【基于人脸图像数据监测的汽车驾驶疲劳检测方法探析13000字（论文）】

基于人脸图像数据监测的汽车驾驶疲劳检测方法研究目录TOC\o"1-2"\h\u151901绪论 133251.1研究背景 1203691.2研究目的及意义 2310841.3驾驶员疲劳检测系统国内外研究现状 278132智能汽车疲劳驾驶检测系统组成 484282.1智能汽车疲劳驾驶检测系统 4306152.2图像采集与预处理 42932.3人脸检测和人眼定位 515942.4疲劳判定预警 5292923图像的预处理检测方法研究 5229053.1图像的灰度化 519423.2直方图均衡化 5248033.3图像的滤波去噪 6168363.4图像的二值化 9209154人脸检测和人眼定位检测方法研究 9244124.1HSV模型肤色分割人脸检测 9159854.2灰度积分投影人眼定位 1019714.3Adaboost结合Haar特征人脸检测 12154534.4驾驶员疲劳检测系统的仿真 17248985总结与展望 2034205.1总结 20200635.2展望 2114927参考文献 211绪论1.1研究背景自中国实施改革开放政策以来，经历了长达半个世界的汽车发展史，现如今，我国在交通运输产业上获得了十分显著的成就。截止到2018年年底，我国高速公路总线路长度已经排列到世界首位。结合我国“十四五”规划的目标内容，接下来的主要工作是确保高速公路投资趋势呈现快速稳定增长态势。计划到2025年，我国高速公路的建设将在现有基础上增长37%，达到近4.6万公里的里程数。到那个时候，全国高速公路将突破16.9万公里的总里程。近年来，我国汽车的保有量呈逐渐上升的趋势，截至2021年底，全国的汽车保有量已达到3.95亿辆。高速公路虽然让出行变得更加方便快捷，但因为汽车保有量的持续增长，使得行经高速公路的车辆不断增多，这也导致了交通安全隐患的逐步显现，我国也因此付出了昂贵的经济代价。根据中华人民共和国公安部相关统计数据，截止2021年底，我国累计发生高速公路交通事故多达9583件，其中事故导致人员死亡达到了6448人，受伤人数达到了13007人，引发的直接经济损失高达34486.24万元。而造成这一问题的原因，主要是因为驾驶人员因疲劳驾驶而出现控制能力下降、驾驶途中闭眼、反应时间变慢以及头脑昏沉等问题，最后导致完全失去对汽车的控制能力，在此种情况下十分容易导致交通事故的产生。故而，针对驾驶人员疲劳驾驶状态进行判别和研究，能够在一定程度上降低发生交通事故的概率和风险。而本文将据此展开论述。1.2研究目的及意义1.2.1研究目的随着社会经济的不断发展，汽车也越来越多，智能出行也越来越受到社会上的关注。驾驶员的疲劳驾驶会对自己和道路中的安全造成大量的损失。智能汽车疲劳驾驶检测系统对驾驶员的状态起着提醒作用、提高驾驶员的安全。在检测到驾驶员进入疲劳状态时，智能汽车疲劳驾驶检测系统会对驾驶员发出提醒，极大的保护了驾驶员的安全。智能汽车疲劳驾驶检测系统、对道路中的交通安全具有重要的作用，据此，本文将对汽车驾驶疲劳的综合检测方法展开研究。1.2.2研究意义在理论意义上，希望本文提出的检测方法可以为当下的研究现状进行一定的补充，在现实意义上可以实现对驾驶员的精神状态进行判定，从而保证我国道路交通安全的健康发展。1.3驾驶员疲劳检测系统国内外研究现状1.3.1国外研究现状早在20世纪90年代，美国研究人员已经开始研究汽车驾驶与安全方面的联系问题。相较于美国，我国国内的驾驶员疲劳检测系统的研究工作开展的较晚。日本先锋公司研制出了一款从人体生理出发进行检测的系统，系统通过检测驾驶员的心跳速度来判断疲劳状态。深圳长途汽车公司的周鹏分析了驾驶员疲劳事故隐患的原因，他研究出了佩戴于司机小腿部与手腕部的“司机疲劳事故预防器”。张明明在2016年通过对驾驶员在行驶过程中对方向盘的握力大小改变进行记录，建立了BP神经网络的疲劳预测模型。卡内基梅隆大学于2001年提出利用近红外摄像头来采集两幅人脸图像，之后对两幅图像进行差分操作可得到瞳孔区域，在得到瞳孔区域后，使用PERCLOS来判断驾驶者是否疲劳。郑培、周一鸣构建了基于PERCLOS检测系统。该系统通过对动态人脸检测并实现对人眼状态的判断实现测评。最早的疲劳驾驶检测技术研究是从医学领域开始的，针对于获得人体的生理指标进行疲劳判断。这一疲劳检测系统在驾驶员的头部、脖子和手腕等地方放置电极片，对人的脑电波、脉搏、心率等做出检测，通过观察这些数值的变化程度来判断人是否疲劳。随着电子技术在汽车上的高速发展，研究人员研究出了针对于车辆的方向盘转角度数、踏板操作等外部环境检测进行疲劳判别。由于近年来的计算机科学技术的快速发展，针对于机器视觉特征原理进行疲劳判别的方式也被使用的越来越多。基于机器视觉特征原理的检测方法不需要放置的许多装置对驾驶员造成驾驶影响，并且具有高效性，检测的准确率较高的特点。从智能汽车疲劳驾驶检测系统的发展进程来看，基于人的生理指标的接触式检测装置，具有高效性和准确性，但是此装置会在驾驶员身上放置设备，这会对驾驶员造成驾驶影响，所以在市场中很难得到应用。与接触式的检测装置相比较，非接触的基于视觉原理的检测装置的实用性更高一些，随着计算机行业的快速发展，图像采集的驾驶员疲劳检测技术也在快速的提高，这类装置的成本较低，检测性较好，已经成为了未来检测装置的主导者。1.3.2国内研究现状相比国外在关于疲劳驾驶方面的检测研究状况来看，由于前期社会经济及各项技术的落后，我国在驾驶员疲劳状态检测方面的研究起步比较晚，但通过研究人员近年来的努力，也取得了一定的成果。上海交通大学通过研究，研究开发出借助驾驶人员在驾驶过程中对于踏板和方向盘的使用频率来针对人员疲劳状态进行分析判断的方法，假如驾驶人员在特定时间范围里面没有控制方向盘，或者操作幅度超过15度情况下，则可以说明此驾驶人员当前处于疲劳驾驶状态。胡铁红等人发表的研究论文，以驾驶人员操作方向盘的转向规律为基础开展分析，同时借助小波包分解的方式获取对应能谱熵，在不同情况下针对能谱差异来进行分析对比，并以此作为判断驾驶员疲劳与否的依据，吉林大学在嘴巴和眼睛活动状态基础上研究开发出了一种驾驶疲劳监控系统，同时在面部视觉信息基础上构建了精神分散量化评估模型，同时将其和汽车安全检测距离限定准则进行了结合，最终获得了较好的检测效果。东北大学研究人员张弛电脉搏信号、脑电图以及肌电图等信号进行记录，并且提出了一种通过检测不同熵值的方式来针对驾驶人员疲劳状态进行识别和检测。数据显示，近年发生在高速公路的交通事故，因为疲劳驾驶交通违法引发的数量，呈明显上升的趋势，因此，关于疲劳检测相关方法的研究工作逐渐成为现阶段的关注热点话题，即便当前国内关于此方面的研究获得了一定水平和成绩，然而在技术实践应用方面依旧存在不成熟的情况，故而，本文主要针对疲劳驾驶人员状态开展实时检测有着非常重要的社会意义及经济价值。2智能汽车疲劳驾驶检测系统组成2.1智能汽车疲劳驾驶检测系统人的疲劳是一种相对复杂，且涉及到生理和心理的综合现象，在人类进行各种活动的过程中一旦承受了生理或心理的负荷就会产生疲劳的积累，或是在疲劳的影响下，一部分的身体组织器官可能会无法维持最佳的身体表现，甚至可能发展为注意力涣散和嗜睡等症状。而疲劳驾驶最直接的体现上，就是司机会因疲劳而出现不同程度地症状，从而对交通安全造成无法估量的影响。一般而言，从感观上大致可以将疲劳分为视觉疲劳、听觉疲劳、嗅觉疲劳和触觉疲劳，从疲劳产生影响的周期又可以将疲劳分为突发性疲劳和慢性疲劳，其中急性疲劳可以在一定时间的休息之后得到补偿，而慢性疲劳综合征（CFS）则不一定受到一般疲劳补偿机制的影响，并且在一定时间内不具有可逆性。而智能汽车疲劳驾驶检测系统，则可以针对以上理论依据对驾驶者的眼状态进行识别，并开展计算分析，达到有效识别驾驶人员疲劳状态的目的。2.2图像采集与预处理在数字图像的存储、创造以及数据传输的时，往往会存在诸多因素阐述影响和干扰情况，进而引发图像信息丢失和数据失真的情况，这也在很大程度上将导致驾驶人员疲劳检测准确性产生影响。通常情况下，图像预处理主要借助一系列算法来针对图像采集过程里面存在的噪声予以消除，并且在去噪的时候获取最大程度还原。借助预处理的方式能够降低因为光照以及噪声带来的干扰和影响，在确保图像处理速度得到提升的情况下确保实时性，并且能够提升疲劳检测准确性。在本章节里面，我们主要针对光照补偿以及图像去噪两个不同类型方法展开说明，进而在根据分析结果来针对本文选择处理机制进行介绍。该检测系统，是借助中值滤波的方式针对图像去噪，并以此为基础通过直方图均衡化，以及参考白相结合的方法对光照进行的补偿，在实际应用中可以有效增强图像的对比度和亮度，为后续有效处理图像奠定基础。2.3人脸检测和人眼定位在完成了上述的图像采集与预处理以后，脸检测和人眼定位技术，是通过借助YCBCr色彩空间分割肤色，并基于OSTU算法来来针对图像进行的二值化处理操作，同时需要在此基础上提出空间位置和形态学联合的方式进行先验，最终将驾驶人员眼部检测区域限定到人脸位置。2.4疲劳判定预警关于疲劳的判定预警，本文就以山区高速公路的疲劳驾驶特征为例，其在人眼状态有效识别的前提下，为提高疲劳检测的精确度，提出基于PERCLOS准则与眨眼频率相融合的判定机制，通过实验验证分析，进而达到准确检测驾驶人员疲劳状态的目的。3图像的预处理检测方法研究3.1图像的灰度化重要理论依据在于人处于睁眼状态下，假如没有将瞳孔遮挡的情况下灰度图水平投影区域将出现峰值，且宽度很大，具体参见下图（a）；假如处于闭眼状态，那么对应位置宽度将逐渐变窄，具体参见下图（b）。然而，光照对于此方法的影响十分显著，同时具有的抗干扰性十分明显。对于此方法需要开展预处理，同时步骤较为繁琐。3.2直方图均衡化直方图均衡化的实质，即对图像进行非线性变换拉伸处理。直观来说，就是将图像的象元值进行一个重新分配，通过这个过程，最终能够得到一定灰度范围内数量大致相等的象元值。相比原始图像而言，针对图像进行直方图均衡化处理以后，在对比度方面有了提升，进而能够使得亮度在直方图上面高亮度的分布，当现实图像本身特定区域对比度提升的过程中，不会导致整体对比度出现失衡情况。从通俗层面而言，便是针对原始图像灰度直方图予以改变，进而获得灰度分布更加均匀的方式，在针对灰度范围进一步扩大的时候，进一步提升对于图像增强需求。然而，因为借助直方图均衡化改变的是灰度，并非针对RGB图像进行了改变，假如针对RGB图像进行直接改变则容易产生奇异点。那么，针对RGB空间色彩图像语义变换则显得十分有必要。3.3图像的滤波去噪关于图像的滤波去噪，是一个较为系统且繁琐的过程，本文首先针对驾驶人员眼睛特征进行提取，并以此来判断驾驶人员当前是否处于疲劳状态，如若图像噪声过多将导致检测结果产生负面影响，故而需要予以消除。一般的图像去噪方法主要借助滤波去噪的方式来实现，以此凸显出特征信号的权重，并达到去除噪声干扰的目的。图像去噪方法有很多，现阶段，应用较为普遍的方法包含维纳滤波、均值滤波、基于小波变换阈值以及中值滤波等方式。首先，是均值滤波。均值滤波作为一种典型的线性滤波算法，主要是通过邻域平均法来实现对图像噪声的去除。它的主要工作原理便是针对原始图像进行处理，提供目标像素一个包含邻近若干像素值组成的模板，进而将模板里面相邻区域像素值进行均值化处理，并以此替代原像素里面的值。（2-1）上述公式里面M代表的是模板里面包含的像素个数总和。具体参见下图2-1内容，左侧图呈现的是像素（x，y）相邻区域像素，右侧图呈现的是权系数矩阵模板S。那么便能够得到这样有一个公式，即g（x，y）=（f（x-1，y-1）+f（x，y-1）+f（x+1，y-1）+f（x-1，y）+f（x，y）+f（x+1，y）+f（x-1，y+1）+f（x，y+1）+f（x+1，y+1））/9。图3-STYLEREF1\s1像素（x，y）八邻域及模板从中能够发现，借助均值滤波的方式即便能够针对噪声予以去除，但也存在明显的缺点，图像的细节得不到很好地保护。在使用均值滤波处理图像的过程中，对于大多数原始图像而言，里面的细节部分同样会被破坏，进而导致经过处理的图像存在模糊不清的问题，这对于后续提取图像特征是存在负面影响的。那么，在本文里面，我们不会选择此种方式来针对图像去噪。其次，是维纳滤波。针对这一环节而言，维纳滤波是一种线性滤波，也即是完成滤波以后的图像g（x，y）同原始图像f（x，y）之间构成的均方差，即确保e（x，y）=E|f（x，y）-g（x，y）|2处于最小值。因此，此种滤波方式可以表示成为：（2-2）其中，这里Pn（u，v）=|N（u，v）|2为噪声图像对应的功率谱，Pf（u，v）=|F（u，v）|2表示与原始图像相对应的功率谱，H（u，v）是退化函数，G（u，v）代表的是针对退化图像对应的傅里叶变换。考虑到维纳滤波平滑效果主要会因为图像局部方差而产生影响，进而呈现如下规律特点。当局部方差较大的时候，此时滤波器对应平滑效果则显得相对强烈。由此可见，这有利于保留数字图像高频分量以及边缘信息。针对此方面而言，相比均值滤波存在优势。但该方法也存在对功率谱的估计难度大、计算量大的缺点，对于图像噪声中非平稳随机信号不能有效过滤，因此，本文不选择维纳滤波对图像进行去噪处理。最后，是小波阈值。法国科学家Grossman和Morlet等人在上世纪八十年代提出了小波分析，此种法分析方法是以小波变换阈值最为基础的分析理论。这种方法与我们熟知的傅里叶变换基本原理非常相似，它可以有效克服频率变化时窗口大小保持不变的缺点，从这一点来说，该方法优于傅里叶变换。这让它适用于多尺度细化分析输入的图像信号，通过采用平移运算及尺度变换的方法，就能够有效地克服傅里叶变换无法处理的一些技术问题。该方法可以有效分离不同尺度下的噪声和图像的边缘信息，是一种多尺度、多分辨率的分解方法。在开展小波分析以后，此时数字图像本身信号对应的小波系数幅度相比噪声要明显大一些，故而，我们便可以借助小波阈值来针对图像噪声进行处理。然而，针对小波阈值效果而言，在很大程度上需要以来阈值选择方面，故而需要增设一个环节，即指的是借助阈值来分解小波以后，产生的各层高频系数予以处理，完成此步骤后再针对去噪后的图像进行重构。故而，针对阈值的选取再很大程度上决定了图像去噪效果。假如阈值过高，那么即便噪声得以消除，但是对于图像本身的边缘信息将会遭受损坏。故而，在本文里面，我们不会选择此种方式来针对图像去噪。此外，对于中值滤波而言，此种图像处理机制属于非线性的。其基本原理为：先将图像局部范围内的区域按灰度大小排列，再对图像中每一像素点的灰度值进行设置，将其替换为该点邻近区域内的所有像素点灰度值的中值，进而达到对图像去噪处理的效果。则有：（2-3）上述式子里面f（x，y）指的是原始图像，M（x，y）指的是处理后图像，S代表的是二维模板。目标像素权系数矩阵模板邻域参见下图2-2内容。（2-4）图3-2像素（x，y）八邻域及模板对于中值滤波一方面能够针对噪声起到抑制作用，同时后处理画面效果相对清晰，此外，在针对图像噪声进行去除的时候能够保留图像边缘信息，因此在本文里面，我们选择的图像去噪处理方式为中值滤波。3.4图像的二值化在基于人脸定位技术上，可以通过高斯肤色模型获取每个像素点对应肤色相似度，并在接下来的步骤便针对人脸展开定位。具体设计流程，一般是先借助OSTU算法来开展二值化分割处理，进而将获取的二值化图像对应联通区域开展形态学研究分析，针对每个不同区域面积信息以及长宽比进行计算，同时借助空间位置来真的对人脸定位进行优化。而其中的自适应二值化，旨在图像里面讲目标肤色区域予以准确提取，我们则现需要选择合理阈值来开展分割。4人脸检测和人眼定位检测方法研究4.1HSV模型肤色分割人脸检测肤色作为人体面部最为明显的特征之一，表情的变化及姿势的调整对它的影响不大，所以其具有一定的稳定性，在人的面部检测方面有较大的发展潜力。但是，肤色特征的体现受光照亮度的影响很大，故而色彩空间的选择合理与否则变得十分关键，它能够在很大程度上降低光照亮度产生的影响。经过参考发现，关于人脸肤色模型一般包含RGB色彩空间、HSV色彩空间，以及YCbCr色彩空间。本文主要探讨的是其中的HSV模型。HSV色彩空间，能够在很大程度上针对人眼颜色直观特性进行反映，是一种“所见即所得”的显示模式。也就是说HSV模型在颜色分量的取值上，其与所生成的颜色之间有着很直观的联系，这也是创建HSV模型的主要原因。一般而言，亮度（Value）、饱和度（Saturation）以及色调度（Hue）是表示该色彩空间的三个参数。其中，亮度是人眼感觉得到的颜色的明暗程度，色调度指光的颜色在物体上反射的程度，而饱和度则指颜色的纯度，这种色彩空间较多用于艺术创作领域，它直观的反映了人类观察颜色的方式。我们现在所看到的HSV色彩空间三维模型，是经过演化后的RGB色彩空间立方体三维模型，它直观体现为一个规则的六角锥体形状三维模型。如下图所示，该三维模型的各个边界表示了颜色的位置。其中，水平轴体现颜色的纯度，垂直轴则用来体现亮度。考虑到此色彩空间能够把亮度和其他分量予以有效分里，故而在抗光照干扰性方面相对有优势。图3-3HSV色彩空间模型从RGB朝着HSV色彩空间进行转变本质上属于非线性转换方式，可以借助如下公式来进行表达：（3-3）（3-4）（3-5）在上式中，函数的最大值和最小值分别由max和min来表示，在经过转换以后，HSV色彩空间的信息结构将变得更加紧凑，一方面可以将目标信息予以分离以外，同时在抗光照方面性能得以提升。鉴于此效果需要由RGB色彩空间经过非线性转换方能实现，进而提升的计算复杂程度，最终的检测速度也显著降低。除此之外，在此空间里面样本肤色聚集度也相对较低。4.2灰度积分投影人眼定位在关于人眼定位的研究上，本文主要借助由粗到细的方式定位人眼，首要步骤便是借助灰度积分投影的方式寻找到人体眼部的大致区域范围，进而在椭圆拟合基础上针对人眼位置进行精确定位。此种方法主要针对人眼大致区域范围进行检测，借助人脸投影分布图的原理来进行目标区域范围的获取。考虑到人体面部各个区域器官对应范围亮度相比其他位置要低一些，如若针对人脸开展积分投影，那么最终获得的结果是人体面部投影积分属于极小值，故而能够借助此种方式来确定面部器官的水平方向位置及之间的垂直距离，但这需要建立一个判断准则。眼睛所在的区域可由脸宽、水平方向位置和垂直方向距离来确定。对于人脸特征分布以及简单背景部分，此种方法的检测结果十分有效，然而在进行检测的时候，往往会因为眼部周围饰物、眉毛以及眼镜等因素的影响，导致该方法鲁棒性较差，故而限制了其应用范围。下图内容属于直接投影图，每个投影均和一个极小值对应，人体面部主要器官垂直方向的位置，基本可由灰度积分投影图反应出来。其中，眼睛的位置为由高到低的第一个极小值，另外嘴巴对应位置从低到高对应第一个极小值，鼻子位置处于中间极大值部分。考虑到人体面部投影相比其他区域要更深，故而，面部器官投影图像灰度通常属于极小值。图4-5直接投影此外，边缘图相比人脸灰度图像对比而言，更能凸显人脸部器官。故而在本文里面，我们主要借助边缘投影的方式针对人眼睛进行定位，对于此种方法具有的抗背景干扰性十分显著。我们在开始边缘检测以后，大部分背景均能够消除，剩余部分便是投影，对人脸结果进行更好的呈现和区分。考虑人体面部不同区域对应颜色需要有所差异，使用直接投影的方法会导致颜色之间差异引发面部差别。故而需要针对边缘进行检测，以消除人脸部区域以外的大部分内容。边缘积分投影参见下图内容。考虑到边缘图像里面人体脸部相比其他区域的亮度更高，那么其对应积分属于极大值。根据下图4-5和图4-6内容对比能够发现，边缘投影能够在很大程度上将各个位置器官予以凸显出来。图4-6边缘投影借助不同的方法来针对边缘位置进行检测的具体结果参见下图4-7。图（a）代表的是借助Roberts方法获取的检测结果，图（b）显示了通过Sobel方法得出的边缘检测效果，图（c）显示了通过Laplace方法得出的边缘检测效果，图（d）显示了通过Prewitt方法得出的边缘检测效果，图（e）显示了通过Kirsch方法得出的边缘检测效果，图（f）显示了通过Canny方法得出的边缘检测效果。图4-7几种边缘检测算子检测效果4.3Adaboost结合Haar特征人脸检测4.3.1Haar特征关于Haar特征的最早研究，可以追溯至美国2002年的MIT生物与计算学习中心，其中以学者Constantine等人为代表，首次提出了一种用于杂乱场景静态图像目标检测的通用训练框架。并通过垂直特征、水平特征、对角特征进行图像处理，从而在放大到一定的比例后得到想要的结果。随着时间的推移，这一特征研究受到了RainerLienhart的关注，并对其进行了完善与升级，最终发展至如今较为常见的边缘特征、线性特征、中心和对角线特征组合成特征模板。图4-8几种Haar特征模板由上图可见，这些Haar特征在待检测图像中的位置和尺寸可以变化，经过变化产生的特征定义为矩形特征，并用白色区域所覆盖的图像像素和减去黑色区域所覆盖图像中的像素和，最终得到了以下的结果。图4-9Haar特征在图像中演示4.3.2Haar特征值计算一般而言，Haar特征值主要由当前Haar特征模板、模板中矩形所在的位置，以及矩形模板的尺寸等三个因素所决定。本文基于当下学术上关于Haar特征值计算的研究，针对这些通过放大+平移的获得的子特征进行验算，其过程如下：假设检测窗口大小为W*H，矩形特征大小为w*h，X和Y为表示矩形特征在水平和垂直方向的能放大的最大比例系数：则总共可以获得的子特征数目为：其中，特征框竖直放大1倍，即无放大，竖直方向有（H-h+1）个特征；特征框竖直放大2倍，竖直方向有（H-2h+1）个特征；；特征框竖直放大3倍，竖直方向有（H-3h+1）个特征。按照以上的计算方式，一直到竖直放大Y=floor（H/h）倍时，那么其竖直方向则有1个特征，即（H-Y*h+1）那么竖直方向总共有（H-h+1）+（H-2h+1）+（H-3h+1）+……+（H-Y*h+1）=Y[H+1-h（1+Y）/2]个特征。同理，在水平方向共有（W-w+1）+（W-2w+1）+（W-3w+1）+……+（W-X*w+1）=X[W+1-w（1+X）/2]。以上就是关于Haar特征值的计算方式。4.3.3Adaboost算法Adaboost（AdaptiveBoosting）也即增强学习或提升法，是一种重要的集成学习技术，能够将预测精度仅比随机猜度略高的弱学习器增强为预测精度高的强学习器，最早由YoavFreund和RobertSchapire于1995年提出。其算法经整理后，大致可以分为以下三个步骤：首先，是初始化训练数据的权值分布D1。假设有N个训练样本数据，则每一个训练样本最开始时，都被赋予相同的权值：w1=1/N。其次，是训练弱分类器hi。具体训练过程中是：如果某个训练样本点，被弱分类器hi准确地分类，那么在构造下一个训练集中，它对应的权值要减小；相反，如果某个训练样本点被错误分类，那么它的权值就应该增大。权值更新过的样本集被用于训练下一个分类器，整个训练过程如此迭代地进行下去。最后，是将各个训练得到的弱分类器组合成一个强分类器。各个弱分类器的训练过程结束后，加大分类误差率小的弱分类器的权重，使其在最终的分类函数中起着较大的决定作用，而降低分类误差率大的弱分类器的权重，使其在最终的分类函数中起着较小的决定作用。而关于Adaboost算法在具体的应用展示过程中，则是通过对其进行训练数据集的给定：（x1，y1），（x2，y2）···（xn，yn），其中yi属于{1，-1}用于表示训练样本的类别标签，i=1，...，N。其目的，是为了可以从训练的数据中学习一系列弱分类器或基本分类器，然后将这些弱分类器组合成一个强分类器，具体流程如下：第一步，是初始化训练数据的权值分布，并且每个训练样本初始都会被赋予相同的权值，其中wi=1/N，便得出了训练样本集的初始权值分布D1（i）：第二步，是进行迭代t=1，...，T。首先，是选取一个当前误差率较低的弱分类器h作为第t个基本分类器Ht，并导出以下公式，该Dt误差表示如下：其次，是计算该弱分类器在最终结果中的权重，其中弱分类器权重用α表示：最后，得出以下更新训练样本的权值分布Dt+1：其中，Zt为归一常数。第三步，是按照弱分类器权重αt进行各弱分类器的组合，最终得出：基于以上的Adaboost算法思路，本文最终得到了一个强分类器，并用sign进行表示，具体如下：4.3.4人脸特征点匹配首先，是眨眼频率。众所周知，眼睛睁开—完全闭合—再睁开，就是一次眨眼的全过程。据统计，正常情况下人类每2至4秒眨一次眼，每次持续的时间大概0.3秒，平均每分钟眨16次眼。在驾驶车辆过程中，如若驾驶人员存在走神情况，则会出现眨眼，通常此种状态下驾驶人员眨眼频率相比正常水平要低。此外，假如驾驶人员存在疲劳驾驶的情况，通常会借助多次眨眼的方式摆脱疲劳，此状态的驾驶员的眨眼频率通常会高于正常状态或者低于正常状态。针对驾驶人员处于疲劳状态下的眨眼频率进行统计，同时设定特定合理的眨眼频率阈值区间，如果检测得到的驾驶人员眨眼频率高于或者低于此频率则判定成为疲劳状态。其次，是眨眼持续平均时间。人处于疲劳状态时，眨眼持续的时间就会增长，相比正常状态下，持续眨眼的时间要长0.3秒左右。针对眨眼持续时间阈值进行设定，并以此作为判断驾驶人员是否处于疲劳状态进行判断。如若因为外界环境导致，可能存在眨眼时间变长的可能。此种方法鲁棒性较差。此外，是平均眼睛闭合速率。针对特定时间区间范围内，人由睁眼到闭眼所需要的平均时间代表着平均眨眼闭合速率。当处于正常状态下，眨眼闭眼时间大概半秒钟，假如超过此值可以判定驾驶员处于疲劳状态。对于此种方法主要以瞳孔面积为判断依据，当处于眼睛闭合状态下，对应面积应该最小。再次，是PERCLOS准则。PERCLOS指眼睛闭合程度超过某一阈值的时间，在闭合总时间中的百分比，能体现一定时间内眼睛的闭合程度，是目前驾驶员疲劳检测的一种主流判别方法。如若人处于疲劳状态下，眨眼过程需要的时间将被延长，通过此时间的长短能够体现出驾驶人员当前疲劳状态程度。故而可以针对驾驶人员闭眼方式方式进行统计，进而以此来判断人员疲劳状态。PERCLOS可以表征为：当人处于眨眼状态下，其中人闭眼时间占据的比例大小。现如今，PERCLOS主要包含三种标准来针对人员疲劳状态进行判断，分别为EM、P70及P80。其中的EM，指的是当人眼球面积被遮盖面积超过50%比例情况下，判定驾驶员处于疲劳状态。而P70，则是指如若人眼球被遮住的比例超过70%情况下则判定人员处于眼睛闭合状态。另外，P80表示，如若人眼球被遮住的比例超过80%情况下则判定人员处于眼睛闭合状态。最终介于上述标准内容，本文得出针对某段时间内人眼闭合时间进行统计，可以以此来计算所占闭合总时间的百分比，并据此借助其标准来判断驾驶员的疲劳状态。通过相关学术实践验证，PERCLOS准则在应用中具有良好的非接触性、实时性和准确性等优点，用来进行驾驶疲劳判断效果明显。但是驾驶员为摆脱疲劳状态，可能会将眼睛用力睁开，并持续一段时间。在此状态下，PERCLOS值通常相小，假如借助此标准来真能对人疲劳状态进行识别则很大程度上可能判定成为清醒状态，故而存在误判的可能。最后，是瞳孔尺寸。以瞳孔变化来展开检测，此种方式最早是针对醉酒驾驶进行检测，如若人眼当前处于半闭合的情况下，其瞳孔对应水平直径和垂直直径之间的比值能够用来对驾驶员的疲劳状态进行一个快速判定。参照实验数据能够得知，如若发生交通事故的前两分钟到三分钟时间内，便能够识别驾驶人员当前的非正常状态，主可以借助瞳孔变化特征来进行判断，考虑到瞳孔变化尺寸的获取故而需要依靠近距离检测来实现，进而导致此检测方法存在较高难度，并且检测误差普遍偏高，进而导致最终判定正确率偏低。从一定程度上面看，上述方法均能够识别驾驶人员是否处于疲劳状态，但是每种方法均存在优势和局限的地方。4.4驾驶员疲劳检测系统的仿真4.4.1Matlab对驾驶员疲劳检测仿真或识别结果的输出而MATLAB作为高性能的数值计算和可视化数学软件，具有较为强大的图示能力和数值计算能力，在基于前文提及的图像色彩转换、图像消噪处理，以及图像尺寸归一化处理等技术支持下，并结合Haar特征以及Adaboos算法，在实际的应用过程中可以对疲劳驾驶的司机进行相关的图像训练，从而在深度学习了相关的特征脸和平均脸之后，就可以据此展开检测仿真应用。就比如在判定驾驶员眼睛位置时，如果图像边缘特征方向垂直于滤波器核函数方向，滤波器则会发出强烈响应。故而充分运用Matlab对驾驶员进行疲劳检测仿真，根据其面部器官的边缘长度就可以较为快速的得到滤波器波长。此外，对驾驶员眼睛特征进行描述而根据线性SVM的判断，则可以得知眼睛的开闭状态，并由此完成一系列关于眼部特征的准确提取。再比如对于一些驾驶员而言，由于其长期处于疲劳状态，因此头部在定位上也会正常驾驶的驾驶员头部位置产生一定的偏移，故而通过Matlab对驾驶员的头部位置进行疲劳检测仿真，其实也主要是从眼睛入手，通过判断其在垂直方向上的变化进行头部运动定位，当驾驶员的头部连续偏离大于4帧时，则可以判定驾驶员因疲劳而出现了磕睡情况。再比如，通过在系统输入眨眼频率、闭眼持续时间、哈欠频率和磕睡频率四个变量，也可以对驾驶员的疲劳状态进行检测。总而言之，在驾驶员疲劳检测中应用MATLAB人脸识别技术，能够对驾驶员的疲劳状态进行准确判断，从而使驾驶员疲劳预警的需求得到满足。4.4.2驾驶员疲劳实时检测仿真在一项研究中显示，AdaBoost算法虽然在实时检测的过程中能够有效提高人眼的检测速度，从而更好地满足系统的实时性需求，并且检测速度快，误识率低，但是在样本的权重更新过程中，对于分类错误样本中的正，负样本没有加以区分，不利于提高正样本的识别率。因此该文提出了结合PERCLOS和眨眼频率的方法，以此来对疲劳状态进行检测。而所谓的眨眼频率，即指的是特定单位时间内，人眼睛从完全睁开-闭合-再睁开次数。根据调查研究发现，眨眼频率和疲劳状态之间存在特定关系。具体可以参见下图5-5内容。假如人疲劳程度加深的状况下，此时呈现出来的眨眼频率同样会降低，并且朝着两边分散开来，如若眨眼频率超过阈值范围，则可以判定人员处于疲劳状态。图4-10眨眼频率与疲劳关系考虑到人眨眼持续时间一般是0.3秒，然而眨眼速度加快情况下，单词眨眼时间将降低到0.05秒左右，为了能够获取人眨眼具体过程我们将拍摄帧数谁当成为25帧/秒，以便完整记录眨眼全过程。因此，为了能够体现PERCLOS在判断极端复杂路况和天气状态下对于驾驶人员疲劳状态判定的有效性，有学者提出了P80准则来针对PERCLOS值进行计算，以此来呈现疲劳程度和疲劳判定之间的对应关系。图4-11疲劳程度和疲劳判定之间的对应关系根据上图内容所示，如若人疲劳程度加深状况下，此时的PERCLOS值同样也会增加，如若将疲劳程度予以加深，那么此时眨眼频率将朝着两端靠拢。为了进一步提升判断准确性，有研究选取了五名人员参与测试，分别统计他们一分钟内三段清醒状态和三段疲劳状态下的山区高速公路驾驶过程中，获得的眨眼频率和PERCLOS值参见下表4-1内容。表4-1PERCLOS值和眨眼频率测试统计值（时间：60秒）根据上表能够发现，如若人处在正常状态下，接受测试的人员PERCLOS值均不超过0.15，同时眨眼频率范围是15次至20次区间；假如测试人员处于疲劳状态下，此时大部分人员PERCLOS值超过0.2，但是眨眼频率