一種基于列車司機在途疲勞狀態檢測及預警的方法

摘? 要：針對列車司機膚色與背景圖的聚類分布特性較好分離，而且具備高斯兩維獨立分布，可將列車司機圖像分布區域與列車駕駛室內部背景圖很好地分開，將列車司機的頭部信息，作為人臉檢測定位算法的原始訓練集。反復修改訓練列車司機圖像數據的權值分布，最終將背景圖像剔除掉，得到列車司機的人臉圖像。確認人臉區域后進一步確認眼睛位置，實現級聯結構增強的定位識別，在利用眼睛狀態判定時，則用眼部和嘴部的融合狀態判斷駕駛員是否疲勞，相對提高了疲勞判斷的全面性和準確性。

關鍵詞：疲勞駕駛;智能聯動檢測;眼睛狀態判斷;人臉檢測率

中圖分類號：TP391.4? ? ? ? ? ? ? ? ?文獻標識碼：A文章編號：2096-4706（2021）20-0098-05

A Method of Detection and Early Warning Based on the Transit Fatigue

State of Train Driver

JIANG Yuelong

（Guangzhou Railway Polytechnic， Guangzhou 510430， China）

Abstract： For the clustering distribution characteristics of the train drivers skin color and the background image is easy to separate， and has Gaussian two-dimensional independent distribution. The distribution area of the train drivers image can be well separated from the background image inside the train cab. The head information of the train driver is used as the original training set of the face detection and location algorithm. Repeatedly modify and train the weight distribution of the data of the train driver image， and the background image is removed finally to get the face image of the train driver. After confirming the face area， further confirm the eye position to realize the location recognition enhanced by the cascade structure. When determining through the eye state， the fusion state of eye and mouth is used to judge whether the driver is tired， it relatively improves the comprehensiveness and accuracy of fatigue judgment.

Keywords： fatigue driving; intelligent linkage detection; judgment of eye state; face detection rate

0? 引? 言

在軌道交通運營過程中，由于整個城市軌道交通系統是錯綜復雜的，在列車行駛過程中如出現任何故障都會造成一定損失，為了有效地保障軌道交通運營的穩定性與可持續性，需要開展地鐵列車司機的駕駛風險監督防護措施和維保工作，以提高列車行駛安全。雖然采用人工智能技術與計算機系統作為輔助，但作為高速軌道列車運行的直接指揮和操控崗位行車人員在工作過程中需要精力高度集中，這也將導致列車司機在駕駛列車過程中發生司機注意力不集中、打瞌睡等狀況時，極易產生工作疲勞，容易造成安全事故[1]。操控崗位行車人員的工作行為、精神狀態需要對列車司機或者行車人員的工作狀態，如工作是否疲勞、有無錯誤操作。列車司機駕駛過程中司機狀態檢測、司機室內環境變化的監控，如濕度、溫度、煙霧濃度等進行實時監測，將直接影響到軌道列車行車過程。

因此，在列車行駛過程中，需要對列車司機駕駛工作狀態及列車駕駛室內的環境進行實時監測和管理，以避免列車運行事故的發生[2]。

1? 列車在途狀態智能聯動檢測系統

列車在途狀態智能聯動檢測系統在司機室內安裝有高清攝像頭以及環境檢測系統，對司機狀態以及司機室內環境數據進行采集，并將數據實時傳送到監控中心。后臺服務器會對傳輸數據進行數據分析，判斷司機的實時狀態，如果在駕駛過程中，司機如果出現疲勞，注意力不集中狀態，系統會對正在駕駛的司機進行語言提醒，同時在監控中心內也會顯示司機的狀態情況，而另外，司機室內環境狀況也是至關重要的，系統也會將駕駛室內的環境狀況數據傳輸到監控中心，并實時顯示。該系統的遠程監視監控工作人員可以實時獲得在線軌道列車的運行狀態以及司機是否疲勞狀態，同時，列車在運行過程中發生任何情況，可立即獲知該列車的信息，包括列車司機的疲勞狀態以及列車行駛狀況[3]。本文一種列車司機在途疲勞狀態檢測及預警的方法，主要有四個部分組成：實時獲取在線地鐵列車運行狀態、實時獲取在線地鐵列車環境數據、車地無線通信系統、列車在途狀態展示。如圖1所示。

列車司機在途疲勞狀態檢測與遠程監控主要實現以下幾個功能：

（1）實時獲取列車在途運行狀態：當列車在行使過程中通過該系統在司機處于疲勞狀態智能檢測過程中，利用列車數據采集裝置模塊將每個列車廂中各個設備的數據，如車輛狀態數據、列車設備數據、列車故障信息、列車司機精神狀態數據等匯聚上傳地面列車狀態到遠程監視中心人員。該遠程監視中心人員可以在監控室實時獲知在線地鐵列車的運行狀態，列車在運行過程中如果發生了任何地點、任何維修故障。

（2）車地無線通信系統：該系統主要包括5G通信傳輸模塊、車載主控模塊、信號系統數據采集模塊，實現信號系統及車輛數據轉發功能。

（3）實時獲取在線地鐵列車環境數據：列車在途狀態智能聯動檢測系統在駕駛室內安裝高清攝像頭以及環境檢測系統，對司機狀態及環境數據進行采集，并將數據實時傳送至監控中心。

2? 列車司機狀態監測軟件算法

列車司機狀態監測軟件算法主要基于非接觸式監測方法，適應性強的人工智能的視覺分析技術，由于城市軌道列車在行駛過程中路況比較復雜，如高架、地面、隧道等路況，采集司機面部光線比較復雜，而且采集到司機人臉信息還有明顯黑暗差異，所以跟蹤分析列車司機的眼睛狀態來分析司機疲勞程度是關鍵。圖2是列車司機疲勞狀態監測算法流程圖。

本文主要算法由3個部分組成：

（1）列車司機的圖像濾波降噪處理和光照補償處理。在軌道交通列車駕駛室內拍攝的列車司機圖像，對列車司機圖像進行預處理，該預處理主要采用非線性的中值濾波法去除列車司機圖像中降噪處理和光照補償處理。

（2）人臉檢測定位方法。是一種主要采用級聯結構人臉分類器在分割出的膚色區域里準確檢測人臉的方法[4]，具體實施步驟為：

第一步：列車司機圖像預處理，由于在YCbCr顏色空間具有色度和亮度分離優點，Y代表亮度分量，Cb代表藍色分量，而Cr代表紅色分量[5]，針對列車司機膚色和背景圖的聚類分布特性比較好分離，而且具備高斯兩維獨立分布，可以很好地將列車司機頭部圖像分布區域與列車駕駛室內部背景圖分開，從列車司機的頭部信息，作為人臉檢測定位算法原始訓練集。

第二步：反復修改訓練列車司機圖像的數據的權值分布，得到列車司機的人臉區域，如圖3所示。

輸入：列車司機圖像的訓練數據集如（x₁，y₁），（x₂，y₂），（x₃，y₃），（x₄，y₄）…（x_m，y_n）。

輸出：最終分類器G（x），得到列車司機的人臉信息。

圖4中從左到右，可見最終的求和與符號函數，再看到右邊求和之前，圖中的虛線表示不同輪次的迭代效果，第1次迭代時，只有第1行的結構，第2次迭代時，包括第1行與第2行的結構。通過列車司機圖像數據集dataset與數據權重W（i）訓練弱分類器（i），并得出其分類錯誤率，這樣計算出其弱分類器權重α_m（i），最終分類器G（x）可以得到列車司機的人臉圖像，將背景其他圖像剔除掉[7]，如圖5所示。

第三步：得到人臉區域，進一步確定人的眼睛。在確認人臉區域后，進行使用該方法，進一步確認眼睛位置，實現級聯結構增強的定位識別。

3? 列車司機張閉眼睛判斷方法

判斷列車司機疲勞的方法，我們的人臉特征點有68個，如圖6所示。

計算閉眼方法，將左眼的特征點提取并連接成多邊形，如圖7和圖8所示。

4? 列車司機疲勞算法判別方法

對眼部和嘴部分別進行了特征提取，并對其作了狀態分析，則用眼部和嘴部的融合狀態判斷駕駛員是否為疲勞[9]，這樣就相對提高了疲勞判斷的全面性和準確性，如圖10疲勞算法判別流程圖。眼睛狀態判定時，眼睛睜開六邊形的面積，經本實驗確定閾值為面積大于0，同時，本文選擇連續超過3～5秒（本文統計選擇5 s）認為駕駛員處于疲勞狀態。

5? 結? 論

在列車司機室內安裝有高清攝像頭、語音裝置、環境檢測裝置以及數據傳輸裝置，系統將會對司機的面部，行為動作以及室內的溫度、濕度、煙霧濃度等數據進行采集，并將這些數據實時傳輸，服務器將會對傳輸來的數據進行分析[10]。根據采集到的司機面部、行為動作等數據對司機的精神狀態得出一個判斷結果，同時將結果反映到監控中心，以達到對司機精神狀態實時監控的目的。在駕駛過程中，當司機以精神飽滿的狀態進行駕駛，系統會在監控中心顯示“狀態良好”，當司機的精神狀態萎靡，出現疲勞、注意力不集中時，系統便會在監控中心顯示“狀態差”，司機室內的語音系統也會對司機發出提醒，以提醒司機及時換人休息，保證列車司機的精神狀態。

參考文獻：

[1] 陳多偉.鐵路行車安全事故分析及防范對策 [J].工業技術創新，2016，3（5）：1056-1059.

[2] 王亮軍，陳燕飛，靳育權.城市軌道交通列車司機駕駛狀態監測研究 [J].中國新技術新產品，2020（5）：10-12.

[3] 李欣，陳洪茹.全自動駕駛軌道交通綜合監控系統關鍵功能要點研究 [J].工程建設與設計，2016（14）：172-175.

[4] 李強.基于PERCLOS的列車司機駕駛疲勞檢測研究 [D].北京：北京交通大學，2014.

[5] 周靈飛.基于DM642和統計顏色模型的火災檢測研究 [D].西安：西安電子科技大學，2013.

[6] 王海川，張立明.一種新的Adaboost快速訓練算法 [J].復旦學報（自然科學版），2004（1）：27-33.

[7] nk_wavelet，AdaBoost人臉檢測介紹（3）：AdaBoost算法流程 [EB/OL].[2021-08-22].https：//www.it610.com/article/1282735567196405760.htm.

[8] 黃伊琳，張征.基于HTML5的微信游戲設計 [J].計算機系統應用，2017，26（8）：261-266.

[9] 王豪榮.基于人臉特征融合的疲勞檢測方法研究 [D].西安：長安大學，2015.

[10] 趙東輝.基于物聯網的智慧園區信息平臺的設計與實現 [D].石家莊：河北科技大學，2018.

作者簡介：江躍龍（1984—），男，漢族，福建龍巖人，電子工程師，碩士研究生，研究方向：人工智能領域、智能信息系統、機器學習、機器視覺。