袁静泊

摘 要：驾驶员的疲劳程度与驾驶安全息息相关。本文以驾驶员人脸作为研究對象，采用Adaboost算法和Retinex算法进行图像处理，结合PERCLOS准则提出双阈值睁闭眼识别算法。利用LabVIEW软件平台，开发了疲劳监测系统，实现对驾驶员疲劳状态的监控。

关键词：疲劳监测;图像处理;睁闭眼识别算法;LabVIEW程序

世界范围内约30%的交通事故与驾驶疲劳有关，疲劳驾驶严重影响驾驶员的安全驾驶能力，容易发生恶性交通事故。[1-2]疲劳驾驶现象是目前亟待解决的问题，应当引起社会各界的足够重视。目前对驾驶员驾驶状态进行监测的产品非常少，因此对驾驶员的疲劳状态进行有效监测的研究迫在眉睫。当前也有一些防疲劳装置，但技术性强且价格昂贵。如日本京都大学开发的通过心率监测反应驾驶员疲劳程度的装置。[3]这类产品由于价格过高在国内市场不流通。

因此本文利用图像处理算法和硬件平台，开发了疲劳监测软件系统，实现对驾驶员疲劳状态的监控，对于降低疲劳驾驶危害导致的事故发生率有着较强针对性。

1 防疲劳系统智能监控平台的框架

如图1所示，本文采用LabVIEW对图像进行采集、Opencv对图像进行预处理。同时该装置采用一种双通道、双保险的疲劳识别与判断模块，主要搭载STM32与DM642硬件平台来实现识别与提醒功能。主通道是由STM32实现的模板匹配判断方法，平均运算时间为12.5ms，效率高，但其效率基于数据量小的学习样本，当用户数量大时，会面临高漏判数的问题;副通道是由DM642实现的实时疲劳判断方法，运算时间为31.9ms，两种识别方式的结合使本系统的识别算法适应性更强。

1.1 图像采集

进行图像采集时，利用LabVIEW对监测平台的镜头进行畸变校正。然后编写畸变校正程序实现对镜头畸变的校正。

1.2 图像预处理

调用Opencv库函数，编写图像处理的库函数。

1.3 睁闭眼识别算法

首先利用Adaboost算法进行人眼和瞳孔区域定位，该算法检测步骤为：将驾驶员人脸作为训练样本，标记为（x1，y1），…，（xN，yN），yi={-1，+1}，当yi=-1时，为人脸区域;当yi=+1时，为非人脸区域。而后对训练样本中的是否为人脸进行权重配比。标准差分析后重新确定权重配比，实现100%的人脸识别率。而后利用Adaboost算法寻找人眼位。采用Retinex算法对红外图像进行增强，结合“亮瞳效应”，对检测后的红外图像进行网格法闭合度计算，得到人眼闭合度大小。

最后根据闭合度计算结果设定双阈值并结合PERCLOS准则来判断人眼特征状态，从而确认驾驶员疲劳程度。

同时在硬件平台上进行疲劳检测试验，实验表明该方法的人眼状态识别率为99.8%，且平均每秒能处理21帧图片，表明该方法能够满足疲劳状态检测系统的准确性。

2 疲劳监测云中心及应用平台

平台的执行流程如图2所示。驾驶疲劳监测云中心及应用平台可对驾驶员数据进行采集存储，便于后期对数据进行分析，根据安全驾驶表现数据分析、驾驶人生理心理数据挖掘、疲劳因素及驾驶表现分析，提供驾驶人日常减压舒缓系统，对驾驶员进行职业健康安全保护。利用搭载近红外摄像头的硬件系统和配备有图像处理算法的软件系统，构建出车载疲劳监测装置。通过睁闭眼识别算法对驾驶员疲劳指数进行判别，本文设定的疲劳指数为70，大于70为极度疲劳，进入数据库，会收到疲劳驾驶数据。对于传入数据库的信息，平台会自动做出预警与防控，做出备案，且远程语音通话疲劳驾驶的司机，强制其前方停车休息。大于40为轻微疲劳，车载装置进行疲劳提醒，预防疲劳驾驶。而且平台的驾驶疲劳监测及应用系统会对驾驶人心理健康、疲劳因素、驾驶表现等数据进行分析，为驾驶人制定日常减压舒缓系统，以减缓驾驶疲劳。

3 结语

本文通过图像处理算法、LabVIEW软件平台、STM32与DM642硬件平台，设计防疲劳系统智能监控系统，在实际使用过程中操作性好、可靠性高，提高了高危车辆运营的安全保障。

参考文献：

[1]沈进华.公共车辆安全营运调度管理系统的设计与实现[D].复旦大学，2012.

[2]李都厚，刘群，袁伟，等.疲劳驾驶与交通事故关系[J].交通运输工程学报，2010（2）：104-109.

[3]基于车辆动态监控数据的异常驾驶行为识别技术研究[D].北京交通大学，2015.