基于BFR算法與頭部姿態的疲勞駕駛仿真研究

武昆亮，禹素萍，許武軍，范 紅

(東華大學信息科學與技術學院，上海 201620)

1 引言

疲勞是指對某體力勞動或者腦力勞動進行長時間重復作業，所形成的一種生理阻礙[1]。《道路安全法實施條例》第六十二條表明，連續駕駛機動車超過4h未停車休息，可視為疲勞駕駛。現實中由于多方面因素的影響，例如睡眠質量或者身體情況，4h的駕駛閾值會根據駕駛員的自身情況降低，因此需要一種自適應的疲勞駕駛評估標準。

University of Virginia的Walt研究表明，眼睛疲勞程度與眼睛的閉合時間成正比關系。此基礎上，Mellon[2]提出了PERCLOS算法測算眼部疲勞，通過計算單次的眨眼動作進行評估，容易漏判誤判，對于連續的時間序列無法判別。

人體頭部姿態由歐拉角評估，分別為偏航角(yaw)、俯仰角(pitch)、滾轉角(roll)。目前有兩種常用的頭部姿態算法[3]，一種是基于頭部外觀的方法，一種是基于模型的方法。基于外觀的方法通常使用外觀模板與真實圖像比較，通過統計運算來推測具體的頭部姿態，此方法過度依賴環境與精度，在實時環境下無法得到良好的應用。基于模型的方法具有良好的實時性與魯棒性，但采集姿態的范圍有限，經過Ferrario等人[4]研究發現，人體頭部的俯仰角范圍為-60.4°～69.6°，滾轉角的范圍為-40.9°～36.3°，偏航角的范圍為-79.8°～75.3°，上述角度均屬于姿態的極限范圍，現實中，基于模型的方法并不受姿態范圍的影響，本文使用該種方法采集頭部姿態。

本文提出一種全新的BFR算法來測量眼部特征。同時將頭部姿態與眼部特征引入算法框架，進行綜合判別。

2 眼部檢測

2.1 眨眼檢測

眨眼頻率是一個人正常的生理狀態。車在駕駛時，眨眼頻率可作為衡量駕駛員疲勞狀態的生理指標。正常情況下，一個人每分鐘眨眼次數為10～15次，每兩次眨眼時間的間隔是4～5s，本文引入了EAR(眼睛縱橫比)來檢測眨眼動作。

每只眼睛由6個坐標標定，從左眼角開始，圍繞該區域順時針旋轉，如圖1所示。

圖1 眼部特征點

(1)

P1～P6標定6個眼部坐標，根據坐標高度與寬度之間的關系，推導出式(1)。方程分母計算水平坐標之間的距離，分子計算垂直坐標之間的距離，由于垂直點有兩組，所以進行加權分母，確保距離不同的坐標差擁有不同的比例因子，計算得到的EAR值具有相同尺度。眼睛縱橫比隨時間剪輯的曲線圖如圖2所示。由圖2可知，正常時間內，眼睛縱橫比恒定在0.24左右。在一次眨眼動作中，閉眼時，EAR值會迅速下降至0，睜眼時，再迅速增加至0.24[5]。

圖2 EAR變化曲線

2.2 BFR算法

Ilse等人[6]研究，多巴胺的分泌與眨眼頻率成正比關系，多巴胺分泌不足，疲勞程度越高，眨眼頻率越低。

本文提出一種名為BFR的全新算法，該算法基于眨眼頻率，通過攝像頭采集單位時間內被測者的眨眼動作，如式(2)所示。

(2)

圖3 BFR原理圖

(3)

若采單位時間內平均眨眼次數α小于等于單位時間內最低眨眼次數，如式(4)所示，則判定疲勞駕駛。降低閾值，給之后的姿態單元預留判定空間，并起到防患于未然的效果。

「T·BFR?≥α

(4)

3 頭部姿態檢測

3.1 Haar-like特征

該方法首先檢測司機是否在位，因此面部檢測是算法的基礎。Viola和Jones[7]將Haar特征的概念引入了面部識別領域，Haar-like特征是一組數字圖像特征，反應圖像空間灰度值的變化，Haar-like特征分為三類，分別為邊緣特征、線性特征、中心特征。

在獲得Haar-like特征之后，需要利用積分圖來進行運算，積分圖定義為(x，y)左上角的所有像素之和。如圖4所示，若A、B、C、D區域左上角區域像素和分別為S1、S2、S3、S4。則A、B、C、D區域的像素和見式(5)

圖4 積分圖概念

S1=S(A)

S2=S(B)-S(A)

S3=S(C)-S(A)

S4=S(D)-S(C)-S(B)+S(A)

(5)

3.2 Adaboost算法

Adaboost(adaptive boosting)算法是一種自適應性增強算法。本次仿真利用Adaboost算法識別司機的面部，從而判斷是否落座。算法的核心思想是識別訓練，強化弱分類器的識別率，若訓練弱分類器出現錯誤樣本，則將錯誤樣本的權值增大，同樣，減小正確分類的樣本權值，將這些更新權重后的樣本進行迭代，來訓練下一個弱分類器，直到錯誤率達到所設定的最低閾值。或迭代次數已達最大值，則可以確定最終的強分類器，多個強分類器進行級聯，得到最終Haar分類器[8]。

3.3 姿態估計算法

本次仿真中，需要采集司機的頭部姿態，此單元利用偏航角、俯仰角、滾轉角對頭部姿態進行衡量。俯仰角反應仰視運動或者俯視運動，滾轉角反應左右擺頭運動，偏航角反應左右轉頭運動。當司機疲勞時，頭部會猛地下點或者向左右耷拉。以上分析表明，偏航角代表正常駕駛時的左右轉頭，俯仰角與滾轉角代表疲勞時候的頭部姿態[9]。

(6)

頭部姿態通過座椅前的攝像機采集，攝像機模型公式為式(6)所示。式中：u，v是圖像坐標系下的2D坐標，fx，fy，cx，cy是相機標定時設定的內參矩陣，rij，ti分別構成旋轉矩陣與平移向量；X，Y，Z為世界坐標系下的3D位置坐標。比例因子s、2D、3D坐標和內參矩陣均為已知參數，平移向量通過采集得到的信息進行計算，因此可以直接求解出旋轉矩陣R。歐拉角可用旋轉矩陣進行表示。且旋轉矩陣R=Rx(α)·Ry(β)·Rz(γ)。通過矩陣乘法運與R聯立。由于R已根據攝像機模型求出結果，可用已知旋轉矩陣的參數rij，聯立計算出歐拉角，如(7)式所示

(7)

4 仿真研究

4.1 眼部特征采集

使用python3.6+opencv3.4.1+dlib19.1的開發環境，python編譯器為Spyder，臉部模型采用shape_predictor_68_face_landmarks，眨眼閾值(threshold)設定為0.22，frames設定為3，表明眼睛長寬比小于0.22時，3個連續的幀一定發生眨眼動作，如圖5所示。

圖5 眨眼檢測

眼部特征采集是系統第1個重要模塊，為體現系統的自適應性，對不同對象生成不同的BFR值。本次實驗一共選取6位研究對象，如表1所示。采集單位時間1min內的眼部動態特征，生成眨眼時間序列。測試結果如表2所示。

表1 實驗對象

表2 BFR算法

A、B、D的眨眼間隔具有較大時間跨度，A的跨度為4s～7s，B、D的跨度為4s～8s，其調節因子擁有較大的調節范圍。現實測試中，A、B、D精神狀態良好，采集時眼部放松，眨眼自然，正常情況下，最低頻率至疲勞頻率的可調域大，因此乘以擁有較大的范圍的調節因子，與推理相符合。

C、E的間隔跨度比A、B、D小，但起始時間間隔遠大于A、B、D。C的起始間隔為6s，跨度是6s～8s，E的起始間隔為8s，跨度是8s～11s，其調節因子范圍較A、B、D稍小。現實測試中，C、E測試的時間分別為午餐后與晚上10點。午餐后容易產生食困，C與最低頻率同為1/8的B、D相比，C的疲勞頻率稍高，因此可達到閾值會稍低，即進入疲勞狀態的時間會更快，符合推理。E的起始間隔為9s，可直接判斷E已經進入疲勞狀態，與推理相符。

F的時間跨度比A、B、D小，起始時間間隔與A、B、D相同，都為4s。F的調節因子可調范圍較小，最低頻率為1/6。假設單位時間為1min，則單位時間乘BFR的值為9.06，表明1min眨眼九次就判定眼部疲勞。這不符合算法推理。在現實測試中，F精神狀況良好，但知道本次采集的目的，這導致了眨眼動作不自然，眨眼間隔下意識控制在4s～6s。正常情況下，單位時間內人的眨眼間隔不會在某一個固定值上下浮動，具有很大的差異性。因此設定，測定時需要一定的隱蔽性，且眨眼間隔的min值與max值相差應大于等于4s，否則在下一個單位時間周期內重新測定。

4.2 頭部特征

環境采用python3.6+opencv3.4.1+dlib19.1，Haar分類器使用haarcascade_frontalface_alt2，模型采用shape_predictor_68_face_landmarks。先進行面部檢測，可成功檢測面部[10]，如圖6。

圖6 單個人臉檢測

攝像頭內參矩陣設定fx=653.678，fy=653.083，cx=319.5，cy=239.5，攝像頭的畸變系數與鏡頭的物理屬性和畸變模型有關，由MATLAB的相機標定工具箱計算得到，在此次的仿真中，畸變系數經計算得知：D=[0.07083，0.06914，0，0，-1.307]。攝像頭像素為720P。以一個邊長為20cm的正方體框定頭部，在正方體內，定義面部關鍵點3D坐標，部分坐標見表3。

表3 面部關鍵點3D坐標

得知這些已知變量后，可計算出旋轉矩陣R，從而得到歐拉角。正常姿態下仿真結果如圖7所示，非正常姿態下仿真結果如圖8所示。

圖7 正常姿態

圖8 疲勞姿態

實驗共采集2000個頭部姿態，1000個正常的頭部姿態，標簽為1，1000個疲勞的頭部姿態，標簽為0。仿真結果如圖9、圖10所示。

圖9 正常姿態三維坐標圖

圖10 疲勞姿態三維坐標圖

將正常姿態與疲勞姿態的歐拉角利用Matlab進行3D建模，分析正常姿態與疲勞姿態的關系。正常姿態下俯仰角的變化范圍大致為5°～7°。疲勞姿態下俯仰角范圍為10°～25°。正常姿態與疲勞姿態下，偏航角范圍大致在-10°～20°，表明司機查看路況的轉頭動作，與理論相符。正常姿態下，觀察縱軸，滾轉角變化的范圍呈小區域波浪狀，方向導數小，表明正常姿態下擺頭動作不明顯，疲勞姿態下，歐拉角曲面的方向導數大，具有不可預測性，表明此時多為不正常姿態。

最終選用Keras深度學習框架，并用TensorFlow作為后端引擎[11]。輸入到含有8個隱藏單元的Dense層，該層激活函數使用relu，最后一層使用含有1個隱藏單元的Dense層，該層的激活函數使用sigmoid，優化器為rmsprop，損失函數使用binary_crossentropy，指標函數為accuracy，驗證集采集2000個頭部進行驗證，經過實驗，模型精度為91.7%。滿足實驗需求。

4.3 仿真結果

最終結果見表4，實驗對象A、C、D到達BFR閾值的時間在2小時30分左右，檢測姿態疲勞時間大致在第3個小時，比法定4個小時少1個小時，可以起到提前預警的作用。C調節因子的調節范圍較小，提前達到BFR閾值時間，判定疲勞時間在2小時14分，表明飯后駕駛更易到達疲勞狀態。E的起始眨眼間隔為9s，可直接判斷處于疲勞狀態。F到達BFR閾值的時間為4小時15分，與法定疲勞駕駛時間相符，但判定眼疲勞后立馬檢測出姿態疲勞，表明司機已提前進入疲勞駕駛狀態，此時已無法起到預警的作用。故采集眼部特征時，需做到隱蔽性，采集駕駛員自然狀態下的眼部動作。

表4 試驗結果

6位實驗對象中5位可成功預警，實驗精度為83.3%，考慮F的特殊性，真實精度還會略高。

導入python的time庫進行效率測試，見表5。人臉檢測模塊調用Haar分類器，執行時間為7.968ms，dlib68點模型具有很強的魯棒性與高效性，耗時0.534ms，BFR計算耗時0.012ms。總耗時約為8.5ms。

表5 系統的執行效率分析

胡卓[12]對面部圖像進行預處理，利用PERCLOS檢測，采集10段視頻數據，識別率為80%，低于本方法。王小帆[13]使用瞳孔分割進行眨眼檢測，精度為92%，其疲勞檢測受姿態方位與攝像機角度的影響，檢測率最高可達到85.6%，略高于本方法，但執行效率為62ms，不利于實時檢測。蔡伽[14]使用改進的Adaboost算法進行人臉檢測，并使用PERCLOS檢測疲勞，Adaboost算法經過優化后，執行效率有所提高，但仍未優于本文方法。

表6 系統和精度對比

5 結語

本文提出一種基于BFR算法與頭部姿態的綜合判別系統，BFR算法可檢測駕駛員視疲勞，針對不同駕駛對象生成不同的疲勞閾值。頭部姿態經采集計算，輸入到神經網絡形成個體樣本集，判定駕駛員是否疲勞駕駛。采集過程對攝像頭的安裝不限固定方位，具有自適應性。實驗表明，該系統對疲勞駕駛擁有提前預警作用，道路安全法規定連續駕駛機動車超過4小時未停車休息，可視為疲勞駕駛，本文判定時間較4小時略短，為駕駛員提供充分的預警時間，提高駕駛安全性。