基于雙眼定位與狀態(tài)判決疲勞檢測(cè)算法

唐美霞，何 勇

(1.南寧職業(yè)技術(shù)學(xué)院 信息工程學(xué)院，廣西 南寧 530008；2.湖南科技大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，湖南 岳陽(yáng) 414000)

0 引 言

基于計(jì)算機(jī)視覺(jué)方式檢測(cè)駕駛員疲勞狀態(tài)的主要依據(jù)是檢測(cè)駕駛員的雙眼狀態(tài)，如果駕駛員兩個(gè)眼睛都已經(jīng)閉合，那么說(shuō)明駕駛員已經(jīng)處理疲勞狀態(tài)[1-7]。譬如，文獻(xiàn)[8]提出了一種非侵入式駕駛員疲勞狀態(tài)檢測(cè)方法。首先，采用AdaBoost算法檢測(cè)到臉部區(qū)域。然后，基于臉部幾何形狀來(lái)定位眼睛的感興趣區(qū)域。在這個(gè)區(qū)域，通過(guò)徑向?qū)ΨQ變換精確定位眼睛瞳孔。通過(guò)主成分分析訓(xùn)練3個(gè)特征空間來(lái)識(shí)別眼睛狀態(tài)。但該方法在定位眼睛的感興趣區(qū)域時(shí)精度不高，后續(xù)定位眼睛瞳孔所采用的徑向?qū)ΨQ變換對(duì)于閉眼狀態(tài)定位效果差。文獻(xiàn)[9]提出一種改進(jìn)的眼睛狀態(tài)檢測(cè)方法，利用“參考白”算法對(duì)原始幀圖像做光照補(bǔ)償處理，基于膚色特征檢測(cè)出人臉區(qū)域，利用積分投影法將人臉和眼睛分割出來(lái)，結(jié)合眉毛和眼睫毛之間距離的變化、眼睛區(qū)域黑色像素點(diǎn)的個(gè)數(shù)變化這兩個(gè)參數(shù)對(duì)眼睛的狀態(tài)做出判斷。該方法盡管效率很高，但是適應(yīng)性較差。首先是采用膚色特征檢測(cè)的人臉區(qū)域可靠度較低，尤其是駕駛員頭發(fā)稍長(zhǎng)時(shí)會(huì)造成面部上半部確實(shí)太多，眼睛定位很困難。而且積分投影方法定位眼睛區(qū)域的可靠性也不高，受黑框眼鏡以及面部姿態(tài)的影響較大。而且特征的魯棒性弱，易受分割誤差、尺度等影響。文獻(xiàn)[5]為了解決頭部多位置眼睛精確定位的問(wèn)題，提出了一種基于膚色和紋理特征的算法，根據(jù)皮膚顏色以及眼睛和其它部位之間的灰度差異檢測(cè)臉部，采用二值化和形態(tài)學(xué)圖像處理方法，找到眼睛候選區(qū)域。通過(guò)計(jì)算候選區(qū)域的紋理特征值來(lái)檢測(cè)眼睛。用橢圓擬合的方法來(lái)檢查雙眼的真實(shí)性，并測(cè)量眼睛的開放程度，從而判斷駕駛員是否疲勞。該方法定位眼睛的精度同樣受駕駛員發(fā)型的影響，而且采用橢圓擬合方法檢測(cè)閉眼狀態(tài)的雙眼的精確度較低。

針對(duì)現(xiàn)有方法定位眼睛精度不高、特征魯棒性不強(qiáng)的問(wèn)題，本文提出了一種非侵入方式駕駛員疲勞狀態(tài)檢測(cè)方法，采用一種時(shí)空約束的Adaboost方法從視頻中快速檢測(cè)駕駛員面部區(qū)域，結(jié)合先驗(yàn)知識(shí)從面部區(qū)域中定位雙眼的可能區(qū)域，接著采用大數(shù)據(jù)Haar-like特征和Adaboost分類器快速、精確定位雙眼區(qū)域。在此基礎(chǔ)上，采用卷積神經(jīng)網(wǎng)絡(luò)的LeNet5網(wǎng)絡(luò)架構(gòu)訓(xùn)練眼睛狀態(tài)分類器和檢測(cè)雙眼狀態(tài)，依據(jù)雙眼是否閉合的特性判別駕駛員是否疲勞。其中，本文采用Haar-like特征和Adaboost分類器在可能雙眼區(qū)域定位眼睛位置，相對(duì)于現(xiàn)有的采用投影、徑向?qū)ΨQ變換、橢圓擬合等方法而言，雙眼定位精度可以得到明顯提高。

1 面向視頻的雙眼區(qū)域快速定位

本文首先選擇文獻(xiàn)[10]所述的時(shí)空約束的Adaboost方法從駕駛員視頻中快速可靠定位面部區(qū)域，該方法不需要面部的膚色信息，受光照以及駕駛員發(fā)型的影響小。而且該方法結(jié)合了相鄰幀之間的相關(guān)性以及駕駛員面部活動(dòng)的先驗(yàn)知識(shí)，檢測(cè)面部區(qū)域的效率和精確度都很高。然后，本文依據(jù)雙眼在面部區(qū)域分布的先驗(yàn)知識(shí)，確定雙眼的大致區(qū)域，該區(qū)域范圍大，肯定可以包含雙眼區(qū)域，但是包含的背景區(qū)域也很多。接著，我們?cè)谠搮^(qū)域上采用Haar-like特征和Adaboost分類器檢測(cè)精確的雙眼區(qū)域，由于雙眼的大致區(qū)域相對(duì)于面部整個(gè)區(qū)域來(lái)說(shuō)尺寸很小，而且排除了面部其它區(qū)域的干擾，因此雙眼精確檢測(cè)的效率和精度都比較高。

1.1 面部快速檢測(cè)

文獻(xiàn)[10]指出，在駕駛員疲勞檢測(cè)系統(tǒng)中，駕駛員面部有兩個(gè)先驗(yàn)條件：①在駕駛過(guò)程中，相鄰視頻幀檢面部的位置變化不大；②駕駛員面部視頻中最多只有一張臉。

基于這兩個(gè)先驗(yàn)條件，文獻(xiàn)[10]提出了一種時(shí)空約束的Adaboost方法。首先，根據(jù)前一幀計(jì)算當(dāng)前視頻幀中駕駛員臉部的可能位置。其次，設(shè)計(jì)了空間限制策略來(lái)抑制Adaboost方法的檢測(cè)窗口和尺度，從而減少了人臉檢測(cè)的時(shí)間消耗和誤檢。最后，設(shè)計(jì)面部知識(shí)限制策略，用于確認(rèn)Adaboost方法檢測(cè)到的面部。流程如圖1所示。相對(duì)于傳統(tǒng)的基于Haar-like和Adaboost的人臉檢測(cè)方法，該方法的主要貢獻(xiàn)在于設(shè)計(jì)了3個(gè)限制策略：

(1)時(shí)間限制策略。首先，執(zhí)行幀差分法來(lái)檢測(cè)移動(dòng)目標(biāo)；然后，根據(jù)前一幀計(jì)算當(dāng)前幀中的面部的可能位置；最后，根據(jù)臉部的可能位置來(lái)限制Adaboost方法的檢測(cè)窗口，以避免在非面部窗口中的臉部檢測(cè)的時(shí)間消耗和誤檢。

(2)空間限制策略。Adaboost方法的檢測(cè)規(guī)模根據(jù)前一幀和已檢測(cè)到的面部大小進(jìn)行限制，以避免在非臉部尺度上的臉部檢測(cè)的時(shí)間消耗和虛假檢測(cè)。

(3)知識(shí)限制策略。通過(guò)Adaboost方法檢測(cè)到的子窗口可以根據(jù)面部知識(shí)進(jìn)行確認(rèn)，以減少臉部檢測(cè)的誤檢率。如果子窗口符合知識(shí)限制，可以根據(jù)前期檢測(cè)結(jié)果立即結(jié)束臉部檢測(cè)過(guò)程，以減少時(shí)間消耗。

時(shí)空限制策略的詳細(xì)過(guò)程描述如下：

步驟1 尋找面部的可能位置。

令P0(P0x,P0y)為前一幀中f0w×f0h大小的檢測(cè)面部的中心位置。如果前一幀中沒(méi)有檢測(cè)到任何面部，則P0x=P0y=-1,f0w=f0h=0。當(dāng)前幀中可能的位置P(Px,Py)可以計(jì)算如下：

(1)采用三幀差分法檢測(cè)當(dāng)前幀中的移動(dòng)目標(biāo)，并記錄所有檢測(cè)到的目標(biāo)的大小和位置。

(2)找到面積最大的目標(biāo)區(qū)域S，記中心位置為P1。這個(gè)目標(biāo)比其它目標(biāo)更有可能成為一個(gè)面部區(qū)域，因?yàn)檎嬲拿娌吭隈{駛員視頻中占據(jù)較大的面積。

(3)由于駕駛員的面部有時(shí)候不會(huì)移動(dòng)或移動(dòng)，所以當(dāng)S

如果Px=Py=-1，或f0w=f0h=0，則不限制Adaboost方法的檢測(cè)窗口和比例尺度，轉(zhuǎn)到步驟4；否則，轉(zhuǎn)到步驟2。

步驟2 限制Adaboost方法的檢測(cè)尺度。

根據(jù)先驗(yàn)條件1，兩個(gè)連續(xù)幀之間的面部大小的變化不大，所以尺度限制策略可以描述為

(1)

其中，(MaxW,MaxH)是Adaboost方法的最大尺度(MinW,MinH)是Adaboost方法的最小尺度，k1和k2是系數(shù)。其中，k1=1.5，k2=0.5。

步驟3 限制Adaboost方法的檢測(cè)窗口。

限制策略可以描述如下

(2)

其中，(x,y)是Adaboost方法的檢測(cè)窗口中的任一像素，k3和k4是系數(shù)。其中，k3=k4=1.0。

步驟4 更新參數(shù)。

如果在當(dāng)前幀中檢測(cè)到真實(shí)人臉，尺寸為fw×fh，中心為P(Px,Py)，則更新參數(shù)應(yīng)如下：P0=P、f0w=fw、f0h=fh。

圖1 面部檢測(cè)流程

1.2 雙眼區(qū)域定位

獲取視頻中的面部區(qū)域以后，本文進(jìn)一步定位雙眼區(qū)域，最終依據(jù)雙眼狀態(tài)辨別駕駛員是否疲勞。雙眼區(qū)域定位主要有3種方法，一是依據(jù)面部圖像分割結(jié)果和五官的先驗(yàn)分布知識(shí)，定位雙眼區(qū)域。該方法效率很高，實(shí)現(xiàn)也很方便，但存在的問(wèn)題是受分割誤差影響大，譬如，如果光照不均勻?qū)е旅娌糠指铄e(cuò)誤，或者黑框眼鏡等干擾導(dǎo)致分割中存在干擾目標(biāo)塊時(shí)，雙眼區(qū)域的定位可能完全錯(cuò)誤，如定位到眉毛或黑框眼鏡區(qū)域。二是依據(jù)霍夫圓或者橢圓擬合檢測(cè)瞳孔位置，間接實(shí)現(xiàn)雙眼區(qū)域的定位。該方法效率也較高，但對(duì)于駕駛員疲勞檢測(cè)應(yīng)用而言是不適用的，因?yàn)轳{駛員疲勞的主要特征是眼睛閉合，這樣，瞳孔就不明顯。而且，當(dāng)帶眼鏡時(shí)可能由于反光等因素影響，導(dǎo)致瞳孔不明顯。三是基于紋理特征定位雙眼區(qū)域。目前應(yīng)用效果較好的是基于Haar-like特征和Adaboost分類器來(lái)檢測(cè)眼睛區(qū)域。但該方法效率偏低，且虛檢較多。考慮到前面我們已經(jīng)檢測(cè)到面部區(qū)域，因此我們可以依據(jù)眼睛分布的先驗(yàn)知識(shí)來(lái)縮小眼睛檢測(cè)的范圍，這樣可以大幅提高運(yùn)算效率，而且大幅降低虛檢現(xiàn)象。具體的實(shí)現(xiàn)方法是：

步驟1 采用雙線性插值方法，將上一小節(jié)檢測(cè)到的面部區(qū)域圖像尺寸變換為256×256。

步驟2 依據(jù)眼睛分布的先驗(yàn)知識(shí)，從面部圖像中切分雙眼的可能區(qū)域圖像。記(xl,yl,wl,hl)和(xr,yr,wr,hr)分別表示左眼和右眼的可能的矩形框區(qū)域，依據(jù)先驗(yàn)知識(shí)，有

(3)

步驟3 分別在左眼和右眼的可能矩形框區(qū)域(xl,yl,wl,hl)和(xr,yr,wr,hr)上進(jìn)行眼睛檢測(cè)，尋找真實(shí)的眼睛區(qū)域。本文采用基于Haar-like特征和Adaboost分類器的方法，具體是使用OpenCV中自帶的眼睛檢測(cè)分類器來(lái)實(shí)現(xiàn)這一功能。

步驟4 依據(jù)檢測(cè)到的雙眼真實(shí)區(qū)域，從面部圖像中分別裁剪左眼區(qū)域圖像和右眼區(qū)域圖像，并采用雙線性插值方法進(jìn)行尺度變換，變換后的眼睛區(qū)域尺寸為64×32。記變換后左眼圖像為Sl，右眼圖像為Sr。

2 基于卷積神經(jīng)網(wǎng)絡(luò)的雙眼狀態(tài)檢測(cè)

對(duì)于變換后的左眼和右眼圖像，分別采用卷積神經(jīng)網(wǎng)絡(luò)判別眼睛狀態(tài)。這里，首先需要訓(xùn)練眼睛狀態(tài)分類器，采用的是卷積神經(jīng)網(wǎng)絡(luò)常用的LeNet5網(wǎng)絡(luò)架構(gòu)[11]，如圖2所示。該網(wǎng)絡(luò)架構(gòu)主要包括5層，即3個(gè)卷積層和兩個(gè)抽樣層。具體實(shí)現(xiàn)是使用Caffe工具集中的LeNet5網(wǎng)絡(luò)。

圖2 LeNet5網(wǎng)絡(luò)結(jié)構(gòu)

訓(xùn)練時(shí)需要構(gòu)建正負(fù)樣本數(shù)據(jù)集。本文要建立的是眼睛狀態(tài)分類器，眼睛有兩種狀態(tài)，一種是睜開狀態(tài)，一種是閉合狀態(tài)。我們要檢測(cè)的是閉合狀態(tài)的眼睛。因此，正樣本集由閉合的眼睛圖像構(gòu)成，負(fù)樣本集由睜開的眼睛圖像構(gòu)成。由于目前沒(méi)有公開的眼睛狀態(tài)數(shù)據(jù)集，因此我們自己構(gòu)建數(shù)據(jù)集。我們拍攝了50個(gè)志愿者的共1000幅眼睛閉合面部圖像，從中裁剪出2000幅閉合眼睛圖像(不區(qū)分左右眼)，構(gòu)成正樣本數(shù)據(jù)集。同時(shí)從ORL、YALE人臉數(shù)據(jù)集中裁剪出6000幅睜開眼睛圖像(不區(qū)分左右眼)，構(gòu)成負(fù)樣本數(shù)據(jù)集。其中，圖像尺寸都變換為64×32。部分樣本如圖3所示。然后，使用LeNet5網(wǎng)絡(luò)結(jié)構(gòu)對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練，構(gòu)建眼睛狀態(tài)分類器。測(cè)試時(shí)，將圖像輸入給分類器，即可輸出眼睛狀態(tài)，輸出值為1是表示眼睛是閉合狀態(tài)，否則表示眼睛是睜開狀態(tài)。記左眼圖像Sl的分類輸出為vl，右眼圖像Sr的分類輸出為vr。

圖3 部分樣本圖像

3 駕駛員疲勞狀態(tài)檢測(cè)

駕駛員是否疲勞可以通過(guò)檢測(cè)兩眼是否閉合來(lái)判決。結(jié)合前兩節(jié)的闡述，本文所述的駕駛員疲勞狀態(tài)檢測(cè)方法的實(shí)現(xiàn)流程如圖4所示。首先，從視頻中快速定位面部區(qū)域位置，然后精細(xì)檢測(cè)雙眼區(qū)域位置，得到尺寸規(guī)范化的雙眼圖像。接著，分別將雙眼圖像送入已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)分類器，輸出雙眼狀態(tài)。如果某幀圖像中輸出兩個(gè)眼睛都是閉合的結(jié)果，那么我們認(rèn)為該幀圖像中的駕駛員存在疲勞狀態(tài)。否則，不存在疲勞狀態(tài)。

圖4 駕駛員疲勞狀態(tài)檢測(cè)實(shí)現(xiàn)流程

4 仿真實(shí)驗(yàn)

為了驗(yàn)證算法性能，本文設(shè)計(jì)如下仿真實(shí)驗(yàn)。

首先，建立算法驗(yàn)證所需的大數(shù)據(jù)集。由于計(jì)算機(jī)視覺(jué)領(lǐng)域目前還沒(méi)有公開的測(cè)試數(shù)據(jù)集。本文考慮自建構(gòu)建大數(shù)據(jù)集。實(shí)現(xiàn)方法是：拍攝50個(gè)志愿者模擬的駕駛視頻(仿真實(shí)驗(yàn)時(shí)車輛是靜止的)，每一個(gè)志愿者拍攝兩個(gè)視頻片段，一個(gè)片段中雙眼始終睜開，另一個(gè)片段中雙眼始終閉合。將雙眼睜開的視頻片段放入負(fù)樣本集，將雙眼閉合的視頻片段放入正樣本集。視頻片段的時(shí)長(zhǎng)為2 s～4 s，視頻幀率為25 fps，視頻分辨率為720×576。視頻中面部區(qū)域所占整幅圖像的面積超過(guò)50%。后續(xù)實(shí)驗(yàn)都是在該數(shù)據(jù)集上進(jìn)行的。

其次，制定算法測(cè)試的評(píng)價(jià)指標(biāo)。本文從駕駛員疲勞狀態(tài)檢測(cè)和可靠性和效率兩個(gè)方面綜合考慮，采用檢測(cè)正確率和檢測(cè)幀率兩個(gè)指標(biāo)進(jìn)行性能評(píng)價(jià)。檢測(cè)正確率是指檢測(cè)結(jié)果正確的視頻片段數(shù)量所占視頻片段總數(shù)的比值。考慮到視頻與圖像不同，難以做到每幀圖像都能得到一個(gè)穩(wěn)定正確的結(jié)果。因此，通常采用濾波的方法對(duì)視頻中多幀檢測(cè)結(jié)果進(jìn)行濾波。本文所指的檢測(cè)結(jié)果正確的含義是，檢測(cè)結(jié)果正確的視頻幀數(shù)量超過(guò)了視頻中幀數(shù)的80%。譬如，對(duì)于正樣本中某一個(gè)視頻，假設(shè)視頻幀數(shù)為100，算法對(duì)每一幀的輸出結(jié)果中如果得出的駕駛員疲勞的次數(shù)超過(guò)80次，則我們認(rèn)為算法對(duì)該視頻片段的檢測(cè)結(jié)果是正確的。同樣地，對(duì)于負(fù)樣本中某一個(gè)視頻，仍假設(shè)視頻幀數(shù)為100，算法對(duì)每一幀的輸出結(jié)果中如果得出的駕駛員非疲勞的次數(shù)超過(guò)80次，則我們認(rèn)為算法對(duì)該視頻片段的檢測(cè)結(jié)果是正確的。檢測(cè)幀率的計(jì)算方法是：每一個(gè)視頻片段檢測(cè)所耗費(fèi)的總時(shí)間除以視頻片段所包含的幀數(shù)。在統(tǒng)計(jì)時(shí)，檢測(cè)幀率指標(biāo)統(tǒng)計(jì)所有視頻檢測(cè)幀率的平均值。實(shí)驗(yàn)所用的計(jì)算機(jī)性能參數(shù)為：Intel I7 CPU、DDR3 16 G RAM。計(jì)算機(jī)安裝的操作系統(tǒng)為：Windows 7 64 bits。算法運(yùn)行的軟件開發(fā)環(huán)境為：Visual Studio 2013。

接下來(lái)進(jìn)行仿真實(shí)驗(yàn)，結(jié)合本文方法的兩個(gè)優(yōu)勢(shì)，首先測(cè)試眼睛定位正確率，然后測(cè)試疲勞狀態(tài)檢測(cè)的正確率和檢測(cè)幀率。參與測(cè)試的除了本文方法外，還有文獻(xiàn)[5,8,9]所述方法，這3種方法與本文方法一樣，都是基于眼睛狀態(tài)進(jìn)行疲勞狀態(tài)檢測(cè)的，所以具有可對(duì)比性。

4.1 眼睛定位實(shí)驗(yàn)

首先測(cè)試定位正確率，方法是將各種方法定位的眼睛區(qū)域圖像保存下來(lái)，然后人工核對(duì)保存的圖像中是否包含一只眼睛，如果包含則認(rèn)為該圖像定位正確。最后，統(tǒng)計(jì)定位正確的圖像數(shù)量，然后除以數(shù)據(jù)集中的眼睛總數(shù)，作為眼睛定位正確率。該值越大說(shuō)明定位效果越好。圖5顯示了4種方法的定位結(jié)果，很明顯，本文方法的定位結(jié)果優(yōu)于其它3種方法。

圖5 眼睛定位正確率對(duì)比

4.2 疲勞狀態(tài)檢測(cè)實(shí)驗(yàn)

表1給出了4種方法的疲勞狀態(tài)檢測(cè)性能對(duì)比結(jié)果。首先從檢測(cè)正確率來(lái)分析，本文方法明顯高于其它3種方法，高出其它方法17%以上。這不僅是因?yàn)楸疚姆椒ㄔ谘劬Χㄎ浑A段的定位正確率明顯高于其它方法，而且還因?yàn)楸疚姆椒ú捎蒙疃葘W(xué)習(xí)方法進(jìn)行特征的提取和分類，特征魯棒性更強(qiáng)，尤其是相對(duì)于采用幾何特征的眼睛狀態(tài)判別方法而言，眼睛狀態(tài)分類的正確率得到明顯提高。接著從檢測(cè)幀率來(lái)分析，本文方法和檢測(cè)幀率與文獻(xiàn)[8]相當(dāng)，高于文獻(xiàn)[10]，但低于文獻(xiàn)[9]。綜合考慮兩個(gè)指標(biāo)，本文方法明顯優(yōu)于文獻(xiàn)[8,10]，盡管檢測(cè)幀率低于文獻(xiàn)[9]，但檢測(cè)正確率高出文獻(xiàn)[9]45%。因此，綜合評(píng)價(jià)，本文方法是一種快速、可靠的非侵入式駕駛員疲勞檢測(cè)方法。

表1 疲勞狀態(tài)檢測(cè)性能對(duì)比

5 結(jié)束語(yǔ)

非侵入式的駕駛員疲勞檢測(cè)是目前駕駛員疲勞檢測(cè)系統(tǒng)研究的重要方向。本文針對(duì)現(xiàn)有方法在眼睛定位精度不高和特征魯棒性不強(qiáng)兩個(gè)的問(wèn)題，提出一種非侵入方式駕駛員疲勞狀態(tài)檢測(cè)方法。主要?jiǎng)?chuàng)新工作之一是采用一種時(shí)空約束Adaboost方法從視頻中快速檢測(cè)駕駛員面部區(qū)域，采用Haar-like特征和Adaboost分類器在雙眼可能區(qū)域快速、精確定位雙眼區(qū)域，提高雙眼定位精度。主要?jiǎng)?chuàng)新工作之二是采用卷積神經(jīng)網(wǎng)絡(luò)的LeNet5網(wǎng)絡(luò)架構(gòu)訓(xùn)練眼睛狀態(tài)分類器和檢測(cè)雙眼狀態(tài)，提高特征的魯棒性和分類的可靠性。實(shí)驗(yàn)結(jié)果也表明了本文方法在眼睛定位和眼睛狀態(tài)檢測(cè)方面的優(yōu)勢(shì)。但本文方法的檢測(cè)幀率還沒(méi)有達(dá)到實(shí)時(shí)，下一步還需完善。

參考文獻(xiàn)：

[1]Jiao Y,Peng Y,Lu B L,et al.Recognizing slow eye movement for driver fatigue detection with machine learning approach[C]//International Joint Conference on Neural Networks.IEEE,2014:4035-4041.

[3]JIANG Jianchun,JIANG Li,TANG Hui,et al.Detection of driver fatigue based on pulse IMF frequency characteristics and SVDD[J].Journal of Computer Science,2016,43(7):314-318(in Chinese).[蔣建春,蔣麗,唐慧,等.基于脈搏I(xiàn)MF時(shí)頻特征和SVDD的駕駛員疲勞檢測(cè)[J].計(jì)算機(jī)科學(xué),2016,43(7):314-318.]

[4]Horng W B,Chen C Y,Peng J W,et al.Improvements of driver fatigue detection system based on eye tracking and dynamic template matching[J].Wseas Transactions on Information Science & Applications,2012,9(1):14-23.

[5]Zhang W,Wang Z,Li Y.Eye localization and state analysis for driver fatigue detection[J].Jornal of Hongqng Nvry,2013,36(1):22-28.

[6]BAI Zhonghao,JIAO Yinghao,BAI Fanghua.Driver fatigue detection based on active shape model and fuzzy reasoning[J].Chinese Journal of Instrument and Meters,2015,36(4):768-775(in Chinese).[白中浩,焦英豪,白芳華.基于主動(dòng)形狀模型及模糊推理的駕駛疲勞檢測(cè)[J].儀器儀表學(xué)報(bào),2015,36(4):768-775.]

[7]Fu R,Wang H,Zhao W.Dynamic driver fatigue detection using hidden Markov model in real driving condition[J].Expert Systems with Applications,2016,63(C):397-411.

[8]Gao X Y,Zhang Y F,Zheng W L,et al.Evaluating driving fatigue detection algorithms using eye tracking glasses[C]//International IEEE/EMBS Conference on Neural Engineering.IEEE,2015:767-770.

[9]ZHAO Xiaolin,WANG Shigang,JIANG Xiuhong,et al.Driver fatigue detection based on human eye condition[J].Journal of Jilin University (Information Science Edition),2015,33(4):449-453(in Chinese).[趙曉琳,王世剛,姜秀紅,等.基于人眼狀態(tài)的駕駛員疲勞檢測(cè)[J].吉林大學(xué)學(xué)報(bào)(信息科學(xué)版),2015,33(4):449-453.]

[10]Liu T,Xie J,Yan W,et al.Driver’s face detection using space-time restrained Adaboost method[J].Ksii Transactions on Internet & Information Systems,2012,6(9):2341-2350.

[11]Yu N,Jiao P,Zheng Y.Handwritten digits recognition base on improved LeNet5[C]//Control and Decision Conference.IEEE,2015:4871-4875.