疲勞駕駛預警系統中5　和車聯網技術的應用研究

吳敏

關鍵詞： 疲勞駕駛 預警 5G 車聯網

中圖分類號： TP391.41 文獻標識碼： A 文章編號： 1672-3791（2023）15-0024-04

目前，私家車數量逐漸增多，交通事故發生率不斷上升，疲勞駕駛則是主要誘因之一。在疲勞預警方面，可采用間接與直接測量方式監測駕駛者狀態。采取間接測量方式，可以借助機器學習等技術判斷駕駛者行為，監測精度有限，誤判率較高。而直接測量則根據人臉特征與腦電信號等，監測精度確實有明顯提升，但系統造價偏高，無法在短期內得到普及。應用5G 技術設計疲勞駕駛預警系統，能夠兼顧系統經濟性與實用性，推動汽車技術智能化、數字化發展。

1 疲勞駕駛預警系統算法分析

設計疲勞預警系統，通過采集面部圖像，和正常面部狀態特征加以比較，分析駕駛者有無疲勞的問題，確認是否需要預警。

1.1 視頻采集

在隱蔽地方布置高清攝像頭，不僅要確保有效采集駕駛者面部圖像，還應確保不干擾駕駛員視線。設計要點如下。

1.1.1 攝像頭模塊

疲勞駕駛多是由于駕駛者長時間駕駛與夜間行駛造成的，但無論是白天還是夜間，均有可能發生疲勞駕駛。考慮到夜間自然光線較差，常規攝像設備不能清晰捕捉到其面部圖像，故決定為預警系統裝配紅外高清攝像頭，確保攝像設備在漆黑環境下也能正常采集到面部特征資料。

1.1.2 CCD圖像傳感裝置

該裝置屬于光電轉換器，體積與自重都比較小，圖像分辨率良好，靈敏度較高，搭配高清攝像頭實時采集信息，可以保證圖像數據采集的效率與精準性。

1.1.3 攝像設備安裝位置

疲勞預警設備包括頭戴式、懸掛式等結構，使用局限性比較明顯，檢測駕駛者疲勞狀態的過程中，容易干擾其駕駛動作，導致交通事故發生。把攝像頭布置在和駕駛者相距半米左右的儀表盤上方，不僅保障了隱蔽性，降低對駕駛者駕駛動作與觀察路況的影響，還能預防攝像頭對駕駛者造成的心理不適感，安裝點位較為適宜，可以完整采集到駕駛者的面部圖像[1]。

1.2 人臉識別

基于車聯網所開發疲勞駕駛預警系統，可選用AdaBoost 算法，先確定分類器，再將各模塊整合，形成完整的系統，使人臉識別的設想成為現實。系統包含以下分類器。

1.2.1 Haar 特征和積分圖

Haar 分類器有4 個構成要素：Haar-like 特征負責檢測人臉圖像特征；積分圖可實現對采集信息的加速運算；AdaBoost 算法主要負責訓練識別模塊；級聯的功能是對分類器進行組合，保證人臉識別效果。研究表明，積分圖具有兩大優點：一是通過積分圖可以實時獲得圖像特征值，原因在于積分圖可以根據已知特征值、特定邏輯進行推理，無需進行多次掃描，便可以輸出新圖像中的特征；二是積分圖不會受到圖像位置的影響，圖像特征實際尺寸不會對信息運算處理時間有任何干擾。系統訓練期間，要持續評估訓練情況，若訓練結果未能滿足設定標準，則需要繼續相應訓練，階段訓練完成后，把產生的全部信息以臨時文件的形式保存，全部訓練結束后，把信息轉存在XML 文件里，安排相應測試，如果測試結果達標，則可以進行下一環節。

1.2.2 AdaBoost 算法

使用該算法需要確認疲勞駕駛即為訓練目標。由于判斷疲勞駕駛的依據為面部信息，如駕駛者雙眼是否正常睜開。因此，在系統訓練時，應針對眼部睜合情況設置訓練周期與權重。一輪訓練完成后，可適當減小訓練結束部分的權重，同時提高未結束分布器的權重，從而提高訓練效率，確保人臉檢測過程穩定[2]。

在通過上述訓練后進行系統人臉識別功能測試，調整圖像采集角度、背景與光線亮度、面部表情。測試結果顯示，正確率和識別效率良好。根據識別時長，光線良好的檢測速度更快，可以達到預警要求。

1.3 圖像預處理

圖像光線、拍攝角度均會影響識別結果的準確性，而光線是最主要的影響因素。攝像頭安裝時會選擇較適宜位置，角度趨于固定，天氣良好時，人臉識別質量更高。但夜間車輛經過路燈時，路燈所發出光線會反射到駕駛者面部，即便使用紅外高清設備，也無法保持圖像清晰，可能會有模糊、色差及重影等情況，如果直接針對該類圖像信息進行人臉識別，會降低實際準確度。對圖像資料進行預處理，可采用以下技術。

一是Gamma 校正。用于校正圖形內信息，保障輸出內容的可用性。在此基礎上衍生出灰度校正處理方法，可以優化圖像亮度，操作比較簡單，僅需調整參數即可。將灰度校正處理技術用于疲勞駕駛預警系統。如果采集圖像處于曝光的狀態，則不應選擇灰度校正處理技術，否則會加劇圖像不清晰度。二是高斯差分濾波，可辨別人臉邊緣區域。實踐運用中，高斯差分濾波平滑及不平滑參數的差值，經過微分處理，可對人臉輪廓進行定位。在圖像處理過程中，因為人臉本身不平整，引發光線多角度疊加，陰影分布復雜，無法直接全面提亮，導致陰影部分處理難度較高。運用高斯濾波器可以提前過濾掉一些低頻信號與冗余數據，緩解由于陰影引發的問題，確保人臉識別準確性。此外，該技術可解決圖像過度補償的問題，通過控制高頻與低頻信號的方式，減少噪聲等外在條件的干擾[3]。

1.4 眼部檢測

在人臉圖像中，眼部屬于較為復雜的構成，檢測通常分成兩步：（1）通過灰度投影處理臉部圖像、定位眼部位置，基于此進一步細分；（2）鎖定相對復雜的部分，按照人眼劃分標準，篩除人臉其他區域，余下的便是眼部。

1.4.1 利用灰度投影完成初步眼部定位

功能的實現依據如下：人臉每個區域特征都有差別，嘴巴與眼部等位置光線偏暗，在圖像積分法下，該類面部區域參數相對偏小，借此能提取出人眼特征。為此，需要先建立灰度投影和各區域積分值，確保系統能夠根據臉部寬度與各區域基本分布對應關系，找到人眼大致位置。將灰度投影技術與圖像積分搭配使用，可以鎖定人臉不同器官所在位置，從垂直方向來看，由眉毛向下觀察，人眼積分值最低，如果由下巴向上觀察，嘴巴積分值最小。對于眼部在水平方向上的位置判斷，人臉大致是對稱的，水平變量數值設置成面部寬度一半，垂直方向則鎖定位置視為4 倍眼部高度，便可大致提取出眼部區域的圖像。

1.4.2 根據各區域復雜度實現眼部精準定位

只有做到精準定位，才能準確識別眼部狀態，可運用復雜度算法，通過評估不同分區圖像復雜程度，找到眼部。正常狀態下，人類眨眼速度極快，該預警系統應做到高速識別，為保證系統發揮出應有作用，設計人員決定引入分塊處理法，在粗略定位的基礎上進行區域劃分，其中，最復雜的位置便是眼部。研究發現，各區域面積會給復雜度算法結果產生干擾，面積偏大會降低識別精準性，反之則會提高運算本身的復雜性。考慮到眼部面積較小，建議把分區面積寬度尺寸設置成略小于眼睛寬度的標準，圖像高度方面，可根據眼睛在人臉上的大致分布確認。但應考慮人臉本身的差異，在眼部尺寸不同的情況下，無法確認駕駛者眼睛面積，僅能通過大數據經驗判斷。文章系統搭載的紅外攝像設備分塊是15×15 像素，系統在進行精確定位中，要按照設定分布規則完成以下操作：首先，篩選出與其他部分沒有關聯的區域；其次，將篩選出來部分合并，若候選部分達到兩個以上，優先選擇面積較大的部分；最后，組成確認的區域部分并計算平均值。

1.5 狀態判斷

針對眼部狀態的判斷，可通過膚色分割二值法實現。在該方法下，眼部圖像為黑色斑塊，外部輪廓和人眼相似[4]。在睜眼狀態下，黑塊面積相對偏大，在半閉時，黑塊會隨之縮小。在預警系統正式使用前，可以先保存駕駛者睜眼情況下的黑塊信息，駕駛期間系統不間斷采集駕駛者面部圖像，和數據庫所保存信息對比，由此判定駕駛者的駕駛狀態。在眼部狀態對比中，相關運算公式為

P = S₁/S₀（1）

式（1）中：P 為指駕駛員當前疲勞程度；S₁為采集圖像中駕駛者眼部睜開面積；S₀為正常狀態中黑塊面積。在系統識別期間，疲勞程度數值處于0～0.25，說明眼睛未正常睜開，而在0.25～1.0 之間，說明眼睛處于睜開狀態。

針對疲勞程度的辨別較為復雜，本文選擇運用PERCLOS 原理和眨眼頻率實現。從醫學角度來說，正常狀態下，人眼眨眼頻率是10～15次/min，也就是眨眼間隔在4～5 s，并且大多數人單次眨眼大約會花費0.2 s。在評估駕駛者疲勞程度中，可以設定眨眼最小次數，但是次數上限可以適當放寬。在確認基本參數后，選取幾段采集到的視頻資料，對比實時信息特征表現與正常值的差距。通過相關測試統計來看，在疲勞駕駛狀態下，很難鎖定眼部虹膜位置，所以如果只依靠眨眼頻率判斷駕駛狀態，精度上可能會略有欠缺。在輕度疲勞狀態中，此時的系統不能及時察覺，失去預防的功能。因而，在此基礎上，搭配PERCLOS 原理實現進一步識別。應該強調的是，為了有效發揮出預警的作用，可分級處理疲勞程度，根據數據反映實際問題，降低系統辨別的難度。以采集視頻分段數據進行統計分析，確認駕駛者在單位時間內眨眼頻次，最終確認每分鐘內。按照眨眼次數分成5 個疲勞程度，即①[0，5）、②[5，10]、③（10，15]、④（15，20]、⑤（20，∞），在單位時間內眨眼次數處于①區間，說明是中度疲勞，系統技術許可的條件下，可安排車輛減速與并道，讓車輛平穩停靠，利用車聯網告知交管部門。如果在②區間，則是輕度疲勞，由預警系統提示駕駛者并發出報警，緊急情況下可控制車輛減速。但如果眨眼次數太多，駕駛者有可能存在眼部不適，假設持續流淚，會阻礙駕駛者視線，系統同樣需發出警報。

2 疲勞駕駛預警系統硬件設計

疲勞駕駛預警系統運行中，通過無線網絡與信息采集檢測算法、嵌入式網關等方式，結合5G 網絡，實現數據傳輸，在硬件裝配方面，需綜合考慮成本與穩定性、調試便利性等。

2.1 傳感設備

為避免對駕駛者產生干擾，選擇溫度與CO₂的傳感裝置，這兩項環境條件均是造成駕駛者疲勞的關鍵因素。汽車內部空間較小，如果溫度超過25 ℃，可能會使駕駛員產生困意，影響其專注度。選用的溫度傳感裝置為“單總線”結構設備，功耗相對偏少，且體積較小，無需額外連接元件。駕駛者需提前設置報警溫度參數區間，一旦檢測數據超出設定范圍，便可發出警報。另外，需配置CO₂傳感裝置，并選用功耗相對較低的型號。

2.2 擴展模塊

系統搭載擴展模塊包括3 個，分別是ZigBee 模塊、視頻采集模塊和5G 通信模塊。

2.2.1 ZigBee模塊

在車聯網下，ZigBee 模塊在無線網絡和外部網絡連接中起到關鍵作用，包含協議組網與格式轉化、通信等。在該系統中，按照設計功能與相關需要，選擇相應通信模塊，在其中搭配射頻收發器以及微處理器等。以CC2530 芯片為例，其設有一處外接端口，支持發出指令與讀取信息，同時集成相應解調器，實現調制多種格式信息，保障信息基本的傳送效率。將其當成ZigBee 模塊協調器，在保障ZigBee 模塊功能有效發揮的同時，還確保網絡通信順暢[5]。

2.2.2 視頻采集模塊

系統該項功能主要依靠攝像頭，可裝載的圖像傳感裝置包括CCD 與CMOS。前者運用優勢在于體積與自重、噪聲均比較小，目前在很多領域系統中均有使用。后者噪音偏大，圖像分辨率小，但由于其體積小、價格低，耗電量也比較少，所以在低端影像領域中也有應用。疲勞駕駛預警系統要求可以在光線昏暗的狀態下，也能清楚采集圖像，所以需要裝配前者。系統微處理器本身設有USB 接口，可連接攝像頭，將采集到的圖像信息進行初步轉化，利用疲勞檢測算法判斷駕駛者當前的狀態，并把所得數據上傳給監控中心。

2.2.3 5G 通信模塊

現如今，數據通信方法較多，基本可分成有線與無線兩種。前者是在嵌入式模塊中插上網卡，利用網線完成通信。后者更加豐富，如可選用無線網卡與撥號上網等方式。目前，比較先進的移動通信技術就是5G，可其穩定、高速地傳送實時采集的圖像數據。在路上行駛期間，如果駕駛者出現疲勞駕駛的特征表現，系統會把車輛基本資料、當前位置及時速等，借助5G車聯網發送給附近車輛，確保其他駕駛者能夠了解身邊存在的危險點，留出足夠時間讓其他汽車做好緊急準備，預防嚴重交通事故。在該系統中，選擇5G 通信模塊，通過蜂窩車聯網，依托于PC5 接口，實現V2V 通信，汽車用戶信息收發主要是半雙工數據狀態。其中，發出用戶借助廣播機制，由副鏈路把車聯網所需數據傳送給設定半徑內若干用戶，如此不僅可以對存在疲勞駕駛的駕駛者起到預警作用，還能保障周邊車輛提前收到信息，實現全面互聯，最大程度上確保交通安全。

3 疲勞駕駛預警系統功能

3.1 多角度動態監測駕駛者狀態

傳統預警系統分為兩種：一是利用傳感裝置獲取汽車車速、轉向盤角速度等各類數據，以此判斷駕駛者當時狀態；二是讓駕駛者佩戴有關儀器，檢測腦電與心電信號，評估其當前狀態。以上兩種預警系統中，前者監測精度有限，誤判率較高；后者監測精度較高，但由于駕駛者需要佩戴多余設備，可能會對其駕駛狀態與觀察路況動作造成干擾。系統根據人眼狀態、內部環境、眨眼頻次進行判斷，既能夠保證較高的監測精度，又不會對駕駛員帶來額外的干擾[6]。

3.2 分級判斷駕駛者疲勞程度

結合上文對該系統的討論，選擇分級判斷的方式，根據駕駛者實際疲勞狀態，啟動相適應的報警措施，降低由于系統誤判，干擾到正常駕駛。若通過傳感設備確認車內CO2超標，可以立即提醒車內人員開窗通風，預防駕駛者產生困意。假設駕駛者目前處于輕度疲勞狀態中，系統便會預警報警，同時發出短促蜂鳴聲，車輛一定半徑內的其他汽車均會收到報警信號。如果是重度疲勞，系統在語音報警的過程中，發出連續蜂鳴聲，通過車聯網告知交管部門。

4 結語

總之，將低延時、吞吐量大的5G 技術與車聯網結合，可以為現代交通管理提供更大的便利。基于以上技術所開發疲勞駕駛預警系統裝載有多個功能模塊，可以有效采集與處理駕駛者面部圖像，通過眼睛閉合狀態，判斷是否存在疲勞駕駛的情況，并通過車聯網實現數據實時共享，加強對交通事故的預判能力，降低事故發生率。