基于計算機視覺下的安全駕駛系統＊

湖南應用技術學院信息工程學院 陽嘉佳 劉治國

基于計算機視覺技術采用OpenCV 圖像視頻處理、目標檢測算法結合深度學習、百度大腦并結合基于STM32的車內酒精濃度檢測來實現對車內人員行為的智能識別監控，通過對錄像視頻進行分幀處理，得到大量的圖像數據和對酒精濃度的檢測數據來監控是否有不良行為，并結合語音播報進行提醒，如若5min 內沒有按照指示去修正，則會將數據傳送到對應交通對應部門去管理，利用此安全駕駛系統，不僅有效地降低了交通事故的發生率，也保障了人民的自身安全。

安全駕駛系統是智能交通的重要組成部分之一，也是對于駕駛者和乘車員一個安全保障，據調查發現，飲酒開車、疲勞駕駛和邊吸煙邊開車等這些非常危險的行為還是普遍出現，對于以上問題，基于計算機視覺模式下的安全駕駛系統能夠很好在源頭制止危險駕駛行為，不僅保障了駕駛員的安全，同時還保障了路上的行人以及其他駕駛員的安全。

1 系統總體設計

基于計算機視覺下的安全駕駛系統是基于多種高新技術的綜合型應用系統，其主要核心的技術涉及基于視覺的OpenCV 圖像視頻處理、手勢識別的抽煙檢測和基于STM32 的車內酒精濃度檢測等技術。

圖 1 系統結構流程圖Fig.1 System structure flow chart

最后根據以上數據信息結合語音播報傳達相應提示，若在5min 內沒有按照指示去修正則會將數據傳送到對應交通對應部門去管理。

2 技術研究

2.1 基于OpenCV 與STM32 駕駛疲勞識別

隨著時代經濟的進步，交通事故也隨之加多，而疲勞駕駛在這其中占據了很大的比例，疲勞駕駛主要是因為駕駛員睡眠時間不足、長時間駕駛、生理節律等。

目前對于疲勞駕駛檢測的方法應用較多的是生理和行為特征檢測，行為特征檢測是由PERCLOS 檢測駕駛員的睡眠程度，使用奇異值分解的方法中的人眼圖像訓練階段來進行判斷。另外，基于稀疏表示的眼鏡狀態識別方式是利用K-SVD 算法和結合OMP 算法進行一個疲勞駕駛的檢測，也可使用Gabor 小波濾波去通過一個面部的紋理去識別出面部表情，從而去判斷駕駛員是否疲勞。

對比以上疲勞檢測方法，該系統是主要基于OpenCV函數庫使用Boosting 算法的Haar 分類器和PERCLOS 來計算人臉面部特征，建立了一套完整的疲勞值檢測體系，2021年孫洋等人設計出了一組基于OpenCV 和STM32 的駕駛員身體監控健康系統，通過測試表明，在人臉識別、疲勞檢測等功能上十分穩定、可靠，并且改進的PERCLOS 算法恰好可以去解決經典算法中環境要求高、檢測速度限制的問題。

疲勞駕駛識別結構圖如圖2 所示。人臉識別算法使用樹莓派4B+Python+OpenCV 的環境，使用LBPH（Local Binary Patterns Histogram）算法收集駕駛員的面部特征，并生成多個模型記錄這些信息，在車輛駕駛過程中，系統會通過攝像頭來獲取駕駛員的視頻，然后使用Boosting 算法的Haar 分類器，通過預置模型將攝像機采集到的視頻圖像完成對駕駛者的頭、嘴、眼等面部進行識別和跟蹤，而且結合PERCLOS 算法來檢測疲勞值。最后通過STM32 處理各模塊傳回的數據，再通過樹莓派和串口達成通信，利用語音進行相應提醒和數據的傳送。

圖2 疲勞駕駛識別結構圖Fig.2 Structure diagram of fatigue driving identification

2.2 手勢識別的抽煙檢測

抽煙檢測技術傳統大部分是通過煙霧傳感器進行檢測的，這種檢測方式對于室內面積小、相對封閉的環境是具有較好的檢測，但是對于車內這個環境，可能存在開窗散煙的可能性，那檢測失誤率則會大大增加，為了提高檢測效率，本系統準備采用手勢識別的抽煙檢測。傳統的手勢識別主要是采用闕值分割的方式，使用膚色分割模型和深度學習去統計膚色在顏色空間中的發布，并且根據對光照等的敏感程度去進行手勢的分析。從而分割出不同的目標，然后通過卷積神經網絡去提取、分類，將他們結合進行最終的手勢識別。但是據調查都有不足之處：

（1）膚色分割模型：如若在背景復雜下進行下載分割，出現了顏色相近或者因為光度等因素影響時，在檢測的時候就會出現許多多余的信息，那在提取信息的時候就會產生許多干擾的信息，說明這種方法只能適用于背景簡單、光線穩定的環境中，遷移性弱。

（2）基于深度學習的圖像分割：雖然此算法有著不錯的分割提取的效果，但是因為引入了全卷積網絡，對圖像中每個像素進行一個預測，訓練時間較長，難度較大。

在春季的“大麥黃”和秋季的白露前一星期，使用1次殺纖毛蟲的藥物，隔日再用1次消毒藥物，以預防寄生蟲病的發生。

對于以上不足，對抽煙行為檢測我們采用目標檢測算法，并且為了提高采集圖像的目標分辨率，提高目標檢測的一個準確性，我們使用基于深度學習的圖像超分辨率算法。圖像超分辨率主要包括四部分：網絡設計、圖像采樣、損失函數和學習策劃。

但是因為使用圖像超分辨率算法的過程中，會消耗掉很長的時間，所以還結合了抽煙行為的一個圖像行為集的手勢特點，首先對手勢局部的區域進行檢測，再對這一小范圍輸入圖像超分辨率網絡，這樣不但減少了超分辨率的時間，還可以盡快的減少目標檢測網絡的大小，提高檢測速度，節省時間。

2.3 車內酒精濃度檢測

關于酒精濃度檢測的方法，最常見的就是電化學型呼氣式酒精檢測，它是一種對身體不會帶來任何傷害的檢測方法，采用的是氣敏元件燃料電池酒精傳感器，即使被測的氣體酒精含量較低，也會產生微弱的輸出電壓，檢測較好，但是該儀器的檢測方法存在被動性高、過程繁瑣等問題，不適合于車內的檢測，所以我們預采用MQ-3 氣體傳感器。

MQ-3是一個可以高敏銳檢測乙醇蒸汽的空氣傳感器，它常規的工作電壓為5V，輸出的AO 口電壓越高就代表酒精的濃度越高，它被經常用來檢測酒精濃度，為了達到更加穩定的濃度檢測，我們小組多次進行實驗，在標準測試的條件下，得出了MQ-3 氣體傳感器的氣敏元件特性，如表1 所示。

表1 MQ-3 氣體傳感器詳細數據表Tab.1 MQ-3 gas sensor detailed data sheet

但是單一的傳感器可能會將乘車人的醉酒誤判為駕駛員的醉酒，為了解決這個問題，2021 年曾麗霞等人設計了一個基于STM32 的車內酒精檢測與報警系統，選擇在不同位置布局了4 個MQ-3 空氣傳感器進行數據的收集，駕駛員旁作為主傳感器，其他3 個分別放置在乘車人的座位旁，幫助配合主傳感器，最后通使用模糊處理技術和數據融合技術來建立規則庫，可以準確的分析駕駛員是否醉酒，有效的解決了誤判的問題。

本系統的主控芯片是采用了STM32，使用該芯片和MQ-3 酒精濃度檢測模塊來采集數據，融合SIM900A 模塊的數據進行移動通信，把所得的信息傳到云端服務器上，SIM900A 的模塊上面還包含了網絡指示燈，通過它和電源顯示燈即可判斷該工作使用狀態。如若開啟SIM900A開關后，當電源顯示燈和網絡顯示指示燈一直亮，那SIM900A 就已經注冊網絡成功，與GPRS 可以通信，并且模塊就可以達到正常的工作狀態。這個時候如果打通了該模塊中的電話卡并且不被立即掛斷，就說明SIM900A可以正常的執行其他的功能。但是如果打通然后被立即掛斷，就請檢查一下供電電源，有可能出現供電電壓或者電流沒有達到要求，如果不能打通，常見的原因是因為模塊沒有檢測到這個手機卡，或者該模塊沒有注冊到網絡。

并且車內還設置了聲光報警電路，起到警示車主的作用。如若發現有酒駕行為則進行語音播報，如若未按指示，則上傳信息至交警相關部門反饋信息進行管制。

3 結語

本文在對駕駛員疲勞檢測中利用了STM32 和樹莓派4B 完成了基于OpenCV 與STM32 駕駛疲勞識別，利用了目標檢測算法融合圖像超分辨率算法完成了手勢識別的抽煙檢測，利用了4 個MQ-3 氣體傳感器完成了對車內駕駛員的酒精濃度檢測。最后設計使用STM32 作為本系統的主控芯片來進行信息的收集和數據傳達，設計出了基于計算機視覺下的安全駕駛系統的總體設計，搭建成了一個穩定的安全駕駛檢測框架。

目前在我國關于車輛駕駛上還存在一些安全隱患問題，從根本上有效的控制了交通事故的發生，加強了交通道路的監管和保障了人民的安全。接下來將會朝著成本的控制、使用效率的提高等方向去進行改進。

引用

[1] 柴晨晨,趙麗.計算機視覺檢測技術在交通場景中的應用[J].信息技術與信息化,2021(4):38-40.

[2] 肖東,張堃.基于面部特征信息的疲勞檢測算法研究[J].光電技術應用,2020,35(1):51-55.

[3] THILAGAVATHI B,SUTHENDRAN K.Boosting Based Implementation of Biometric Authentication in IoT[J].Journal of Cyber Security &Mobility,2018,7(1):131-144.

[4] 孫洋,李漢林,鄧曉慧,等.基于OpenCV與STM32的駕駛員健康監控系統設計[J].高師理科學刊,2021,41(2):41-45.

[5] SHAN C,GRITTI T.Learning Discriminative LBP-Histogram Bins for Facial Expression Recognition[C]//British Machine Vision Conference.DBLP,2008.

[6] 邢予權.基于手勢識別的監控場景下抽煙檢測[D].杭州:浙江工業大學,2020.

[7] MCCLOSKEY M,COHEN N J.Catastrophic Interference in Connectionist Networks:The Sequential Learning Problem[J].Psychology of Learning and Motivation,1989(24):109-165.

[8] 呂曉穎.基于MQ-3的酒精檢測系統設計[J].科技視界,2019 (21):31-32.

[9] 曾麗霞.車內酒精濃度檢測與安全控制系統[J].機械工程師, 2021(1):43-45.