基于機器視覺的駕駛員危險駕駛檢測系統的設計與實驗研究

張貝寧，郜健銘，王靖涵，張 敬，頓媛雅，許留洋

（周口師范學院，河南 周口）

疲勞駕駛是誘發交通事故的重要因素，如果能夠在駕駛員出現駕駛疲勞時準確檢測并進行語音提醒，可以幫助駕駛員集中注意力，從而降低交通事故的發生率。基于機器視覺的駕駛員危險駕駛檢測系統，利用車內攝像頭實時采集駕駛員的頭部圖像信息，并通過人臉檢測算法對駕駛員的眼睛狀態進行識別，通過算法計算出是否處于疲勞狀態。當判定為疲勞駕駛時，通過語音提示駕駛員及時休息，切實保障了行車安全。

1 駕駛員危險駕駛檢測系統的硬件設計

1.1 系統的硬件結構

該系統對圖像處理速度要求較高，為滿足系統的實時性要求采用了TMS320C6748 型DSP 芯片，該芯片能減少卷積運算和信號濾波的時間，顯著提高了數字信號的運算速率，滿足了實時檢測的需求。從組成架構上來看，駕駛員危險駕駛檢測系統主要由圖像采集、圖像存儲和圖像處理3 個核心模塊構成，除此之外還有配套的電源模塊、語音報警模塊等，硬件的整體架構見圖1。

圖1 系統硬件結構圖

圖像采集模塊的核心設備是前端攝像頭，用于收集汽車駕駛員的圖像信息，將收集信息進行A/D 轉換后利用VPIF 接口輸入到DSP 芯片中。CPU 對轉換后的信息進行處理，利用EDMA 控制器將處理后的結果傳輸至存儲器中。根據分析結果，如果系統判定駕駛員存在危險駕駛行為，則利用McASP 音頻輸出接口控制報警器發出警報，提醒駕駛員。

1.2 圖像采集模塊設計

該模塊的主要作用是采集駕駛員的實時圖像，因此對攝像頭的像素、靈敏度、動態范圍等參數有較高的要求。本系統選用帶圖像傳感器的MT9V034 型攝像頭，輸出圖像的像素為760×500，最大時鐘頻率30 MHz，在光線較暗的環境下也能清晰成像。在確定攝像頭的型號與參數后，還要尋找合適的安裝位置。為了拍攝到完整的駕駛員頭部圖像，將攝像頭放置在駕駛員前方35～40 cm 處，仰角為60～70°，攝像頭焦距在15～18 mm 之間。

1.3 處理器的選擇

處理器的性能決定了駕駛員危險駕駛檢測系統的應用效果，本系統的處理器（CPU）選擇TI 公司生產的TMS320C6478 芯片，該芯片擁有C674X 內核結構，內置64 個32 位的通用寄存器，支持C674x 系列指令集和C++語言，降低了系統的開發難度。提供VPIF 視頻接口和McSAP 語音接口，提高了圖像、語音、視頻等多種類型信息的傳輸能力。配備的EMDA 增強型訪問控制器，對提高系統的整體運行效能有積極幫助[1]。

1.4 語音報警模塊設計

在系統檢測到駕駛員處于疲勞駕駛狀態時，播報警示語音提醒駕駛員集中注意力或盡快停車休息。該模塊的核心硬件是TLV320AIC3106 音頻芯片，共有3個I/O 口。其中2 個為音頻輸入口，分別是音頻模擬輸入口、麥克風輸入口；1 個音頻模擬輸出口。在系統啟動運行后，把報警語音文件通過音頻模擬輸入口傳輸到芯片中，并利用內置的A/D 轉換模塊將音頻信號變成電信號。當系統檢測到駕駛員處于疲勞駕駛狀態后，觸發語音報警功能。此時音頻芯片控制音頻模擬輸出口工作，再重新將電信號轉變為身心信號，利用外置揚聲器播報語音。

2 駕駛員危險駕駛檢測系統的軟件設計

2.1 系統的軟件結構

本文設計的駕駛員危險駕駛檢測系統，軟件部分主要由圖像采集、圖像預處理、人臉檢測和危險駕駛判定等核心模塊構成，軟件結構見圖2。

圖2 系統軟件結構圖

在硬件初始化后，軟件部分同步運行，圖像采集模塊收集駕駛員的圖像，并執行一個判斷程序“是否成功獲取一幀圖像？”如果判定結果為“否”，則返回初始化程序，重新采集圖像信息；在判定結果為“是”后，進入圖像預處理環節。預處理后的圖像有兩種用途，一種是進行人臉檢測，通過人眼定位、提取眼睛閉合度、計算Perclos 值等一系列處理后，完成危險駕駛的判定；另一種是用于分心駕駛判定。如果有疲勞駕駛和分心駕駛行為，則進行語音告警。

2.2 基于視覺特征的疲勞駕駛檢測

2.2.1 圖像預處理

在汽車行駛過程中，由于外界光線的變化以及車輛或攝像頭的抖動等原因，采集到的圖像可能會出現噪聲、失真等情況，導致圖像的清晰度變差，影響檢測結果的準確性。為了避免此類問題，在設計駕駛員危險駕駛檢測系統的軟件時，加入了圖像預處理模塊，具體方法有兩種：

其一是圖像濾波法，已知圖像的能量主要分布于幅度譜的中低頻段，噪聲主要分布于高頻段，通過圖像濾波有助于降低高頻成分幅度，達到去除噪聲的效果。同時，圖像濾波還能盡可能地保留圖像的細節特征，不影響圖像本身的精度。其二是光照補償法，主要是解決因為光照過強或過暗引起的圖像失真問題[2]。目前常用的補償算法是直方圖均衡法，計算待處理圖像的灰度分布直方圖，然后通過非線性變換讓圖像中的像素值重新排列，讓像素從集中分布變為均勻分布，達到光照補償效果。

2.2.2 人臉檢測

對于預處理完畢后的圖像，使用AdaBoost 算法做進一步分析，提取特征并檢測圖像中的人臉。人臉檢測的實現大體可分為兩個步驟，即分類器訓練和圖像檢測，流程見圖3。

圖3 人臉檢測流程圖

樣本質量在一定程度上決定了分類器對人臉的識別準確度，為此必須提供足夠多的樣本圖像數據進行分類器的訓練[3]。在選擇樣本時，收集10 000 張人臉圖像作為正樣本集，同時收集6 000 張非人臉圖像（如動物、汽車、風景等）作為負樣本集。利用正負樣本集訓練分類器。利用Haar-like 特征構建弱分類器，其數學模型為：

上式中，x 表示子窗口圖像，f（x）表示圖像的Haar-like特征值，p 表示不等號的方向，θ 表示閾值。如果Haar-like 特征值在閾值內，則輸出結果為“1”，表示圖像為人臉；反之，如果Haar-like 特征值不再閾值內，則輸出結果為“0”，表示圖像為非人臉，由此實現人臉檢測。按照上述方法對分類器進行500 次迭代訓練。執行一個判斷程序“是否達到迭代次數？”，在迭代次數達到500 次后完成訓練，將結果保存為XML 文件，并利用訓練好的分類器進行人臉檢測。

2.2.3 疲勞駕駛判定

當駕駛員長期駕駛并出現駕駛疲勞時，會出現眨眼頻率升高、眼睛閉合速度變慢、閉眼時間過長等生理特征[4]。基于機器視覺的疲勞駕駛檢測就是在識別人臉的前提下，對人眼的狀態進行識別，從而利用相關參數判斷駕駛員是否處于疲勞狀態。本文采用了以統計像素值為基礎的計算眼睛張開度的方法，計算公式如下：

上式中，H（i）表示第i 幀圖像中眼睛的睜開度，Hm×1/2 表示判斷眼睛睜閉的閾值。如果f（i）為0，表示眼睛閉合；如果f（i）為1，表示眼睛睜開。

在識別眼睛狀態的基礎上，還要提取疲勞參數、進行疲勞判定。現階段常用的疲勞參數提取方法有兩種類型，分別是基于脈搏、心率的生理參數法和基于眨眼頻率、眼睛閉合時間的視覺特征參數法，本文選擇后一種方法，并將單位時間內眼睛閉合時間百分比（Perclos）作為判定指標[5]。Perclos 與疲勞程度的映射關系如圖4 所示。

圖4 Perclos 與疲勞程度的關系曲線

由圖4 可知，Perclos值越高，說明疲勞程度越高，該值可通過以下公式求得：

上式中，M 表示60 s 內眼睛閉合圖像的幀數，m 表示60 s 內系統采集到的圖像總幀數。

3 駕駛員危險駕駛檢測系統的實驗探究

3.1 系統開發平臺

本系統的硬件部分包括TMS320C6748 芯片、MT9V034 攝像頭、LCD 顯示屏，以及1 臺GYX1060 計算機；軟件部分使用Matlab2018 進行系統開發，使用OpenCV 數據庫，運行系統為DSP/BIOS。收集1 000張（700 張為人臉、300 張為非人臉）圖像和50 段視頻進行檢測。

3.2 系統實驗結果

3.2.1 人臉檢測結果

將1 000 張圖像輸入到駕駛員危險駕駛檢測系統中，測試人臉檢測準確率，結果見表1。

表1 人臉檢測分類器測試結果

由表1 數據可知，對于非正面人臉、多人臉和有遮擋的圖像，分類器的檢測準確率較高，基本維持在90%以上；而光照過強或過暗的圖像，檢測準確率相對較低，這表明光線強弱是影響人臉檢測準確率的核心因素。

3.2.2 疲勞駕駛判定結果

將50 段駕駛員的駕車視頻（時長40～100 s）作為檢測樣本，利用該系統進行疲勞判定，結果見表2。

表2 疲勞駕駛判定結果

參與檢測的50 段視頻中，有43 段視頻的疲勞判定結果準確，準確率為86%；其他7 段視頻中，有5 組屬于正常駕駛，系統判定結果為輕度疲勞，這意味著在系統設計時需要適當提高疲勞駕駛的判定閾值。

結束語

基于機器視覺的駕駛員危險駕駛檢測系統以前端攝像頭提供的圖像作為分析對象，檢測到人臉后提取眼部參數，然后求解Perclos 值，進而推測出駕駛員的駕駛狀態。如果判定為疲勞駕駛則進行語音提示，使駕駛員集中注意力。該系統判定結果的準確率可以達到86%，應用效果符合設計預期。