基于面部信息的駕駛者疲勞狀態(tài)分類方法研究.pdf

1、隨著社會(huì)的發(fā)展和經(jīng)濟(jì)的進(jìn)步,汽車已經(jīng)成為人們拓展生活空間,提高生活效率,提升生活品質(zhì)的必備交通工具。汽車數(shù)量的與日劇增表現(xiàn)為社會(huì)繁榮的同時(shí)也帶來了諸多社會(huì)問題。首先是環(huán)保和擁堵問題,然而,當(dāng)前的首要問題是道路安全問題。據(jù)統(tǒng)計(jì)每年全球的道路交通事故多達(dá)10億次,占全球安全事故總數(shù)的90％左右,導(dǎo)致的受傷人數(shù)約有2500萬人,同時(shí)至少造成50萬人死亡,占全球安全事故傷亡人數(shù)的80%以上,道路交通事故業(yè)已成為造成人類非正常死亡首要因素。每年各

2、個(gè)國(guó)家都要為道路交通事故付出沉重的生命代價(jià)和巨大的經(jīng)濟(jì)損失。
　　然而,不幸的是我國(guó)的交通環(huán)境甚為惡劣,交通事故率一直位居世界第一。我國(guó)每年在道路交通事故中的死亡人數(shù)占全世界的20%還多,如此糟糕的交通環(huán)境,提高道路安全水平勢(shì)在必行。有統(tǒng)計(jì)表明,在所有道路交通事故中,人為因素占80%,而疲勞駕駛又是最普遍的人為因素。因此,進(jìn)行疲勞駕駛識(shí)別和預(yù)警對(duì)于避免惡性交通事故發(fā)生,保障人們生命和財(cái)產(chǎn)安全將起到至關(guān)重要的作用。本文的研究?jī)?nèi)容正是

3、圍繞疲勞駕駛識(shí)別這一問題展開的。
　　第一,闡述了疲勞駕駛識(shí)別這一課題的研究意及國(guó)內(nèi)外研究現(xiàn)狀。對(duì)各種識(shí)別技術(shù)進(jìn)行了總結(jié),重點(diǎn)對(duì)比了客觀檢測(cè)手段中的四類常用檢測(cè)方法的優(yōu)缺點(diǎn)。通過對(duì)此領(lǐng)域中重要文獻(xiàn)分析,概括出當(dāng)前國(guó)內(nèi)外的研究熱點(diǎn)以及疲勞駕駛識(shí)別領(lǐng)域未來的研究趨向,同時(shí)指明本文基于駕駛者面部信息開展研究。
　　第二,研究了疲勞駕駛識(shí)別中涉及的人臉及其局部單元定位問題。形成兩種適于駕駛環(huán)境的人臉及其局部單元的檢測(cè)方法。一種是基于

4、膚色高斯模型和模板匹配的檢測(cè)方法;另一種是基于Haar-like特征配合局部單元強(qiáng)化圖的定位方法。通過對(duì)雙眼和嘴部定位,可以將其他與疲勞相關(guān)的面部單元都定位出來。
　　第三,針對(duì)疲勞發(fā)生時(shí)的顯著表現(xiàn)提出了兩種疲勞檢測(cè)方法:第一種方法關(guān)注疲勞發(fā)生時(shí)眨眼過程明顯變慢的顯著特征。通過分析清醒與疲勞眨眼過程的頻域差異,找到能夠最有效區(qū)分清醒和疲勞狀態(tài)眨眼過程的特定頻帶并在該頻帶上進(jìn)行疲勞指數(shù)計(jì)算,以此給出駕駛者的疲勞程度。這種方法從新的視

5、角描述疲勞的眼部特征,在一定程度上彌補(bǔ)了Perclos方法的不足。第二種方法關(guān)注打哈欠這一重要疲勞表現(xiàn)。首先針對(duì)以往研究存在的問題,對(duì)嘴部的狀態(tài)進(jìn)行更準(zhǔn)確的劃分,分成沉默、交談和打哈欠三種狀態(tài)。同時(shí),指出要有效對(duì)打哈欠進(jìn)行識(shí)別,必須將打哈欠作為一個(gè)過程進(jìn)行分類,通過引入序列特征,有效地解決了哈欠分類問題。
　　第四,針對(duì)疲勞發(fā)生時(shí)的一般表現(xiàn)提出了基于多觀察區(qū)域集成學(xué)習(xí)的疲勞狀態(tài)識(shí)別方法。疲勞早期表現(xiàn)往往并不明顯,但是,如果從與疲勞

6、發(fā)生相關(guān)聯(lián)的區(qū)域進(jìn)行觀察的話,疲勞的表現(xiàn)相對(duì)集中,變化規(guī)律也更加清晰,同時(shí)降低臉部冗余信息對(duì)于分類器學(xué)習(xí)的干擾。對(duì)每個(gè)觀察區(qū)域建立一個(gè)C4.5基分類模型,每個(gè)基模型由于能力有限,未必能夠給出準(zhǔn)確的決策,然而,如果能夠合理地綜合各個(gè)基模型所提供的信息,就會(huì)形成一個(gè)全面的證據(jù)支持,以集成學(xué)習(xí)的方式給出駕駛者狀態(tài)的分類結(jié)果更加準(zhǔn)確和穩(wěn)定。
　　第五,通過分析C4.5決策樹適合于疲勞數(shù)據(jù)集分類的本質(zhì),發(fā)現(xiàn)規(guī)則學(xué)習(xí)分類器更適合于高維非線性特

7、征空間稀疏樣本的分類。于是設(shè)計(jì)了一種具有更好的泛化能力的規(guī)則學(xué)習(xí)分類器,稱之為鄰域覆蓋約簡(jiǎn)分類器。這一分類器集成了粗糙集所固有的對(duì)任意概念的強(qiáng)大逼近能力,輔以合理的覆蓋約簡(jiǎn)和剪枝策略,所得到的規(guī)則集簡(jiǎn)潔且緊湊,并且具有相對(duì)于C4.5更好的泛化和分類能力。將這個(gè)分類器應(yīng)用到駕駛疲勞狀態(tài)的分類任務(wù)中,實(shí)驗(yàn)表明,所提出的分類器性能同時(shí)還優(yōu)于其他一些經(jīng)典分類器,包括NEC、NN、LVQ、LSVM、CART、以及Jripper。在提出鄰域覆蓋約簡(jiǎn)