[发明专利]一种智能车载盒子及驾驶疲劳监测方法

说明书

本发明提供一种智能车载盒子及驾驶疲劳监测方法，利用智能车载盒子上的摄像头采集驾驶员的图像，对图像进行分析处理提取人脸特征中用于表征疲劳程度的关键特征评估驾驶员疲劳等级。表征疲劳程度的关键特征包括:眼睛闭合频率和眼睛眨眼频率，嘴部关键特征包括嘴巴的闭合频率。本发明提供的技术方案中包括精准地从不同帧的图像的多个人脸中捕捉到驾驶员的人脸并提取关键特征，在保证实时性监测的同时能够降低疲劳监测的误判率。

技术领域

本发明涉及汽车安全驾驶，尤其涉及一种智能车载盒子及驾驶疲劳监测方法。

背景技术

交通事故是发生事故的最重要因素之一，尤其是在乡村道路上和高速公路上，疲劳会降低驾驶员的感知能力和控制车辆的决策能力。研究表明，驾驶员通常在驾驶1小时后就会感到疲劳。在单车碰撞(只有一辆车受损的事故)或涉及重型车辆的碰撞中，高达50％的事故与驾驶员的警惕性不足有关。现阶段，较多的疲劳检测技术被应用到汽车上进行监测，但是经过申请人的研究发现，疲劳检测系统都是采用装载于车辆上中控主机或车载娱乐主机来进行。这无疑将消耗中控主机或车载娱乐主机的资源，势必会增加主机的符合。不同车型都有高配，车辆硬件配置不一样，不一定能够具备用于疲劳检测的算力和硬件条件，导致驾驶员存在需求由于硬件或系统不支持而无法安装。另外，目前的基于图像处理的驾驶行为监测技术主要通过图像处理和传统机器学习的方法提取车载摄像头采集的驾驶员面部特征或身体姿态特征来监测驾驶员的驾驶行为的硬件配置较为简单，仅需要摄像头和处理器即可实现。但是现有基于图像的驾驶员疲劳驾驶在获取驾驶员面部信息时，会受到复杂光照条件等外部环境的影响以及判断时仅是简单阈值进行判断，会导致准确度偏低。

发明内容

基于现有技术中存在的缺陷，本发明提供一种智能车载盒子的驾驶疲劳监测方法，至少包括：

通过装载于智能车载盒子上的摄像头采集图像，对图像进行第一数据分析处理获取被监测人员的人脸特征；提取人脸特征中用于表征疲劳程度的关键特征；根据疲劳程度的关键特征评估被监测的人员疲劳等级；

其中，表征疲劳程度的关键特征包括：眼晴闭合频率η和眼睛眨眼频率嘴巴的闭合频率mo；

将每帧图像中的mo，η组成训练数据集，利用支撑向量机或逻辑回归进行训练获取训练后的分类模型；

利用训练后的分类模型对新的图像进行分类识别，获取被监测人员的疲劳程度；

统计连续N_L帧图像，将每帧图像的眼睛闭眼系数Leye_c、Leye_o眼睛眨眼系数、嘴巴状态特征系数Lmo存储于循环列表中，采用先进先出的机制，当循环列表空间存储满时，旧的数据将被新数据替换。

在N_L帧图像中，眼睛闭合频率η的计算公式为：

眼睛眨眼频率的计算公式为

其中，i表示第i帧图像，眼睛闭眼系数Leye_c、Leye_o眼睛眨眼系数；

眼睛眨眼系数Leye_o分别以+1和-1表示闭眼事件的开始帧和停止帧，其它条件Leye_o＝0；

眼睛眨眼系数Leye_o的计算公式为：

人脸特征中用于表征疲劳程度的关键特征包括：嘴巴状态特征系数Lmo，

当嘴巴张开，Lmo＝1，当嘴巴闭合Lmo＝0；

统计连续N_L帧图像，将每帧图像的Lmo存储于循环列表中，采用先进先出的机制，当循环列表空间存储满时，旧的数据将被新数据替换；

则嘴巴的闭合频率定义为：