一种基于多策略的驾驶员疲劳检测方法技术

本发明专利技术属于人工智能领域，公开了一种基于多策略的驾驶员疲劳检测方法，包括步骤：标定目标区域和输入相关阈值；使用改进的DeepLabV3+算法对目标区域图像进行分割，获得眼部和嘴部的轮廓；根据所述轮廓，计算眼部和嘴部的相关值，判断眼睛和嘴巴状态；根据自适应疲劳判定规则和眼睛和嘴巴状态，判定驾驶员是否为疲劳驾驶。本发明专利技术更好的获取眼睛和嘴巴的信息，得到更加准确的轮廓。对分割出的轮廓进行矩形拟合，剔除干扰目标信息；有效避免因驾驶员眼睛小和嘴巴大等因素造成闭眼或打哈欠误判的情况；自适应疲劳判断规则避免信息不全和不充分使用计算信息等原因造成的误判。全和不充分使用计算信息等原因造成的误判。全和不充分使用计算信息等原因造成的误判。

【技术实现步骤摘要】
一种基于多策略的驾驶员疲劳检测方法


[0001]本专利技术属于人工智能
，尤其涉及一种基于多策略的驾驶员疲劳检测方法，针对驾驶员疲劳检测方法技术，可以有效的检测出驾驶员的状态，促进驾驶员安全驾驶。

技术介绍

[0002]随着经济发展和生活质量的提升，汽车逐渐成为出行的主要交通工具之一，也成为全球道路上的一个严重问题。汽车驾驶员的驾驶技术和驾驶状态将直接影响自身和他人的安全，如长途旅行、睡眠不足和单调的环境会导致危险的警惕性下降甚至微睡眠发作，潜意识下进行疲劳驾驶，成为交通事故发生的主要诱因之一。因此，对驾驶员的驾驶状态进行检测并进行预警，有助于降低交通事故发生率和促进道路更加安全，在现实中具有重要意义。
[0003]随着计算机和人工智能技术的快速发展，深度学习算法更加丰富，应用领域不断扩展，使得智能驾驶和驾驶员疲劳检测技术快速发展。目前，驾驶员面部检测的方法可分为传统算法和深度学习算法，其中，深度学习算法逐渐成为主流，且取得了较为理想的效果。在深度学习算法中，分割、检测和识别算法逐渐应用到驾驶员疲劳检测问题中，如通过驾驶员眼睛的闭合度和嘴巴的张合度判断驾驶员是否为疲劳状态，从而做出相应预警，避免危险驾驶行为的发生。
[0004]现有算法虽取得了一定的效果，但由于驾驶室环境复杂和检测目标特殊等原因，容易误判造成预警，影响驾驶员驾驶状态。对于存在的问题，可归纳为三方面，第一，使用深度学习算法分割眼部和嘴部轮廓时，容易受到驾驶室环境干扰，分割结果会掺入多余目标；第二，针对驾驶室场景的分割算法较少，在驾驶员的眼部和嘴部特征提取时难度较大；第三，疲劳状态判断规则自适应性较差，应用于眼睛较小的驾驶员和佩戴口罩的驾驶员时，容易造成误判。因此，需要一种同时解决上述三种问题的疲劳检测方法，提升检测准确率，促进道路安全。

技术实现思路

[0005]针对
技术介绍
中提及的问题，本专利技术提出一种基于多策略的驾驶员疲劳检测方法。为解决第一个问题，提出第一种策略，在安装设备时对驾驶员头部移动范围进行标定，将驾驶室内座椅上部作为参照物，以座椅可变化范围作为标定区域，并作为输入数据进行分析，用于降低复杂环境对目标的干扰。针对第二个问题，在DeepLabV3+算法的基础上，结合眼部和嘴部分割特性，对算法进行改进，使其可以获得更多的目标信息，以取得更加准确的眼部和嘴部轮廓。针对第三个问题，首先，结合人机交互的优点，输入闭眼和打哈欠的判断阈值，然后，应用提出的自适应判断规则，根据是否佩戴口罩进行眼睛闭合度或嘴部张合度计算，并根据输入的阈值判断是否为闭眼和打哈欠，同时，根据疲劳判断规则进行判断是否为疲劳驾驶，并输出相应的结果。
[0006]具体的，本专利技术提出的基于多策略的驾驶员疲劳检测方法包括以下步骤：
[0007]标定目标区域和输入相关阈值；
[0008]使用改进的DeepLabV3+算法对目标区域图像进行分割，获得眼部和嘴部的轮廓；
[0009]根据所述轮廓，计算眼部和嘴部的相关值，判断眼睛和嘴巴状态；
[0010]根据自适应疲劳判定规则和眼睛和嘴巴状态，判定驾驶员是否为疲劳驾驶。
[0011]进一步的，所述标定目标区域和输入相关阈值包括：
[0012]安装设备时，通过人机交互模式，对驾驶室座椅和驾驶员头部活动区域进行标定，并将此区域作为后续输入数据进行分析；
[0013]根据司机面部情况，计算闭眼阈值和哈欠阈值，用于判断驾驶员眼睛和嘴巴状态。
[0014]进一步的，所述改进的DeepLabV3+算法对目标区域图像进行分割，包括以下步骤：
[0015]使用预训练的resnet101算法对输入图像进行分析并提取特征；
[0016]通过分析眼部和嘴部的特点，对原始的编码模块进行改进，添加卷积层和修改参数值构造新的空洞卷积结构，构造新的编码模块获得更加丰富的目标信息；
[0017]通过解码模块获得目标的具体轮廓，即获得眼部和嘴部轮廓。
[0018]进一步的，所述计算眼部和嘴部的相关值，判断眼睛和嘴巴状态包括：
[0019]先对获得的轮廓进行矩形拟合，得到相应的高和宽；
[0020]再根据实际应用和驾驶员反馈计算眼睛闭合度和嘴巴张开度，计算公式为：
[0021][0022][0023]其中，b为眼睛闭合度，o为嘴巴张开度，h为轮廓高，w为轮廓宽，i为同一类型轮廓数量；
[0024]最后，根据输入阈值判断眼睛和嘴巴状态，判断规则为：
[0025][0026]其中，α为驾驶员的眼睛闭合阈值，闭合度小于闭合阈值则为闭眼，β为驾驶员的嘴巴张开度阈值，张开度大于张开阈值则为哈欠。
[0027]进一步的，所述自适应疲劳判定规则为：
[0028]当佩戴口罩时，仅使用眼睛疲劳度判断疲劳状态，若未佩戴口罩，通过眼睛疲劳度和打哈欠次数计算的疲劳度综合判定疲劳状态。
[0029]进一步的，所述眼睛疲劳度计算公式为：
[0030][0031]其中，p
e
为根据眼睛状态计算的疲劳度，T
e
为检测周期内眼睛为闭合的帧数，T
all
为检测周期的总帧数。
[0032]进一步的，所述打哈欠次数计算疲劳度的公式为：
[0033][0034]其中，p
m
为根据打哈欠计算的疲劳度，T
m
为检测周期内打哈欠的帧数，T
all
为检测周期的总帧数。
[0035]进一步的，所述若未佩戴口罩，通过眼睛疲劳度和打哈欠次数计算的疲劳度综合判定疲劳状态为：
[0036][0037]其中p
e
为眼睛疲劳度，p
m
为打哈欠次数计算的疲劳度。
[0038]本专利技术与现有技术相比具有如下优点：
[0039]第一：本专利技术通过人机交互的方式标定驾驶员头部活动区域和输入判断阈值，能够有效降低驾驶室复杂环境对算法性能的影响，同时，根据驾驶员情况输入相关阈值，确保判断规则适用于不同的驾驶员。
[0040]第二：本专利技术通过分析眼部和嘴部特征，对DeepLabV3+算法进行改进，使其能够更好的获取眼睛和嘴巴的信息，有效的提高了分割精度，获得了更加准确的轮廓。
[0041]第三：本专利技术对分割出的轮廓进行矩形拟合，剔除干扰目标信息，并计算轮廓的高和宽，提出一种新的眼睛闭合度和嘴巴张开度的计算方法，结合输入的判断阈值，能够有效避免因驾驶员眼睛小和嘴巴大等因素造成闭眼或打哈欠误判的情况。
[0042]第四：本专利技术根据是否佩戴口罩，提出一种自适应的疲劳判断规则，即根据是否检测到嘴部信息选择不同的疲劳判断规则，既能进行单因子判断，也能结合多因子进行综合判断，可以避免信息不全和不充分使用计算信息等原因造成的误判。
附图说明
[0043]图1为本专利技术流程图；
[0044]图2(a)为DSM摄像头实时摄像区域，图2(b)为以驾驶室座椅上部为参照物的标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多策略的驾驶员疲劳检测方法，其特征在于，包括以下步骤：标定目标区域和输入相关阈值；使用改进的DeepLabV3+算法对目标区域图像进行分割，获得眼部和嘴部的轮廓；根据所述轮廓，计算眼部和嘴部的相关值，判断眼睛和嘴巴状态；根据自适应疲劳判定规则和眼睛和嘴巴状态，判定驾驶员是否为疲劳驾驶。2.根据权利要求1所述的基于多策略的驾驶员疲劳检测方法技术，其特征在于，所述标定目标区域和输入相关阈值包括：安装设备时，通过人机交互模式，对驾驶室座椅和驾驶员头部活动区域进行标定，并将此区域作为后续输入数据进行分析；根据司机面部情况，计算闭眼阈值和哈欠阈值，用于判断驾驶员眼睛和嘴巴状态。3.根据权利要求1所述的基于多策略的驾驶员疲劳检测方法技术，其特征在于，所述改进的DeepLabV3+算法对目标区域图像进行分割，包括以下步骤：使用预训练的resnet101算法对输入图像进行分析并提取特征；通过分析眼部和嘴部的特点，对原始的编码模块进行改进，添加卷积层和修改参数值构造新的空洞卷积结构，构造新的编码模块获得更加丰富的目标信息；通过解码模块获得目标的具体轮廓，即获得眼部和嘴部轮廓。4.根据权利要求1所述的基于多策略的驾驶员疲劳检测方法技术，其特征在于，所述计算眼部和嘴部的相关值，判断眼睛和嘴巴状态包括：先对获得的轮廓进行矩形拟合，得到相应的高和宽；再根据实际应用和驾驶员反馈计算眼睛闭合度和嘴巴张开度，计算公式为：再根据实际应用和驾驶员反馈计算眼睛闭合度和嘴巴张开度，计算公式为：其中，b为眼睛闭合度，...

【专利技术属性】
技术研发人员：仲从建，李征，付本刚，
申请(专利权)人：江苏航天大为科技股份有限公司，
类型：发明
国别省市：