基于人臉識別的非常態駕駛自動預警系統的分析與研究

康家明 盧水生 王超凡 邱倩茹 王旭

摘 要 駕駛員處于正常狀態是保證安全駕駛的必要條件，科學、高效地監測駕駛員的非常態對于營造安全的駕駛環境意義重大。本文在理清非常態駕駛自動預警系統運行的機理后，研究了系統進行人臉檢測、人臉識別和非常態監測所涉及的相關算法，并在MATLAB平臺開發了交互性的程序。最后，在Mockingdot仿真平臺模擬系統的運行，明確了系統的功能要素，提高了系統集成開發的應用性。

關鍵詞 人臉檢測;人臉識別;非常態監測;MATLAB;Mockingdot仿真

引言

自身和外界環境的綜合影響會使駕駛員生理和心理機能發生一定的波動，當波動幅度超過一定的限度，會造成意識不清、記憶消失及下意識操作等問題，并對駕駛員的面部狀態產生直觀影響，使駕駛員處于非常態。非常態駕駛是引發交通事故的重要原因，常見的駕駛員非常態包括分心、疲勞和發暈狀態等。根據美國交通安全基金會的調查數據顯示，由于非常態駕駛引發的事故占比高達49%。監測駕駛員的非常態程度，是智能輔助駕駛的一項關鍵技術。

近年來，國內外研究者對駕駛員非常態監測技術進行了諸多深入的研究。系統的監測方法分為兩大類，一是直接監測方法，通過駕駛員自身的生理特征監測駕駛員是否處于非常態，如通過心、腦、眼電圖取得駕駛過程中的變化數據綜合判斷，通過駕駛員常態與非常態下的視覺特征不同，采用模式識別的方法進行判別;二是間接監測方法，即根據外部硬件設備的受控表現，判斷駕駛員行為是否處于非常態駕駛，如通過傳感器獲取車輛在行駛過程中的參數（道路線檢測、速度變化、車輛間距離）來判斷異常情況[1]。以硬件傳感器為主的方法其準確性與檢測儀器的精度和相關參數有較大關系，且接觸式監測對駕駛員操作構成了障礙。利用人臉識別技術進行非常態監測，可以提高監測的實時性和準確性，本文主要闡述這種直接監測技術的原理。

1 系統運行機理

本文系統開發的流程分四個部分，即人臉檢測、人臉識別、非常態參數計算和判定預警。系統捕獲視頻圖像后，首先對圖像進行預處理，在此基礎上，使用優化的類Haar-like特征檢測算法完成人臉檢測，進而利用卷積神經網絡算法對檢測到的人臉識別。之后，劃分出人臉關鍵區域，定位人臉關鍵點，分析計算關鍵點位的特征參數，即駕駛員的眼睛閉合頻率及臉部狀態信息，同時，當計算的非常態特征參數超過設定閾值時，判定為非常態駕駛，系統發出警告信號。非常態駕駛自動預警系統的運行流程圖，如圖1所示。

2 基于Harr-Like特征AdaBoost級聯分類器算法的人臉檢測

人臉檢測算法使用類Haar-like特征，檢測具有較高的魯棒性，對于一張大小N×N的灰度圖像I，其特征區域為S，則特征值f計算方式為白色區域內的像素和減去黑色區域內的像素和。對于訓練樣本來說，數個類Haar-like特征的組合最終將產生較大數量級的特征集，需要采用AdaBoost分類器進行訓練[2]。AdaBoost分類器的基本思想為首先選取相應的特征構建不同的弱分類器，然后在每次弱學習后調整樣本空間中正確分類與錯誤分類的權重分布，并重點關注錯誤分類樣本，最終將這些弱分類器集合構成一個強分類器。這一系列強分類器經過閾值調整級聯，形成最終的人臉檢測分類器。

3 基于卷積神經網絡的人臉識別算法

用于人臉識別的卷積神經網絡由輸入層、三層卷積層、三層池化層、全連接層以及Softmax分類器組成。網絡中，卷積層作為特征提取層，池化層是特征值下采樣層。網絡涵蓋訓練和識別過程，訓練時為了提高訓練效率，將每次訓練過程分成多次的迭代進行，而且每次迭代又包括了多次訓練，并把訓練樣本分成多個組。一組訓練過程包括前向傳播、反向傳播、權值更新三部分，在前向傳播中將CNN提取的特征串接起來歸一化后作為Softmax分類器的輸入，對分類器進行訓練。在訓練好的網絡中將測試圖像樣本輸入到網絡，經過前向傳播后，將全連接層的卷積特征歸一化作為Softmax分類器的輸入，用于識別類別。最后，根據樣本標簽與真實值對比計算錯誤率，實現網絡測試過程[3]。圖2為在MATLAB平臺設計的基于卷積神經網絡的駕駛員人臉識別系統GUI界面。

4 非常態區域特征判別和參數計算

通過駕駛員外部特征判斷非常態的監測方法，不會影響駕駛員的正常行車。駕駛員的外部特征包括頭部運動、表情變化及眼睛的運動。這些外部特征的變化通過眨眼活動、眨眼頻率、眼睛閉合時間、點頭頻率等方法來監測[4]，而在眾多監測方法中，PERCLOS標準最能直接反映駕駛員非常態的程度，是車載、實時的、非接觸式監測非常態方法的首選，其定義是單位時間內眼睛閉合一定比例所占的時間。PERCLOS方法中常用的標準有P70、P80和EM三種[5]。在測量周期t1—t4內，t2—t3為閉合時間，則度量值的計算方式為（采用P80計算方式）：

圖3為在MATLAB平臺設計的駕駛員非常態監測系統UI界面。當用PERCLOS方法測算出駕駛員處于非常態時，系統顯示紅色信號提醒駕駛員注意。

5 非常態監測系統的仿真設計

根據設計原理，通過Mockingdot仿真平臺模擬系統的運行。平臺運作的主要過程為：駕駛員輸入賬號登錄系統，上傳自己的常態人臉圖像集組成人臉庫，并同步到云端。在駕駛過程中以一定頻率捕獲駕駛員照片，將捕獲的照片與已經建立的常態人臉圖像集進行特征比對，確認人車匹配程度，并計算捕獲照片的非常態參數，參數超出閾值則表示駕駛員處于非常態，系統發出預警信號及時提醒駕駛員休息。

6 結束語

本文在對比當前國內外用以非常態監測的兩大類方法后，選用以人臉識別技術為支撐的直接監測方法來開發系統，保證系統監測的實時性和準確性。在分析了非常態駕駛自動預警系統運行的機理后，我們研究了系統進行人臉檢測、人臉識別和非常態監測所涉及的相關算法，并在MATLAB平臺開發了相應的程序。最后，在Mockingdot平臺設計出識別駕駛員非常態并自動預警的仿真系統，規范了系統集成開發的交互界面。

參考文獻

[1] 李軍，幸堅炬，黃超生，等.人臉識別在疲勞駕駛檢測中的應用研究[J].廣東技術師范學院學報，2019，40（3）：22-27.

[2] 詹潤哲，姜飛.基于面部關鍵點特征融合的駕駛員疲勞檢測方法研究[J].宿州學院學報，2018，33（10）：115-117.

[3] 解駿，陳瑋.基于卷積神經網絡的人臉識別研究[J].軟件導刊，2018，17（1）：25-27.

[4] 肖遼亮.基于人眼定位算法的疲勞駕駛檢測研究[J].電腦知識與技術，2015，11（15）：132-133.

[5] 王琦.基于人臉識別的疲勞監測系統的研究[D].新鄉：新鄉醫學院，2018.

[基金項目] 江蘇省大學生創新訓練項目，（項目編號：201910290096Y）。