疲劳驾驶监测方法技术

本发明专利技术公开了一种疲劳驾驶监测方法，该方法包括如下步骤：Ａ、摄像头抓取图像，并将所抓取的图像经过监测仪中的分类器进行过滤，通过分类器后的图像为眼睛图像；Ｂ、分析过滤后的眼睛图像，找到眼球在设定时间内上、下两点的最大距离Ｌ１；Ｃ、对驾驶员眼球进行监测并计算驾驶员眼球在设定时间内上、下两点的距离Ｌ２与最大距离Ｌ１之间的差值，若该差值超过设定的范围，则进行报警处理。本发明专利技术所述监测方法的准确性更高。

【技术实现步骤摘要】

本专利技术涉及一种。
技术介绍
在全球范围内，司机的疲劳驾驶已成为导致交通安全事故的重要原因之一。交 通事故给国家造成巨大的经济损失和人员伤亡，增加了社会不安定因素。目前大量采用的疲劳驾驶监测仪主要是接触式，通过检测驾驶员的生理信号来 监测驾驶员的疲劳状态，比如在头部贴放电极监测脑电信号或心电信号等，这种监测方 式容易受到外界环境的干扰，且不同驾驶员之间的差异也会影响监测结果，导致监测效 率不高。同时与驾驶员的身体相接触而影响到驾驶员的行为，实时性不高，并且导致报 警延时，制约了其推广和应用。对于目前采用的非接触式技术，大都是通过对摄像头采集驾驶员的面部图像信 息进行处理，判断驾驶员是否出现疲劳的特征，而对图像处理的技术都是单纯的依赖于 训练(如Adaboost训练方法)得到的特征(如Haar特征)进行目标识别，其监测效率不 高，误检的概率很大。
技术实现思路
本专利技术的目的在于克服现有技术的缺陷，提供一种，本专利技术 克服现有技术的缺陷，监测的准确性更高。其技术方案如下。—种，该方法包括如下步骤A、摄像头抓取图像，并将所 抓取的图像经过监测仪中的分类器进行过滤，通过分类器后的图像为眼睛图像；B、分 析过滤后的眼睛图像，找到眼球在设定时间内上、下两点的最大距离Li; C、对驾驶员 眼球进行监测并计算驾驶员眼球在设定时间内上、下两点的距离L2与最大距离Ll之间的 差值，若该差值超过设定的范围，则进行报警处理。前述技术方案进一步细化的技术方案可以是。所述分类器至少包括第一级分类器及第二级分类器，在所述A步骤中，摄像头 抓取图像后，先经第一级分类器进行过滤，通过第一级分类器后的图像再经过第二级分 类器进行过滤。在所述A步骤中，摄像头抓取图像后，经分类器进行过滤，通过分类器后的图 像为人脸图像，再在人脸图像中抓取眼睛图像。还包括至少三个视角检测器，各视角检测器的检测角度范围不同，在所述A步 骤中，摄像头所抓取的图像由各视角检测器进行检测，若所抓取的图像通过相应的视角 检测器，则由该视角检测器所检测的角度范围来确定驾驶员脸部所偏离的角度范围，若 驾驶员脸部所偏离的角度范围超过设定的角度范围，则进行报警处理。在所述A步骤中，摄像头抓取图像后，经分类器进行过滤，若该图像通过分类器，再将该图像中的肤色信息与设定的肤色信息进行对比，若符合，则判定为人脸图 像，若不符合，则判定为非人脸图像。综上所述，本专利技术的优点是。1、通过分析眼睛图像中，眼球的上、下两点的距离来判定驾驶员是否疲劳，如 驾驶员疲劳，其眼球被眼睑挡住，眼球上、下两点之间的距离会变小，若眼球上、下两 点之间的距离缩小超过一定范围，则进行报警处理，避免出现交通事故，监测的准确性更高。2、摄像头抓取头像后，通过多级分类器进行过滤，每一级分类器中可以包含一 个或多个特征，经过第一级分类器后，若图像被过滤，则认定该图像不是目标图像，若 图像通过第一级分类器，则该图像再经过第二级分类器(甚至第三级分类器、第四级分 类器…)，通过所有分类器后的图像即为目标图像，通过多级分类器进行过滤，监测速 度快，精度高。3、在抓取图像的过程中，先抓取脸部图像，再缩小范围，在脸部图像中抓取眼 睛图像，以提高抓取图像的速度。4、进一步，在对驾驶员进行监测的过程中，还对驾驶员头部偏离的角度进行监 测，以驾驶员头部朝向正前方时为0度(即基准角度)，若驾驶员的头部偏离基准角度超 过设定范围，此时驾驶员的视线极有可能已偏离正前方，会对驾驶安全带来危害，此时 进行报警处理，进一步提高监测的可靠性及安全性。附图说明图1是驾驶员在正常状态下眼球的状态图。图2是驾驶员在疲劳状态下眼球的状态图。具体实施例方式下面结合附图对本专利技术的实施例进行详细说明。一种，该方法包括如下步骤A、摄像头抓取图像，并将所 抓取的图像经过监测仪中的分类器进行过滤，通过分类器后的图像为眼睛图像；B、分 析过滤后的眼睛图像，找到眼球在设定时间内上、下两点的最大距离Ll (如图1所示)； C、对驾驶员眼球进行监测并计算驾驶员眼球在设定时间内上、下两点的距离L2 (如图 2所示)与最大距离Ll之间的差值，若该差值超过设定的范围，则进行报警处理。其中，所述分类器包括第一级分类器、第二级分类器及第三级分类器，在所述 A步骤中，摄像头抓取图像后，先经第一级分类器进行过滤，通过第一级分类器后的图 像再经过第二级分类器、第三级分类器进行过滤，再将该图像中的肤色信息与设定的肤 色信息进行对比，若符合肤色信息，则判定为人脸图像，并进而在人脸图像中抓取眼睛 图像，若不符合肤色信息，则判定为非人脸图像。还包括六个视角检测器，各视角检测器的检测角度范围不同，分别是、 、 、 、 、 ， 在所述A步骤中，摄像头所抓取的图像由各视角检测器进行检测，若所抓取的图像通过 相应的视角检测器，则由该视角检测器所检测的角度范围来确定驾驶员脸部所偏离的角度范围，若驾驶员脸部所偏离的角度范围超过设定的角度范围(本实施例中，设定范围 为30° )，则进行报警处理。下面对本实施例中，在进行图像抓取时，基于MBLBP特征的gentleboost训练方法及分类器进行说明。人脸以及人眼由于其特殊的结构导致其和一般的风景图片之间存在差异，这种 差异是由于人的脸部(眼部)结构特征而决定的。我们可以根据其结构上像素的特征来 构成分类器区分人脸(人眼)和非人脸(非人眼)。LBP是一种基于灰度的描述图像纹理特征的不相关算子，它通过对图像任意一 点与其周围点的灰度值大小关系来表征图像的局部纹理特征。LBP算法一般定义为3X3 的窗口，以窗口的中心点的像素值作为标准，和窗口中除了中心位置的八个点进行比 对，如果该点像素值大于平均像素，则将该点二值化为1，否则将改点的值变为0。依次 得出的数值即为该LBP特征的编码。但LBP并不具备大尺度描述的能力。由LBP拓展出的MBLBP特征改进了基本 LBP的弱点，其基本的想法是把任意大小的图像子区域平均分割成9个矩形子块，然 后使用LBP算子对这9个矩形块的平均灰度值进行编码，用这个编码来表征该图像子区 域。MBLBP特征由于比较的是块之间的大小关系，因此具有大尺度结构的描述能力，用 来检测图像速度快且准确率高。gentleboost算法的核心思想是从一个很大的特征集中选择很小的一部分关键的视 觉特征，从而产生一个极其有效的分类器。它利用大量的分类能力使一般的简单分类器 通过一定的方法叠加起来，构成一个分类能力很强的强分类器，再将若干个强分类器串 联成为级联分类器完成图像搜索检测。通过第一集分类器的子图像送给第二级分类器， 通过第二集分类器的子图像送给第三级分类器，以此类推。gentleboost训练方法相对于 Adaboost训练方法最大的特点是对噪声不敏感，可以显著的提高检测效果。本实施例具有如下优点。1、通过分析眼睛图像中，眼球的上、下两点的距离来判定驾驶员是否疲劳，如 驾驶员疲劳，其眼球被眼睑挡住，眼球上、下两点之间的距离会变小，若眼球上、下两 点之间的距离缩小超过一定范围，则进行报警处理，避免出现交通事故，监测的准确性更高。2、摄像头抓取头像后，通过多级分类器进行过滤，每一级分类器中可以包含一 个或多个特征，经过第一级分类器后，若图像被过滤，本文档来自技高网...

【技术保护点】
一种疲劳驾驶监测方法，其特征在于，该方法包括如下步骤：Ａ、摄像头抓取图像，并将所抓取的图像经过监测仪中的分类器进行过滤，通过分类器后的图像为眼睛图像；Ｂ、分析过滤后的眼睛图像，找到眼球在设定时间内上、下两点的最大距离Ｌ１；Ｃ、对驾驶员眼球进行监测并计算驾驶员眼球在设定时间内上、下两点的距离Ｌ２与最大距离Ｌ１之间的差值，若该差值超过设定的范围，则进行报警处理。

【技术特征摘要】

【专利技术属性】
技术研发人员：姜立标，马乐，余建伟，张殷华，吴斌，姜思羽，
申请(专利权)人：华南理工大学广州汽车学院，
类型：发明
国别省市：81[中国|广州]