[发明专利]一种基于CNN眼部状态识别的驾驶员疲劳检测方法

说明书

本发明涉及一种基于CNN眼部状态识别的驾驶员疲劳检测方法，驾驶员疲劳检测可以通过眼部的状态识别来获取面部有用信息来完成。本发明能够更加准确的对眼部的状态进行识别分类。在卷积神经网络(CNN)进行眼部状态识别方法上，通过红外视频样本对佩戴墨镜的情况识别率进行提升；最终由疲劳/瞌睡物理量(PERCLOS)和眨眼频率检测多个约束条件判断驾驶员疲劳状态。实验证明，该方法可以实时准确地识别眼部状态并有效预警疲劳驾驶行为。

技术领域

本发明涉及一种基于CNN眼部状态识别的驾驶员疲劳检测方法，该方法能够适应光照变化以及眼镜遮挡的情况，利用眼部状态判定驾驶员的疲劳状态，属于机器视觉技术领域，可应用于辅助驾驶与行车安全领域。

背景技术

研究表明，疲劳驾驶是目前引发交通事故的主要原因之一，已经引起许多国家和政府的重视，因此准确快速的驾驶员疲劳检测的研究具有重要的意义。基于机器视觉的检测方法以其非接触性、实时性等优点，成为驾驶员疲劳检测的一个重要方法。

基于视觉的驾驶员疲劳检测系统应用中，PERCLOS(percentage of eyelidclosure over the pupil over time)和眨眼频率是疲劳检测的重要指标。因此，眼部的状态检测是疲劳检测中的关键问题，由于光照变化以及佩戴墨镜等情况，增加了眼部状态识别的难度，其状态识别的准确率对系统的性能及实际应用有重要影响。

传统检测眼部状态的方法有很多种，但由于使用虹膜在眼睑中位置不固定、眼部虹膜区域灰度投影曲线判断眼部状态，存在易产生误检、检测效率低实时性差、适用的场景少。此外，需要人为选取合适的特征的传统分类器方法，通过提取特征输入到强/弱分类器中，特征的选取依赖于专业设计人员的水平，制约了分类器效果。

卷积神经网络对特征有更好的表达力、避免了人工特征选取过程，作为深度学习的一种，卷积神经网络已经成为当前图像处理等领域的研究热点。通过权值共享的方式模拟生物的神经网络，极大的降低了网络模型的权值数量及复杂度。

发明内容

本发明的目的是克服现有技术的上述不足，自主设计构建了红外图像采集系统获得测试和训练图像，利用卷积神经网络识别眼部闭合状态。

提出一种有较好的抗眼镜遮挡性能、识别准确率高的眼部状态识别网络，并应用特定卷积神经网络(EYESTATUS-Net)完成对眼部状态的识别，最终使用该网络识别的眼部状态作为输入进行多准则驾驶员疲劳状态计算，完成疲劳检测预警。

为此，本发明采用如下的技术方案：

1.采用红外光源、窄带滤光片配合高分辨率工业镜头搭建用于采集待测图像的红外采集系统，用所搭建的系统采集部分待测的面部图像样本；

2.利用1中搭建的采集系统获得图像输入，采用基于haar特征和AdaBoost算法的级联分类器检测出人脸区域，并由级联回归模型提取出包含眼部、鼻梁、眉骨和外侧主轮廓的60个人脸特征点集合；

3.在2确定人脸特征点的基础上计算出人脸的眼部区域并构建疲劳数据集；

4.设计特定结构的眼部状态识别卷积神经网络，根据3中得到的疲劳数据集进行深度学习网络训练，获得在推荐训练参数下的识别模型；

5.使用4中训练出的识别模型完成驾驶员眼部状态识别，量化识别结果，根据设定的阈值通过多个疲劳准则综合计算驾驶员疲劳状态得分，输出疲劳状态检测结果，预警疲劳驾驶行为。

与现有技术相比，本发明的有益效果是：

准确性高。本发明基于眼部状态识别的驾驶员疲劳检测方法，通过结合特定设计的卷积神经网络和多个疲劳准则检测计算，使得该检测方法准确率达93％以上，相比其他的检测方法，有较为明显的提高；