廖明明， 赵 波

（上海工程技术大学 机械与汽车工程学院， 上海 201620）

0 引 言

疲劳驾驶引起的道路交通事故是造成人员伤亡的重要原因之一［1］。 因此，研究疲劳检测方法并开发自动检测预警系统具有重要意义。 疲劳检测的方法可分为：基于生理、基于行为、基于视觉三种。 相对前两种方法，基于视觉的方法有成本低、检测精度高和非侵入的优点，是现在疲劳检测的主流方法。视觉的疲劳检测方法包括2 个步骤：人脸检测、特征提取以及疲劳分析。

对于人脸检测，Viola 等人提出利用Haar 特征和Adaboost 训练级联分类器进行人脸检测，但是该方法在头部姿态偏转情况下的检测精度有待提高［2］。 Zhang 等人［3］提出了一种多任务的卷积神经网络模型MTCNN，将人脸检测分为3 层网络进行训练，从而提高了检测的准确率和鲁棒性。 对于面部特征提取以及疲劳分析，眼部和嘴部包含丰富的信息，且不易受外界干扰和人为因素影响。 Ursulescu等人［4］使用眨眼检测来检测眼睛所表征的睡意，并测量每一次连续眨眼之间的持续时间。 在Bhone 的工作中［5］，通过计算每帧图像眼睛的纵横比（EAR）判断眼睛状态，如果低于阈值，则表明眼睛处于闭合状态。 文献［6］提出一种两级神经网络的检测方法。 该算法通过训练第一级网络对人眼和非人眼进行分类，用第二级网络检测眼睛特征点的位置，根据特征点来计算眼睛张开程度，用PERCLOS进行疲劳状态评估。 打哈欠被认是疲劳的突出表现之一，大量研究致力于使用打哈欠来判断疲劳状态。Knapik 等人［7］利用热图像和平均温度分析的方法对驾驶员打哈欠进行检测，但是在驾驶员脸部快速运动的情况下可能会检测失败。 Yang 等人［8］提出使用三维卷积网络以及双向长短期记忆网络对嘴部进行时空特征提取，采用SoftMax 对嘴部状态进行分类，然而低分辨率的图形会降低该方法的有效性。Anund 等人［9］首先通过视频捕捉设备获取嘴部的图像，然后输入嘴部的开合特征，神经网络系统根据嘴部开合的持续时间来判断疲劳。

为减小真实驾驶场景下光照变化、头部姿态变化等不利因素的影响。 本文采用MTCNN 进行实时人脸检测，并获取眼部和嘴部区域。 在此基础上，考虑到眼部和嘴部形状以及动态特征的差异，分别设计了眼部和嘴部状态识别网络，有效地提高了检测的准确性。

1 总体框架

提出的疲劳检测方法包括数据采集及预处理、人脸检测、口眼特征提取、疲劳状态识别。 具体工作流程为：首先通过相机实时捕获驾驶员图像；然后将原始图像灰度化处理并进行直方均衡化。 接着使用MTCNN 进行人脸检测，并定位眼睛和嘴部区域；然后，使用设计的SOE-Net 和SOM-Net 分别对眼睛和嘴部的状态进行识别；最后，根据PERCLOS 和持续张嘴时间（COMT）对眼部和嘴部的状态进行量化分析，再结合以上2 个疲劳判别准则对驾驶员的疲劳状况进行综合性评估。 算法流程如图1 所示。

图1 算法流程Fig.1 The flow chart of the algorithm

2 人脸检测及特征提取

驾驶过程中驾驶室内的光照强度发生变化会影响图像的质量，导致人脸的特征变得模糊。 这通常发生在某些特殊场景下（阴天、下雨天、晚上）。 为了提高检测的准确性，在对驾驶员面部进行检测之前，采用光照增强的方法对图像进行预处理，使用直方均衡化来提高图像帧的亮度以及对比度。

相对于传统的人脸检测的算法，深度学习的算法具有精度高、鲁棒性好的优势。 因此，本文采用目前比较先进的MTCNN 来开展人脸检测的工作。MTCNN 主要包括3 个子网络：P-Net、R-Net 和ONet，具体结构如图2 所示。 对此拟展开分述如下。

图2 MTCNN 网络Fig.2 MTCNN network

（1）P-Net。 利用边界框的回归向量校正候选窗口， 然后利用非极大抑制（non - maximum suppression， NMS）方法合并高度重叠的候选帧。 此外，为了解决多尺度目标的问题，构造了图像金字塔，然后将不同大小的图像依次送入级联网络中。

（2）R-Net。 主要通过边界框回归和非最大抑制消除假阳性样本。 将P-Net 生成的候选人脸框架大小调整为24×24，输出仍然是人脸分类和边界框回归的结果。

（3）O-Net。 对经过R-Net 滤波后的候选框区域再次滤波，将图像的大小调整为48×48，并计算特征点在每一帧人脸上的位置。

通过图像的预处理极大地消除了较差光照条件对面部特征提取的影响。 MTCNN 具有很强的鲁棒性，能够适应头部姿态变化特殊的驾驶场景，其在驾驶员头部左右、上下旋转一定角度时，也能实现精准人脸定位。 通过MTCNN 网络可以得到人脸5 个关键点，可根据关键点获得眼睛和嘴部区域。 检测效果如图3 所示。

图3 MTCNN 检测结果Fig.3 Detection results of MTCNN

3 面部特征状态识别网络

3.1 眼部状态识别

通过MTCNN 定位得到眼部区域后，需要进行眼部状态的识别。 本文构建了一个眼睛状态识别网络（SOE-Net）对眼睛状态进行分类，网络结构如图4（a）所示。 首先需要将输入图像的大小调整为42×30；所有卷积层的卷积核大小均为3×3，无填充且步长为1；所有池化层的卷积核大小均为2×2，步长为2。 池化层可以在保留主要特征的同时减小图像尺寸，并将图像尺寸减小到原始图像的一半，这极大减少了模型的参数量，可以有效防止模型过拟合。全连接层汇集了先前层提取的特征，然后通过Softmax分类器实现二分类任务，即眼睛的睁开或闭合。Softmax 函数表达式为：

其中，pi为第i类的概率，zi为全连接层的输出，zi公式为： 激活函数采用收敛速度较快ReLU 函数，以减小反向传播过程中梯度消失问题带来的不利影响。网络使用带动量的梯度下降法进行训练。 损失函数为交叉熵损失函数，具体表达式为：

其中，yi为样本i的标签，正例为1，负类为0；pi表示样本预测为正的概率。

3.2 嘴部状态识别

构建嘴部状态识别网络（SOM-Net）对提取的嘴部特征进行分类，网络结构如图4（b）所示。 与眼部状态识别网络不同，SOM-Net 的输入图像大小是48×48，并且加深了神经网络的层数，采用3 层卷积层和3 层池化层的网络。 相同的是，SOM-Net 采用ReLU 作为激活函数，并且仍使用交叉熵损失函数来衡量模型的质量。

图4 面部特征识别网络Fig.4 Network of facial feature recognition

3.3 多指标融合的疲劳判别模型

驾驶员在疲劳的时候经常会表现出眨眼频率增加、闭眼持续时间延长和持续张嘴等特征。 在前人研究中，根据眼睛和嘴部状态来识别疲劳的常用指标有：PERCLOS［10］、持续闭眼时间［11］、嘴巴张 合频率［12］、持续张嘴时间［11］。 本文使用PERCLOS值进行眼部状态评估。PERCLOS为1，表示在单位时间内持续闭眼的情况。 虽然嘴巴张合频率能够一定程度反映出驾驶员的疲劳状况，但是在说话、唱歌、大笑的情况下可能会出现误判，而用持续张嘴时间来评估能避免这类误判。 所以结合PERCLOS和持续张嘴时间两个指标来进行疲劳判定。 具体研究论述如下。

（1）PERCLOS。 正常情况下，一个司机每60 s平均会眨眼10 次，每2～6 s 眨眼一次，每次耗时0.2～0.4 s。PERCLOS是眼睛在特定时间段内闭合帧数占总帧数的比率，能够反映驾驶员疲劳程度，PERCLOS的计算公式可表示为：

其中，Nc是指在单位时间内眼睛闭合状态的总帧数，Nt是指单位时间内的总帧数。

（2）持续张嘴时间。 在疲劳的驾驶条件下，司机经常表现出打哈欠的特征。 一般情况下，一个人打呵欠的时候，嘴巴会张大且会保持几秒钟。 提出的SOM-Net 能判断嘴部是张开、还是闭合的状态。在打哈欠、说话和大笑时，人的嘴部均会变为张开的状态，但研究表明，在正常情况下，司机打哈欠约5 s，然而在说话和大笑的场景下，人嘴部张开的时间很短且相对于打哈欠嘴张开的时间会很少。 因此，本文通过持续张嘴时间（COMT） 来判断打哈欠，COMT表达式如下：

其中，Fstart表示开始闭合嘴部时图像帧的序号；Fend表示结束闭合嘴部时图像帧的序号；f表示采集图像的帧率。

（3）疲劳状态检测。 对于PERCLOS的研究，Wierwille 等人［13］提出当进入疲劳时，PERCLOS ＞0.15；Chu 等人［14］通将PERCLOS阈值设为0.25。本文通过实验，为避免因强光导致的驾驶员眯眼造成对疲劳误判，将PERCLOS的阈值设定为0.4，这表示当PERCLOS超过0.4 的时候，即视为驾驶员表现出疲劳的状态。 对于嘴部张开持续时间，实验中视频帧率为20 帧／s，每帧的时长为50 ms，当张嘴帧数连续超过80 帧（4 s）时，驾驶员出现打哈欠的情况。为提高疲劳检测准确性，需要同时考虑到PERCLOS和持续张嘴时间（COMT） 两个指标，所以提出一种疲劳判定的方案：当PERCLOS≥0.4 或者COMT≥4 s，判定为疲劳状态；其它情况皆为正常非疲劳状态。

4 实验结果与分析

4.1 实验平台与数据集

本节将介绍实验配置及结果分析，主要包括疲劳特征识别网络性能评估和整体疲劳检测性能分析。 实验的硬件环境为：Intel（R） Core（TM） i7-9800X CPU（3.80 GHz），32 GB 内存，RTX2080 显卡，实验在Ubuntu 18.04 下进行。

网络训练的数据来源于自采集数据和YawDD［15］数据集截取的有效部分。 数据集内容包括：清醒状态、大笑、说话、打哈欠、瞌睡的驾驶场景。

4.2 眼睛和嘴部状态识别

从数据集中获取眼睛和嘴部的图片共16 500张作为实验样本。 训练前需要将正负样本进行灰度处理，并将眼睛图片归一化尺寸为42×30，将嘴部图片归一化尺寸为48×48。

在训练过程中，学习率设为0.01。 为了提高评估模型的性能，防止过拟合，采用交叉验证法来划分数据集，训练集和测试集的比例为9 ∶1。 如图5（a）所示，SOE-Net 在训练的最初损失率约为0.29，在经过1 500 次迭代以后，损失值基本上稳定在0.02。SOM-Net 训练的过程与SOE-Net 类似，如图5（b）所示，在训练的最初损失率约为0.24，在经过1 000次迭代以后，损失值基本上稳定在0.01。

图5 损失函数曲线Fig.5 Curves of loss functions

由实验结果可知，SOE-Net 在测试集的分类平均准确率高达90.4%，结果见表1。 SOM-Net 在平均准确率高达90.7%，结果见表2。

表1 眼睛状态识别结果Tab.1 The result of eye state recognition

表2 嘴部状态识别结果Tab.2 The result of mouth state recognition

4.3 疲劳检测

为进一步验证面部疲劳识别网络的性能，使用自采数据集的3 段视频样本进行测试。 视频为实验人员在极度疲劳的状态下采集的，用于进一步验证SOE-Net 和SOM-Net 的泛化能力以及实时疲劳检测的鲁棒性，检测结果见表3。

表3 疲劳检测结果Tab.3 The result of fatigue detection

视频1 中一部分疲劳检测分析如图6 所示。 由图6 可知，在第80～220 帧，由于持续张嘴的时间超过4 s，所以被判定为打哈欠；而在第395 ～415 帧，持续张嘴的时间不超过4 s，为驾驶员说话的场景。在第600～700 帧，PERCLOS值达到了0.78，为驾驶员瞌睡的场景。

图6 疲劳检测分析Fig.6 Analysis of fatigue detection

5 结束语

本文提出了一种基于卷积神经网络的疲劳驾驶检测方法，该方法通过融合了驾驶员眼部和嘴部的特征来判断驾驶员疲劳状况。 采用MTCNN 定位驾驶员脸部、眼部和嘴部区域；将眼部和嘴部的特征分别输入SOE-Net 和SOM-Net 进行状态识别。 最后，结合PERCLOS和持续张嘴时间进行疲劳判定。该方法能够适应光照变化和驾驶员头部姿态变化的复杂驾驶环境。 在满足实时检测的需求的前提下，疲劳检测的平均准确率可达90.8%。 提出的神经网络模型结构简单，便于未来在移动端部署。