本申请实施例公开了一种疲劳驾驶的检测识别方法及装置；所述方法包括：获取人脸区域图像，并生成人脸区域关键点图像；其中，所述人脸区域关键点图像包括嘴部、眼部和头部的图像；将所述人脸区域关键点图像输入预先训练的人脸特征点识别模型，得到面部状态检测结果；将所述面部状态检测结果输入预设的疲劳特征判断模型，输出疲劳检测结果；本申请实施例融合多特征构建出映射准确度较高的疲劳特征空间，利用机器视觉训练模型，检测精度高、鲁棒性强。强。强。
【技术实现步骤摘要】
疲劳驾驶的检测识别方法及装置
[0001]本申请实施例涉及疲劳驾驶检测
，尤其涉及一种疲劳驾驶的检测识别方法及装置。
技术介绍
[0002]多年来，驾驶疲劳引发的交通事故一直位列事故原因前列，及时有效地检测疲劳特征并发出警告具有重要意义。当前对于疲劳的检测指标可以归纳为三类参数的测量：驾驶员生理特征、视觉特征、车辆行为特征。驾驶员生理特征的检测方法，可以直观反应驾驶员的疲劳状态，但具有侵入性，驾驶员需要配备多样且高昂的模块，难以普及。车辆运动特征的检测方法，主要采集了如手在方向盘上的压力、车身的左右摇摆幅度、车身的偏离程度等参数，但是上述信息通过车身传感器传递，而路况、驾驶习惯会对结果造成较大干扰。驾驶员面部特征的检测方法具有非侵入性、成本低、实时性好等优点，但是受环境光照、转弯、变线等因素的较大影响，存在检测精度低、鲁棒性差等限制。
技术实现思路
[0003]本申请实施例提供一种疲劳驾驶的检测识别方法及装置，以解决现有的面部特征的检测方法受环境光照、转弯、变线等因素的较大影响，存在检测精度低、鲁棒性差等限制的问题。
[0004]在第一方面，本申请实施例提供了一种疲劳驾驶的检测识别方法，所述方法包括以下步骤：
[0005]获取人脸区域图像，并生成人脸区域关键点图像；其中，所述人脸区域关键点图像包括嘴部、眼部和头部的图像；
[0006]将所述人脸区域关键点图像输入预先训练的人脸特征点识别模型，得到面部状态检测结果；
[0007]将所述面部状态检测结果输入预设的疲劳特征判断模型，输出疲劳检测结果。
[0008]进一步的，所述预先训练人脸特征点识别模型，包括：
[0009]利用HOG+SVM技术思路，训练基于IBUG_300W数据集，开发涵盖了嘴部、眼部和头部部位的26个特征点的面部形状预测模型；
[0010]训练数据集和测试集均提供68点关键点的准确坐标，从中提取所需的26个关键点形成训练标识文件；
[0011]运行训练脚本，读取26个特征点标识文件，训练关键点预测模型，进行调参选优，每次训练结束需要计算出预测模型在训练数据集和测试集上的两个平均误差，并返回修改训练参数直至最终选出较优的模型，得到人脸特征点识别模型。
[0012]进一步的，所述将所述面部状态检测结果输入预设的疲劳特征判断模型，输出疲劳检测结果，包括：
[0013]通过评估眼睛和嘴巴的闭合程度来识别眼部和嘴部，计算眼部和嘴部的纵横比，
眼部的纵横比为眼睛上下边缘之差与左右眼角距离的比值，嘴巴的纵横比为嘴巴上下边缘之差与左右嘴角距离的比值；
[0014]通过计算欧拉俯仰角来识别低头动作，通过相机标定，利用面部关键点信息和3D Morphabl参考模型，求解旋转矩阵和投影矩阵，得出俯仰角；
[0015]将纵横比和俯仰角数据与预设的疲劳特征阈值进行比较，输出疲劳检测结果。
[0016]进一步的，所述通过相机标定，利用面部关键点信息和3D Morphabl参考模型，求解旋转矩阵和投影矩阵，得出俯仰角，包括：
[0017]利用3D Morphabl参考模型获得世界坐标系坐标和检测的2D关键点坐标，结合相机标定求得的相机内参、畸变系数以求解旋转向量：
[0018][0019]其中，V为旋转向量，K为旋转轴的单位向量；
[0020]V
rot
＝RV；
[0021]其中，R为矩阵，V
rot
为旋转矩阵；
[0022][0023]其中，θ是v的模长，E为3阶单位矩阵；
[0024]利用罗德里格旋转公式将旋转向量导出为旋转矩阵，并由旋转矩阵导出俯仰角：
[0025]θ
x
＝arctan(Ω
32
/Ω
33
)；
[0026][0027]θ
x
＝arctan(Ω
21
/Ω
11
θ；
[0028]其中θ
x
即俯仰角，Ω
xx
为旋转矩阵V
rot
中的元素。
[0029]进一步的，所述将纵横比和俯仰角数据与预设的疲劳特征阈值进行比较，输出疲劳检测结果之后，还包括：
[0030]将纵横比和俯仰角数据与阈值进行比较，并将EAR、MAR、哈欠检测、哈欠计数、低头预警、闭眼检测、闭眼计数、未见人脸提示信息作为消息打印提示。
[0031]在第二方面，本申请实施例还提供一种疲劳驾驶的检测识别装置，包括：
[0032]图像生成模块，用于获取人脸区域图像，并生成人脸区域关键点图像；其中，所述人脸区域关键点图像包括嘴部、眼部和头部的图像；
[0033]状态检测模块，用于将所述人脸区域关键点图像输入预先训练的人脸特征点识别模型，得到面部状态检测结果；
[0034]结果检测模块，用于将所述面部状态检测结果输入预设的疲劳特征判断模型，输出疲劳检测结果。
[0035]进一步的，还包括USB转LIN模块和汽车氛围灯模块；所述USB转LIN模块用于获取所述结果检测模块的疲劳检测结果；所述汽车氛围灯模块用于通过氛围灯频率变化的方式
给出疲劳提醒。
[0036]进一步的，还包括：检测显示模块，所述检测显示模块用于显示疲劳检测结果和提示。
[0037]在第三方面，本申请实施例还提供一种计算机设备，包括：存储器以及一个或多个处理器；
[0038]所述存储器，用于存储一个或多个程序；
[0039]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的一种疲劳驾驶的检测识别方法。
[0040]在第四方面，本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上述的一种疲劳驾驶的检测识别方法。
[0041]本申请实施例通过获取人脸区域图像，并生成人脸区域关键点图像；其中，所述人脸区域关键点图像包括嘴部、眼部和头部的图像；将所述人脸区域关键点图像输入预先训练的人脸特征点识别模型，得到面部状态检测结果；将所述面部状态检测结果输入预设的疲劳特征判断模型，输出疲劳检测结果；融合多特征构建出映射准确度较高的疲劳特征空间，利用机器视觉训练模型，检测精度高、鲁棒性强。
附图说明
[0042]图1是本申请实施例提供的一种疲劳驾驶的检测识别方法的流程图；
[0043]图2是本申请实施例提供的一种疲劳驾驶的检测识别方法的面部关键点分布示意图；
[0044]图3是本申请实施例提供的一种疲劳驾驶的检测识别装置的结构示意图；
[0045]图4是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
[0046]为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种疲劳驾驶的检测识别方法，其特征在于，所述方法包括以下步骤：获取人脸区域图像，并生成人脸区域关键点图像；其中，所述人脸区域关键点图像包括嘴部、眼部和头部的图像；将所述人脸区域关键点图像输入预先训练的人脸特征点识别模型，得到面部状态检测结果；将所述面部状态检测结果输入预设的疲劳特征判断模型，输出疲劳检测结果。2.根据权利要求1所述的疲劳驾驶的检测识别方法，其特征在于，所述预先训练人脸特征点识别模型，包括：利用HOG+SVM技术，训练基于IBUG_300W数据集，开发涵盖了嘴部、眼部和头部部位的26个特征点的面部形状预测模型；训练数据集和测试集均提供68点关键点的准确坐标，从中提取所需的26个关键点形成训练标识文件；运行训练脚本，读取26个特征点标识文件，训练关键点预测模型，进行调参选优，每次训练结束需要计算出预测模型在训练数据集和测试集上的两个平均误差，并返回修改训练参数直至最终选出较优的模型，得到人脸特征点识别模型。3.根据权利要求1所述的疲劳驾驶的检测识别方法，其特征在于，所述将所述面部状态检测结果输入预设的疲劳特征判断模型，输出疲劳检测结果，包括：通过评估眼睛和嘴巴的闭合程度来识别眼部和嘴部，计算眼部和嘴部的纵横比，眼部的纵横比为眼睛上下边缘之差与左右眼角距离的比值，嘴巴的纵横比为嘴巴上下边缘之差与左右嘴角距离的比值；通过计算欧拉俯仰角来识别低头动作，通过相机标定，利用面部关键点信息和3D Morphabl参考模型，求解旋转矩阵和投影矩阵，得出俯仰角；将纵横比和俯仰角数据与预设的疲劳特征阈值进行比较，输出疲劳检测结果。4.根据权利要求3所述的疲劳驾驶的检测识别方法，其特征在于，所述通过相机标定，利用面部关键点信息和3D Morphabl参考模型，求解旋转矩阵和投影矩阵，得出俯仰角，包括：利用3D Morphabl参考模型获得世界坐标系坐标和检测的2D关键点坐标，结合相机标定求得的相机内参、畸变系数以求解旋转向量：其中，V为旋转向量，K为旋转轴的单位向量；V
rot
＝RV；其中，R为矩阵，V
rot
为旋转矩阵；其中，θ是v的模长，E为3阶单位矩阵；
利用罗德里格旋转公式将...
【专利技术属性】
技术研发人员：杨念，司玉栋，
申请(专利权)人：广州新晨汽车零部件有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。