MATLAB驾驶员疲劳监测

MATLAB驾驶员疲劳监测关键方法：PERCLOS

疲劳对于驾驶一直是一个重要的安全问题，无论是传统汽车的人工驾驶还是智能汽车的辅助（自动）驾驶。对于纯人工驾驶工况，疲劳影响到驾驶员的反映速度、接管速度、判断准确性；对于辅助（自动）驾驶模式下，在L2-L3功能下涉及到人机共驾的辅助驾驶与交接安全性（驾驶员的接管状态），L4-L5完全自动驾驶模式下涉及到车辆自动驾驶系统发生故障后的交接安全性。

背景与必要性

美国国家公路交通安全局（NHTSA）最近几年调查[1]显示：每年平均有56000起车祸与疲劳驾驶相关，造成40000人受伤，1544人死亡（占交通事故死亡总人数的3.7％），调查还显示有27％的受访者表示有过开车打瞌睡的经历。在此对于驾驶员疲劳的检测至关重要，尤其是商用车和大型载人载货的高频高负荷运输主体。

疲劳的监测方法

对于驾驶员疲劳的监测方法有很多，直接监测方法包括眼睛的开合状况、打瞌睡情况、头部的方向（点头），间接监测方法包括驾驶员驾驶的道路偏离情况等，当然这属于推导指标，置信度存在严重性，并且有高度场景依赖性。1994 年美国首次提出单位时间眼睛闭合的百分比(percentage of eyelid closure over the pupil over time, PERCLOS)用于描述驾驶员的疲劳状况。1999 年美国联邦高速公路管理局召集专家学者，研究讨论 PERCLOS 和其它人眼活动测量方法的有效性，并通过对实验数据的对比，证明了 PERCLOS 相对于驾驶员其他特征，更能直接反映驾驶员的疲劳程度。

美国联邦公路管理局 （FHWA） 和美国国家公路交通安全管理局（NHTSA） 在实验室中模拟驾驶， 完成了九种疲劳检测指标的比较。结果证明， 这些方法都能在不同程度上预测驾驶疲劳，而 PERCLOS 与驾驶疲劳的相关性最好 。在驾驶员疲劳检测中，高可靠性和鲁棒性是核心要素，比如我们在设检测系统时候可以有多个检测量进行冗余设计和对标分析，但是必须有高可靠性的基础检测量作为高权值或者高可信值的依据，PERCLOS就是一个关键基础值。

什么是PERCLOS

PERCLOS是指眼睛闭合时间占某一特定时间（一般是一定时间长度的片段统计）的百分率。

PERCLOS 通常有 P70，P80，Em 三种测量方式：

P70：眼皮盖过眼球的面积超过 70%所占的时间比例。

P80：眼皮盖过眼球的面积超过 80%所占的时间比例。

Em：眼皮盖过眼球的面积超过 50%所占的时间比例。

研究表明P80与疲劳程度间具有最好的相关性。

PERCLOS怎么获取

PERCLOS的获取一般是通过车内DMS摄像头进行图像采集，然后将采集到的人脸视频数据给到控制器，控制器中有人脸识别的算法，通过将动态的视频进行一帧一帧的识别判断，判断哪些是眼皮盖过眼球的面积超过预设的比例，最后统计判定为疲劳的帧数和一段时间的的总帧数，想除就是其值。

基于图像识别的AI技术

其中涉及到图像识别算法，通过将给进来的图片进行特殊的处理，一般流程如下:

(1) 图像预处理

主要是去噪提取我们感兴趣的内容。对源图像通过直方图均衡化的手段进行预先处理，去除噪声，增强图像对比度，凸显图像细节，提高图像质量。

（2）人脸检测

先定位脸部，锁定兴趣区域，再定位眼睛。采用大量人脸样本训练好的模型（分类器分类器，分类器可以很好地区别出人脸和非人脸）。主要目的是缩小计算区域，排除非人脸因素的干扰，提高了系统的运行速率。

（3）眼睛定位

进一步缩小检测范围，锁定最终分析计算的数据提取区域。

（4）疲劳鉴定

一般通过最大类间方差法（Otsu）在不同的光线下对人眼精确区域进行不同阈值的二值化，分别获取最佳的人眼睁闭状态时的眼部形状，分析黑色像素值面积，通过对连续N帧的对比可以判断。也可以通过测量眼睛宽度和高度的像素点，通过宽高比的计算来判定。