[发明专利]基于机器学习和多特征融合的疲劳驾驶检测方法及系统

说明书

本发明公开了一种基于机器学习和多特征融合的疲劳驾驶检测方法及系统，涉及计算机视觉图像处理技术领域，包括对实时获取的驾驶员面部图像进行处理，提取驾驶员的眼部图像、嘴部图像及头部位置信息；将眼部图像、嘴部图像及头部位置信息分别输入到对应训练好的分类器中以确定驾驶员的眼部分类结果、嘴部分类结果及头部分类结果；对连续多帧面部图像的眼部分类结果、嘴部分类结果及头部分类结果进行疲劳特征提取，并根据提取的疲劳特征确定驾驶员的疲劳程度；疲劳特征包括闭眼频率、打哈欠频率及点头频率。本发明能够在驾驶员眼部受遮挡的情况下保证疲劳驾驶检测准确度并有完善的警示方法保障车主及周围行人车辆安全的功能。

技术领域

本发明涉及计算机视觉图像处理技术领域，特别是涉及一种基于机器学习和多特征融合的疲劳驾驶检测方法及系统。

背景技术

近年来，机动车保有量、通车道路里程的不断增长以及商品物流流通速率的日益壮大，疲劳驾驶问题越来越突出。英国汽车协会慈善信托基金对20561名驾车者进行调查，发现17％的男性在开车时出现过疲劳驾驶的情况。驾车时需要注意力和精神的高度集中，而疲劳驾驶时司机的反应迟钝、视线模糊、精神涣散和操作失误增加。根据研究表明，60％的交通事故都仅仅缺少事故前0.5秒的反应时间，疲劳驾驶无疑大大增加了交通事故的风险。例如，中国每年发生676万起交通事故，而疲劳驾驶引发的交通事故占到交通事故总数的20％左右，在特大交通事故数中占比超过40％，因此，为减少交通事故的发生，加强疲劳驾驶监测研究也就显得必不可少。

多疲劳特征结合检测一直是疲劳驾驶检测方向的重要课题，在疲劳驾驶检测过程中，时常遇到眼部受遮挡的情况，导致检测的准确率难以保证。

发明内容

本发明的目的是提供一种基于机器学习和多特征融合的疲劳驾驶检测方法及系统，能够在驾驶员眼部受遮挡的情况下保证疲劳驾驶检测准确度。

为实现上述目的，本发明提供了如下方案：

一种基于机器学习和多特征融合的疲劳驾驶检测方法，包括：

实时获取驾驶员的面部图像；

对所述面部图像进行处理，实时提取驾驶员的人脸区域，并根据所述人脸区域分割出驾驶员的眼部图像和嘴部图像；

对所述面部图像进行处理，实时获取所述面部图像内驾驶员的头部位置信息；

将所述眼部图像、所述嘴部图像以及所述头部位置信息分别输入到对应训练好的分类器中，确定驾驶员的眼部分类结果、嘴部分类结果以及头部分类结果；所述眼部分类结果包括眼部睁开图像和眼部闭合图像，所述嘴部分类结果包括嘴部张开图像和嘴部闭合图像，所述头部分类结果包括头部下降图像和头部上升图像；

对连续多帧面部图像的眼部分类结果、嘴部分类结果以及头部分类结果进行疲劳特征提取，并根据提取的疲劳特征确定驾驶员的疲劳程度；所述疲劳特征包括闭眼频率、打哈欠频率以及点头频率。

可选的，所述疲劳驾驶检测方法还包括：

当驾驶员的疲劳程度为疲劳驾驶时，通过外界设备对驾驶员进行提醒并警示周围行人与车辆；所述外界设备包括语音提示设备、地图导航设备以及车顶灯。

可选的，所述对所述面部图像进行处理，实时提取驾驶员的人脸区域，并根据所述人脸区域分割出驾驶员的眼部图像和嘴部图像，具体包括：

调用dlib库内的人脸检测器对所述面部图像进行检测，实时提取驾驶员的人脸区域并标注眼部特征点和嘴部特征点；

根据所述眼部特征点的位置信息和所述嘴部特征点的位置信息，在所述人脸区域内分割出驾驶员的眼部图像和嘴部图像。

可选的，所述将所述眼部图像、所述嘴部图像以及所述头部位置信息分别输入到对应训练好的分类器中，确定驾驶员的眼部分类结果、嘴部分类结果以及头部分类结果，具体包括：