現(xiàn)眼睛周圍Cb值較高，而Cr值較低，因此由式（ 5） 計(jì)算得到特征圖，以突出眼部特征。

其中，EyeMap 是眼睛特征圖，（ Cb） 2,（ Cr） 2,（ Cb /Cr）都?xì)w一化到[0,255]之間，Cr是由Cr求反得到（ 255,Cr） .在得到EyeMap 圖后，設(shè)定閥值T,將EyeMap 小于T 的值設(shè)為0,這一步可視為一個(gè)簡(jiǎn)單的濾波以去掉非眼部特征的干擾。

得到EyeMap 濾波圖后，結(jié)合人眼粗定位結(jié)果，從左到右搜索，按比例定義相對(duì)于人臉區(qū)域一定大小的框，當(dāng)框進(jìn)EyeMap 濾波圖值的和最大時(shí)，即為人眼。

3. 3 眼睛的追蹤

對(duì)人眼完成定位后，還要利用動(dòng)態(tài)模板匹配的方法跟蹤眼睛。設(shè)眼睛模板左上角的位置為（ x,y） ,下一幀的搜索范圍是原位置上沿上、下、左、右4 個(gè)方向各擴(kuò)展10 個(gè)像素。其公式為：

式中，N 是模板中像索的個(gè)數(shù)； M 為模板； I 為圖像中待匹配的部分。

可得所有大于閾值p 的最大值所對(duì)應(yīng)的坐標(biāo)為最匹配的位置。以此得到的眼睛圖像作為下一幀圖像的模板。在追蹤的過程中，若得到的p 均小于閾值或兩眼的行距過大則重新回到眼睛的檢測(cè)過程。

4 基于Perclos 的疲勞識(shí)別

文中的疲勞識(shí)別基于Perclos 的P80 模型，即將閉合程度大于80%的眼睛狀態(tài)判斷為閉合狀態(tài)。以初始時(shí)刻司機(jī)清醒時(shí)的上下眼瞼最大距離為標(biāo)準(zhǔn)，若以后得到的距離小于此距離的80%則判斷為閉合。假設(shè)實(shí)驗(yàn)視頻幀率10 f·s - 1,分辨率為640 ×480,時(shí)長60 s.

則以每6 s 視頻作為1 個(gè)檢測(cè)單元，間隔0. 33 s 取1幀作眼睛狀態(tài)檢測(cè)。統(tǒng)計(jì)每個(gè)檢測(cè)單元內(nèi)18 幀圖像的狀態(tài)，得到眼睛閉合幀數(shù)CloseFrame_Num 和處理的總幀數(shù)SumFrame_Num,依據(jù)式（ 7） 計(jì)算相應(yīng)的Perclos 值。

如果所得Perclos 值大于實(shí)驗(yàn)確定的閾值20%,則判斷此時(shí)駕駛員可能已處于疲勞狀態(tài)，通過報(bào)警系統(tǒng)進(jìn)行警告。

5 結(jié)束語

視頻監(jiān)控能對(duì)駕駛者進(jìn)行監(jiān)督提醒，有效預(yù)防疲勞駕駛，減少疲勞駕駛所引起的車輛事故。3G 視頻監(jiān)控是車輛監(jiān)控發(fā)展的新趨勢(shì)。算法在3G 監(jiān)控視頻幀的基礎(chǔ)上，進(jìn)行了人臉定位、人眼定位與追蹤及疲勞狀態(tài)判斷。實(shí)驗(yàn)表明，該算法有較高的魯棒性及準(zhǔn)確性，并能有效應(yīng)用于實(shí)際。