基于无线多模态信号采集的驾驶员疲劳监测系统设计研究

目的:设计基于无线多模态信号采集的驾驶员疲劳监测系统,用于驾驶员疲劳评价和体征监测,以确保驾驶员的交通安全。方法:针对采集单人、单一模态数据,对不同场景的适应性不足等问题,设计基于无线多模态信号采集的驾驶员疲劳监测系统,系统通过摄像头记录驾驶员的面部状态,结合眼睑闭合度进行预评价,利用无线通信控制多个自行研制的电生理信号采集设备,实时采集驾驶员的脑电、心电及眼电信号。通过巴特沃斯低通滤波器和小波变换减少电生理信号中的伪迹和干扰,利用非线性变换提取脑电信号三频段差分熵特征、差分法提取心电中的心率特征,对驾驶员体征和疲劳状态进行实时监测、分析和可视化。结果:通过共模抑制比、输入噪声和信号完整性测试验证,驾驶员疲劳监测系统能够满足脑电、心电的医学采集标准;多人、多通道数据采集实时性误差<62.5 ppm;基于三频带非线性特征计算的疲劳程度与主观评价相关性达到89.1%,相较于双频带线性特征的相关性提升了14.2%。结论:基于无线多模态信号采集的驾驶员疲劳监测系统可实时采集驾驶员的多模体征,有效检测其疲劳和监测心率,对确保驾驶员交通安全具有重要意义和应用价值。

基于面部特征分析的疲劳驾驶检测方法

为避免疲劳驾驶,通过提取面部疲劳特征参数的方法研究了驾驶员疲劳检测技术。对SSD(single shot multi box detector)目标检测算法及连续自适应均值漂移跟踪算法(continuously adaptive MeanShift,CamShift)进行优化,以检测人脸区域。利用特征点定位提取面部疲劳特征参数,并基于眼睛闭合时间百分比(percentage of eyelid closure over the pupil over time,PERCLOS)设定疲劳阈值和疲劳检测策略。在实车样本集上进行试验,结果表明:优化的人脸区域定位方法对光线变化、类肤色干扰的鲁棒性更强;所提取的疲劳特征参数能有效反映驾驶员疲劳状态,平均识别准确率达到了92.2%。改进后的算法系统在基于视觉特征的疲劳驾驶检测技术中达到了较高水平,对于预防交通安全事故具有重大意义。

基于眼部自商图—梯度图共生矩阵的疲劳驾驶检测

目的疲劳驾驶是引发车辆交通事故的主要原因之一,针对现有方法在驾驶员面部遮挡情况下对眼睛状态识别效果不佳的问题,提出了一种基于自商图—梯度图共生矩阵的驾驶员眼部疲劳检测方法。方法利用以残差网络(residual network,Res Net)为前置网络的SSD(single shot multibox detector)人脸检测器来获取视频中的有效人脸区域,并通过人脸关键点检测算法分割出眼睛局部区域图像;建立驾驶员眼部的自商图与梯度图共生矩阵模型,分析共生矩阵的数字统计特征,选取效果较好的特征用以判定人眼的开闭状态;结合眼睛闭合时间百分比(percentage of eyelid closure,PERCLOS)与最长闭眼持续时间(maximum closing duration,MCD)两个疲劳指标来判别驾驶员的疲劳状态。结果在六自由度汽车性能虚拟仿真实验平台上模拟汽车驾驶,采集并分析驾驶员面部视频,本文方法能够有效识别驾驶员面部遮挡时眼睛的开闭状态,准确率高达99.12%,面部未遮挡时的识别精度为98.73%,算法处理视频的速度约为32帧/s。对比方法 1采用方向梯度直方图特征与支持向量机分类器相结合的人脸检测算法,并以眼睛纵横比判定开闭眼状态,在面部遮挡时识别较弱;以卷积神经网络(convolutional neural network,CNN)判别眼睛状态的对比方法 2虽然在面部遮挡情况下的准确率高达98.02%,但眨眼检测准确率效果不佳。结论基于自商图—梯度图共生矩阵的疲劳检测方法能够有效识别面部遮挡时眼睛的开闭情况和驾驶员的疲劳状态,具有较快的检测速度与较高的准确率。