内容发布更新时间 : 2024/11/17 13:51:24星期一 下面是文章的全部内容请认真阅读。
基于贝叶斯网络的疲劳驾驶识别技术研究
张伟
1
石晓玲杨英仓
22
（1.清华大学苏州汽车研究院，苏州215200； 2.贵州警官职业学院贵州省道路交通事故鉴
定工程技术研究中心，贵阳550005）
摘要：疲劳驾驶是造成交通事故的重要原因之一。本文提出了以机器视觉为手段，通过表情分析实现驾驶人疲劳状态判别的方法。围绕疲劳时驾驶人的共性表情特征，选择眼睛闭合百分比，最长闭眼时间，眨眼频率，平均睁眼程度作为疲劳判别的特征参数，采用方差分析的方法对不同疲劳水平下判别参数差异显著性进行了检验，建立了疲劳模式分类的特征空间。利用贝叶斯网络描述随机变量之间关系，实现对驾驶人疲劳状态的推断。结果显示，该模型利用联合概率的最优展开压缩式，充分考虑各节点变量间的依赖关系，提高了分类能力，对疲劳状态的识别精度达到90%以上。
关键词：疲劳驾驶；计算机视觉；贝叶斯网络；疲劳识别
Driver drowsiness recognitionbased on Bayesian network1
ZHANG Wei1, SHI Xiaoling2, YANG Yingcang2
(1. Suzhou Automotive Research Institute, Tsinghua University, Suzhou 215200;
2. Guizhou Province Engineering Research Center for Traffic Accidents Responsibility Verification, Guiyang, 550005)
Abstract: Driver drowsiness is one of the major causes of road accidents. In this paper, a computer vision based driver drowsiness recognition method by means of expression analysis is proposed. As driver’s common expression characteristics, PERCLOS（PERcentage of eyelid CLOSure）, MCD (Maximum Close Duration), BF (Blink Frequency) and AOL (Average Opening Level) are introduced to the feature space after the variance test. The Bayesian network is used to describe the relationship between the random variables, and therefore driver drowsiness can be identified. The results show that the proposed model can improve the classification ability by taking advantage of the optimal expansion compression of joint probability and the recognition accuracy of drowsy driving is above 90%. Key Words: drowsy driving; computer vision; Bayesian network; drowsiness recognition
投稿日期： 2017-04-28
基金项目：贵州省道路交通事故鉴定工程中心基金资助（黔道交鉴合G字[2015] 10014号） 第一作者： 张伟(1977－), 男(汉)，山东，博士，E-mail: zhangwei@tsari.tsinghua.edu.cn 通讯作者：张伟，博士，E-mail: zhangwei@tsari.tsinghua.edu.cn
1 引言
驾驶疲劳是一种由于驾驶环境的单调性或长时间、超强度行车，驾驶人因体力或脑力过多消耗而产生生理、心理机能衰退，造成反应水平、操控效率下降的现象。疲劳驾驶是造成交通事故的重要原因之一。驾驶人疲劳时，其对周围环境的感知能力、形势判断能力和对车辆的操控能力均会有不同程度的下降，很容易引发交通事故
[1-2]
。美国高速公路交通安全管
理局（NHTSA）最近进行的一次针对三年间超过5,400件交通事故的调查显示，发生事故最频繁的“事故前关键性动作”为驾驶人疲劳,据NHTSA统计，美国约79%的追尾事故与驾驶人的警觉性降低有关，60%左右的重卡交通事故是由于驾驶人疲劳引起的。
基于机器视觉的疲劳状态识别技术是利用摄像机拍摄驾驶人面部图像，并通过对面部表情特征的分析实现驾驶人疲劳状态的估计
[5-11]
[3]
[4]
。在构成人脸的器官中，眼睛的动作状态是最
直接、最有效的判断驾驶人疲劳状态的信息源。本文从疲劳时眼睛的共性动作特征出发，选择了疲劳时的四个经验性特征作为分类参数，并采用方差分析的方法对各特征的显著性进行了检验，建立的疲劳模式分类的特征空间，最后训练贝叶斯网络作为推理模型对疲劳状态进行辨识。
驾驶人疲劳状态的实时在线检测与预警，可大幅减少因疲劳驾驶引发的交通事故。特别对从事长途客运、货运等营运作业的驾驶人，由于职业要求，经常出现长时间连续驾车的情况，行车中很难一直维持高警觉状态，疲劳状态的实时监控和干预对事故防范意义更加重大。
2基于眼睛动作特征的疲劳特征空间建模
驾驶人疲劳时生理机能的内在变化会无意识的在面部表情中显露出来，例如驾驶人疲劳时，眼睛的眨眼频率会明显增高。图1是实际实验中采集到的驾驶人上下眼睑之间距离在清醒、疲劳与严重疲劳状态下的变化曲线，图中上下眼睑之间的距离是用图像上的像素距离来表示的。从图中可以看出，清醒状态下驾驶人眼睛的眨眼速度较快，频率较低且眼睛基本处于全睁状态。当驾驶人疲劳时，驾驶人睁眼程度下降，且眨眼频率明显上升。随着驾驶人疲劳程度的进一步加深，驾驶人的平均睁眼程度持续下降，开始出现长时间闭眼的情况，同时眨眼动作相当频繁。
上下眼睑间距离（单位：像素）20100 015105 015105 01020304050607010203040506070801020304050607080清醒状态90100 疲劳状态100 严重疲劳状态809010090时间t（单位：帧）
图1 不同疲劳状态下眼睛的典型动作
针对驾驶人在进入疲劳状态后眼睛表现出的闭合时间增长、眨眼频率增加等特征，在对驾驶人不同疲劳状态下眼睛运动规律进行统计的基础上，选取了眼睛闭合百分比（PERcentage of eyelid CLOSure, PERCLOS）、最长眨眼时间（Maximum Close Duration, MCD）、眨眼频率（Blink Frequency, BF）、平均睁眼程度（Average Opening Level, AOL）4个指标来对疲劳状态下眼睛的表现特征进行描述，各参数的定义如表1所示。
表1 疲劳判别指标及其定义
指标 PERCLOS MCD BF AOL
定义
一段时间内，眼睛累计闭合时间占时间窗长度的百分比 一段时间内，最长一次眼睛闭合的持续时间 每分钟眨眼次数
一段时间内，眼睛睁开程度（百分比）的平均值
为了更清楚的了解各参数的物理意义，下面结合图形给出各个指标的表达式。如图2所示，T为设定的时间窗大小，本文中取为30秒，在该时间窗内，驾驶人共有n次眨眼动作，每次眨眼动作的持续时间用tn来表示。设在该时间窗内，两眼睑距离的平均值为l，两眼睑距离的最大值为L。则PERCLOS、最长眨眼时间MCD、平均睁眼程度AOL以及眨眼频率BF的表达式可分别表示为：
1412108641.155t1t2TAOL阈值(睁眼/闭眼)...1.1581.159tn x 1041.1561.1571.16图2 PERCLOS,MCD,BF以及AOL的定义
PERCLOS??tiT
i?1nMCD?MAX(t1,t2,...,tn)
（1）
AOL?lL BF?n?(60/T)
3 不同疲劳水平下判别参数差异显著性检验
对上述疲劳判别指标的有效性分析，实质上就是检验不同疲劳状态对各参数的影响，通常是通过比较不同疲劳状态下样本均值间的差异来考察的。本文将采用方差分析的方法，对各判别指标在疲劳致因因素三个不同水平（清醒，疲劳，严重疲劳）上是否存在显著性差异进行检验。
不同组间的差别主要来源于两方面：