基于面部特征融合的驾驶员疲劳检测

廖明明， 赵 波

（上海工程技术大学 机械与汽车工程学院， 上海 201620）

0 引 言

疲劳驾驶引起的道路交通事故是造成人员伤亡的重要原因之一［1］。 因此，研究疲劳检测方法并开发自动检测预警系统具有重要意义。 疲劳检测的方法可分为：基于生理、基于行为、基于视觉三种。 相对前两种方法，基于视觉的方法有成本低、检测精度高和非侵入的优点，是现在疲劳检测的主流方法。视觉的疲劳检测方法包括2 个步骤：人脸检测、特征提取以及疲劳分析。

对于人脸检测，Viola 等人提出利用Haar 特征和Adaboost 训练级联分类器进行人脸检测，但是该方法在头部姿态偏转情况下的检测精度有待提高［2］。 Zhang 等人［3］提出了一种多任务的卷积神经网络模型MTCNN，将人脸检测分为3 层网络进行训练，从而提高了检测的准确率和鲁棒性。 对于面部特征提取以及疲劳分析，眼部和嘴部包含丰富的信息，且不易受外界干扰和人为因素影响。 Ursulescu等人［4］使用眨眼检测来检测眼睛所表征的睡意，并测量每一次连续眨眼之间的持续时间。 在Bhone 的工作中［5］，通过计算每帧图像眼睛的纵横比（EAR）判断眼睛状态，如果低于阈值，则表明眼睛处于闭合状态。 文献［6］提出一种两级神经网络的检测方法。 该算法通过训练第一级网络对人眼和非人眼进行分类，用第二级网络检测眼睛特征点的位置，根据特征点来计算眼睛张开程度，用PERCLOS进行疲劳状态评估。 打哈欠被认是疲劳的突出表现之一，大量研究致力于使用打哈欠来判断疲劳状态。……