基于人工智能的疲勞駕駛檢測中人臉檢測技術研究

王旬

【摘 要】疲勞駕駛是危害交通安全的重要因素，將人工智能應用于疲勞駕駛檢測中，通過攝像頭監測駕駛人臉部，采用圖像識別技術判斷是否發生疲勞駕駛，從而達到預防疲勞駕駛的目的。基于人工智能的疲勞駕駛檢測中，圖像識別的第一步為人臉檢測，本文采用基于膚色分割算法的人臉檢測技術，在研究算法原理的基礎上進行算法的MATLAB仿真，結果表明，該算法復雜度小，檢測效果好，適用于基于人工智能的疲勞駕駛檢測中。

【關鍵詞】人工智能；疲勞駕駛檢測；人臉檢測；膚色分割

中圖分類號： R741.044；TP18 文獻標識碼： A 文章編號： 2095-2457（2018）25-0049-002

DOI：10.19694/j.cnki.issn2095-2457.2018.25.021

【Abstract】Fatigue driving is greatly harmful to traffic safety.If we can apply artificial intelligence to fatigue driving detection，which uses camera to monitor face of driver to detect whether he/she is tired by face image identification，we can prevent fatigue driving.The first step of image identification in fatigue driving detection is face detection.We use skin segmentation algorithm to do face detecting.After studying the theory of the algorithm，we have done the simulation through MATLAB tools.The results shows that the complexity of the algorithm is small and the detection is successful.The algorithm is suitable for fatigue driving detection.

【Key words】Artificial Intelligence；Fatigue Driving Detection；Face Detection；Skin Segmentation

0 引言

據調查，疲勞駕駛是引發重大交通事故的常見原因。疲勞駕駛時，人眼會頻繁閉合，嘴部會頻繁張開打呵欠。可以通過人工智能的機器視覺監測駕駛員的面部狀態，識別人臉的閉眼和張嘴狀態，根據一定的準則判斷是否為疲勞駕駛。發現疲勞駕駛時，系統發出告警信息，從而使駕駛員有較為充足的反應時間，達到預防疲勞駕駛規避交通事故的目的。利用人工智能技術規避疲勞駕駛，減小交通事故發生的幾率，是人工智能一個非常有意義的應用方向。

疲勞駕駛檢測的研究已有多年，早期的技術基于駕駛員生理參數的檢測，這些檢測方法需要與人體接觸，設備昂貴且不適用于實時檢測。基于人工智能的檢測方法屬于間接檢測，不需要接觸人體，不影響駕駛的舒適性，可以實現實時檢測。

本文針對基于人工智能的疲勞駕駛檢測中的人臉檢測技術進行研究，采用基于膚色分割的算法，通過MATLAB仿真驗證算法的正確性，從而為疲勞駕駛檢測的進一步實現奠定基礎。

1 疲勞駕駛檢測流程

基于人工智能的疲勞駕駛首先使用攝像頭對準駕駛員面部，獲取駕駛員人臉圖像，然后對視頻圖像進行分幀處理，對每幀圖像逐一進行人臉檢測、人眼定位及閉眼檢測，最后計算一分鐘內的PERCLOS（Percentage of Eyelid Closure Over the Pupil Time）值，PERCLOS是指在一定時間內，眼睛閉合所占限定時間的比例，采用分幀處理的方法中，PERCLOS值可以通過（1）式來計算，最后判斷PERCLOS值是否大于閾值，大于閾值則判定為疲勞駕駛，系統發出告警信號。

從檢測流程可以看出，人臉檢測算法非常關鍵，關系到后續步驟能否正確實現，因此，選擇一種準確度和效率都高的人臉檢測算法是順利實現疲勞駕駛檢測的第一步。

PERCLOS=×100%（1）

2 人臉檢測

人臉檢測是在一幅圖片中將人臉的位置與大小檢測出來，從而縮小后續工作的搜索區域，減小計算量，是所有后續工作的基礎。人臉檢測方法有很多種，常用的有：膚色分割算法、模板匹配法、支持向量機法、橢圓擬合算法、神經網絡法、Adaboost算法等。考慮到算法復雜性和系統實時性的要求，本文采用膚色分割算法來進行人臉檢測。

2.1 高斯膚色模型

人臉膚色較特別，圖像背景中與膚色相同的事物較少，所以容易識別出來。而且膚色信息與臉部表情、位置變化無關，穩定性好。利用膚色進行人臉檢測的原理如下：計算機色彩理論中，YCbCr空間將亮度信息Y與藍色色度信息Cb和紅色色度信息Cr分離，可以將引起膚色不同的亮度信息去除，在剩下的穩定的色度空間中不同的膚色分布具有聚類性，因此可以根據這種聚類性將人臉從背景中分割出來。

首先需要建立膚色模型，常用的方法有：通過概率論的知識計算出圖形中像素點與膚色的相似程度，或者通過查找表的方法找出圖像中哪些像素點屬于膚色。這就需要前期對大量人臉圖像的膚色像素進行統計分析，確定一個閾值，再將待檢測圖像的像素與閾值進行計算或者比較，得出結論。

本文采用的膚色模型為高斯模型，通過計算人臉圖像像素的概率值，經統計學分析得出膚色像素樣本的概率服從高斯分布，從而得到樣本像素的膚色相似度計算函數：

P（Cr，Cb）=e（2）

這個值表征一個像素點是膚色的概率，其中，x=[Cb，Cr]T是樣本像素點在YCbCr空間的值，M=E（x）為膚色在YCbCr空間的樣本均值，C=E（（x-M）（x-MT）T）為膚色相似度模型的方差矩陣。M和C的統計特征值是通過大量采集膚色樣本圖像經過統計計算得出的，一般為：

M=[117.4361，156.5599]T（3）

C=160.1301，12.123012.1430，299.4574（4）

2.2 膚色分割算法流程及仿真結果

算法流程如圖1所示，首先將光線補償后的人臉圖片的RGB值轉換為對應的YCbCr值，再依次將每個像素點的Cb，Cr值代入（2）式計算出其膚色相似度值，為了方便后續處理，再將每個像素點的相似度值進行歸一化處理，歸一化處理以后的相似度值域會落入[0，1]之間；然后選擇合適的閾值對圖像進行二值化，即膚色區域其值賦為1，非膚色區域其值賦為0，進而方便后續進行水平和垂直方向性的直方圖統計，顯然膚色區域的直方圖值會大于非膚色區域，從而得出人臉的區域。

在這一過程中，有一個關鍵的環節就是選取合適的閾值，關系到是否會發生誤判最終影響檢測效果。較好的選擇最佳閾值的方法需要根據具體的圖片來確定，研究表明，如果選擇的閾值剛大于最佳閾值，會使得膚色區域減小而非膚色區域大量增加，因此可以動態地來確定最佳閾值，編程實現時，將閾值設定在[0.6，0.1]區間內，每次以0.05的步進減小，每改變一次閾值就統計一次膚色像素的數量，當膚色像素數量變化最小時的那個閾值就是最佳閾值，根據每幅圖像動態地選取最佳閾值，人臉分割效果較好。仿真結果如圖2所示，結果表明采用本算法可以成功從圖片中提取出人臉區域。

3 小結

隨著人工智能技術的發展，其應用給我們的生活帶來了巨大的便利，將人工智能應用于疲勞駕駛檢測領域，可以大大改善行車安全性能，助力智慧交通。本文所研究的膚色分割算法人臉檢測技術是基于人工智能的疲勞駕駛檢測的關鍵一步，其檢測性能的優劣直接關系到疲勞駕駛檢測的性能，仿真結果表明，采用膚色分割算法的人臉檢測技術，運算量較小，人臉檢測效果較好，是比較適合疲勞駕駛檢測技術的一種人臉檢測算法。

【參考文獻】

[1]周云鵬.基于面部視覺多特征融合的駕駛員疲勞檢測方法研究[D].長沙：湖南大學，2015.4

[2]蘇曉娜，李曉明.人臉檢測及眼睛定位在駕駛員疲勞檢測中的應用[J].科學技術與工程，2012，17（12）：183-186.

[3]葛如海，陳彥博，劉志強.基于計算機視覺的駕駛疲勞識別方法的研究.中國安全科學學報，2006，16（9）：134-137

[4]李剛，高政，人臉自動識別方法綜述[J].計算機應用研究，2003：20（8）：4-9.

[5]田欣.基于不同色彩空間的膚色模型[J].西安科技學院學報.2001，12（4）：369-371.