曾 強(qiáng)，王 玉，趙 娟，王文廉，張志杰

（中北大學(xué) 信息與通信工程學(xué)院，山西 太原 030051）

1 疲勞監(jiān)測(cè)系統(tǒng)現(xiàn)狀分析

根據(jù)目前疲勞監(jiān)測(cè)系統(tǒng)中所使用的處理器來劃分，大致可分為兩類：一類是采用專用計(jì)算機(jī)（例如工業(yè)PC）或普通計(jì)算機(jī)的機(jī)器視覺系統(tǒng)[1－4]，它對(duì)數(shù)字圖像的獲取一般通過視頻采集卡得到，其優(yōu)點(diǎn)是處理速度快、結(jié)果直觀、有操作系統(tǒng)，可以只考慮軟件算法而不用太多關(guān)注硬件，缺點(diǎn)是造價(jià)高、功耗大、體積龐大、靈活性差；另一類是采用處理速度較快的專用的處理芯片（例如DSP，F(xiàn)P?GA等）構(gòu)成的機(jī)器視覺系統(tǒng)[5－6]，此類系統(tǒng)一般是直接通過AD轉(zhuǎn)換芯片將模擬視頻轉(zhuǎn)換為數(shù)字圖像，然后進(jìn)行處理，其優(yōu)點(diǎn)是成本低、功耗小、性能指標(biāo)較高，缺點(diǎn)是開發(fā)復(fù)雜，無法移植操作系統(tǒng)，擴(kuò)展性不足。

針對(duì)前兩種方法的不足，筆者設(shè)計(jì)了一種基于ARM的疲勞監(jiān)測(cè)系統(tǒng)，該系統(tǒng)具有成本低、功耗小、體積小等特點(diǎn)，還具有可移植操作系統(tǒng)、網(wǎng)絡(luò)功能強(qiáng)大、擴(kuò)展性強(qiáng)等優(yōu)點(diǎn)。

2 人臉檢測(cè)及其優(yōu)化方法

基于Adaboost人臉檢測(cè)算法是一種精度和速度都比較快的一種算法，適合實(shí)時(shí)疲勞監(jiān)測(cè)的要求。Adaboost是一種迭代算法，其核心思想是針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的分類器（弱分類器），然后把這些弱分類器集合起來，構(gòu)成一個(gè)更強(qiáng)的最終分類器（強(qiáng)分類器）[7]。其算法本身是通過改變數(shù)據(jù)分布來實(shí)現(xiàn)的，它根據(jù)每次訓(xùn)練集當(dāng)中每個(gè)樣本的分類是否正確，以及上次的總體分類的準(zhǔn)確率，來確定每個(gè)樣本的權(quán)值。將修改過權(quán)值的新數(shù)據(jù)集送給下層分類器進(jìn)行訓(xùn)練，最后將每次訓(xùn)練得到的分類器最后融合起來，作為最后的決策分類器。但是，對(duì)于ARM等嵌入式系統(tǒng)來說，檢測(cè)速度依然很慢。為此，針對(duì)ARM平臺(tái)和具體應(yīng)用，提出了一些方法來加速系統(tǒng)的處理速度。

2.1 圖像數(shù)據(jù)預(yù)處理

視頻圖像在采集過程中，受到環(huán)境噪聲的干擾和光照不均的影響，導(dǎo)致了視頻質(zhì)量的下降。為了提高人臉檢測(cè)的精度與速度，需要對(duì)原始圖像進(jìn)行預(yù)處理，如光照補(bǔ)償、圖像增強(qiáng)等技術(shù)，達(dá)到消除噪聲、改善圖像質(zhì)量、突出有效信息的作用[8]。

本文光照補(bǔ)償采用的方法利用白平衡算法來調(diào)整整個(gè)圖像紅綠藍(lán)的強(qiáng)度，以修外部光線所造成的誤差，具體如下：

1）計(jì)算圖像的R，G，B分量的各自平均值R1，G1，B1，計(jì)算均值average=（R1+G1+B1）/3。

2）令R’=average/R1，G’=average/G1，B’=average/B1，調(diào)整每個(gè)像素點(diǎn)的RGB值R=R×R’，G=G×G’，B=B×B’，將大于255的值置為255。

圖像增強(qiáng)采用頻域?yàn)V波的方法，通過低通和高通濾波器濾除圖像噪聲及增強(qiáng)圖像邊緣。此外使用紅外線彩色攝像頭并加濾波器濾除圖像噪聲和非臉部圖像，減少了搜索臉部圖像的次數(shù)，加快了系統(tǒng)處理速度。

2.2 匯編優(yōu)化

在Linux操作系統(tǒng)下，C語言雖然是一種十分優(yōu)秀的中級(jí)語言，但在執(zhí)行效率上還是與匯編無法媲美。GCC編譯器的內(nèi)嵌式匯編提供了一種在C語言源程序中直接嵌入?yún)R編指令的接口。

在ARM體系結(jié)構(gòu)下的內(nèi)嵌匯編語法格式為：__asm__（輸出部分：輸入部分：破壞描述部分）。并不是說所有的語句都要匯編優(yōu)化，要提高優(yōu)化效率，需要優(yōu)化的地方往往是反復(fù)使用到的部分，所以需要在疲勞監(jiān)測(cè)系統(tǒng)中的循環(huán)程序進(jìn)行匯編優(yōu)化。

2.3 算法參數(shù)優(yōu)化

在Adaboost算法中，影響檢測(cè)速度的主要因素在于前幾級(jí)分類器的結(jié)構(gòu)和分類器的級(jí)數(shù)，這就要求抽取更有代表性的特征，從而通過較少的分類器得到較好的檢測(cè)效果。一般采用的是增加Haar特征等方法進(jìn)行重新訓(xùn)練，犧牲訓(xùn)練速度，得到較好的訓(xùn)練結(jié)果。此外，通過降低圖片的背景復(fù)雜度也能顯著影響檢測(cè)的速度。但無論是哪種方法，運(yùn)算復(fù)雜度都比較高。

本文采用一種比較簡單的方法，跟據(jù)具體應(yīng)用環(huán)境調(diào)整Adaboost算法參數(shù)。駕駛員在車上的位置是基本固定的，攝像頭掃描到的人臉大小基本也是固定的，所以可以調(diào)整攝像頭焦距，使得人臉被全部掃描到的基礎(chǔ)上，盡可能大地顯示人臉，這樣就可以把最小檢測(cè)窗口這個(gè)參數(shù)設(shè)置得比較大，從而在不影響檢測(cè)精度的前提下，減少進(jìn)入級(jí)聯(lián)檢測(cè)器的窗口數(shù)目，提高檢測(cè)速度。

2.4 編譯器優(yōu)化

編譯器優(yōu)化是指編譯器在編譯程序時(shí)做的一些優(yōu)化，可提高程序的執(zhí)行速度。在基于Linux+ARM的平臺(tái)中，使用arm－linux－gcc交叉編譯器，CXXFLAGS=－O2是選擇編譯優(yōu)化等級(jí)的編譯項(xiàng)，這里使用的是第二個(gè)等級(jí)，并不是編譯優(yōu)化等級(jí)越高越好，太高會(huì)限制程序的編寫方法，而且程序往往會(huì)無法編譯成功。

此外，本文采用的交叉編譯器是arm－linux－gcc－4.3.2，它符合EABI標(biāo)準(zhǔn)，對(duì)于浮點(diǎn)運(yùn)算會(huì)預(yù)設(shè)硬浮點(diǎn)（Float Point Architecture，F(xiàn)PA）運(yùn)算，而沒有FPA的ARM處理器，比如SAMSUNG S3C2410/S3C2440，會(huì)使用軟浮點(diǎn)（Float Point Emulation，F(xiàn)PE）運(yùn)算，在速度上會(huì)遇到極大的限制，然而在數(shù)字圖像處理中會(huì)用到大量的浮點(diǎn)運(yùn)算，所以在處理器的選擇上，應(yīng)選擇支持硬浮點(diǎn)運(yùn)算的處理器。

3 基于PERCLOS的疲勞檢測(cè)系統(tǒng)的實(shí)現(xiàn)

PERCLOS是眼睛閉合時(shí)間所占的比例[9－10]。眼睛閉合時(shí)間的長短與疲勞程度有密切關(guān)系，駕駛員眼睛閉合時(shí)間越長，疲勞程度越嚴(yán)重，因此通過測(cè)量眼睛閉合時(shí)間的長短就能確定駕駛疲勞的程度[11]。

在基于PERCLOS疲勞檢測(cè)算法中，首先要檢測(cè)人臉信息并根據(jù)人臉信息進(jìn)行人眼定位，然后對(duì)人眼圖像進(jìn)行灰度變化和二值處理，這樣就可以計(jì)算人眼圖像的黑色像素的百分比，通過這個(gè)百分比來判別人眼的閉合狀態(tài)，進(jìn)而通過計(jì)算單位時(shí)間內(nèi)的閉合次數(shù)來判斷疲勞狀態(tài)。程序流程框圖如圖1所示。

3.1 基于OpenCV的人臉檢測(cè)和人眼定位

在Adaboost算法中，比較重要的環(huán)節(jié)是訓(xùn)練人臉分類器，而在OpenCV視覺庫中有很多訓(xùn)練好的人臉分類器，這些分類器都經(jīng)過了優(yōu)化，檢測(cè)精度高，速度快，而且在實(shí)際應(yīng)用中得到驗(yàn)證，所以使用現(xiàn)成的人臉分類器。

使用cvHaarDetectObjects函數(shù)提取圖像中的人臉的矩形區(qū)域，并且將這些區(qū)域作為一系列的矩形框返回。函數(shù)以不同比例大小的掃描窗口對(duì)圖像進(jìn)行幾次搜索。每次都要對(duì)圖像中的這些重疊區(qū)域利用cvRunHaarClas?sifierCascade進(jìn)行檢測(cè)。有時(shí)候也會(huì)利用某些繼承技術(shù)以減少分析的候選區(qū)域，例如利用Canny邊緣檢測(cè)裁減的方法。函數(shù)在處理和收集到候選的方框（全部通過級(jí)聯(lián)分類器各層的區(qū)域）之后，接著對(duì)這些區(qū)域進(jìn)行組合，并且返回一系列足夠大的平均矩形。為了能對(duì)視頻圖像進(jìn)行更快的實(shí)時(shí)檢測(cè)，最小檢測(cè)窗口設(shè)為60×60，程序如下：

檢測(cè)到人臉以后，根據(jù)人眼在人臉中的比例位置近似定位人眼。水平方向，人眼區(qū)域位于人臉區(qū)域的1/6～5/6處；垂直方向，人眼區(qū)域位于人臉區(qū)域的1/4～2/4處。該方法定位速度快，精度良好，而且一些遮擋物如眼鏡等對(duì)定位效果沒有影

響，檢測(cè)效果如圖2所示。

3.2 基于PERCLOS的疲勞檢測(cè)

PERCLOS算法一般將閉合程度大于80%的眼睛狀態(tài)歸于閉合狀態(tài)。PERCLOS值的計(jì)算公式為

當(dāng)PERCLOS大于40%，就認(rèn)為駕駛員處于疲勞狀態(tài)[12]。通過人臉的檢測(cè)和人眼的定位，已經(jīng)將無用的圖像信息濾除掉，然后對(duì)檢測(cè)到的人眼圖像進(jìn)行灰度變化并進(jìn)行二值處理，如圖3所示，通過計(jì)算人眼圖像的黑色像素的百分比來判別疲勞狀態(tài)。

程序如下：

在判別疲勞前，首先要計(jì)算前100幀人眼圖像的黑色像素的百分比均值areapercent100，這100幀人眼圖像是在人正常情況下提取的，由于眉毛等人臉特征對(duì)黑色像素的干擾，把該值的60%作為后續(xù)判別疲勞的參照值，當(dāng)人眼圖像中的黑色像素的百分比均值小于人正常狀態(tài)下的60%時(shí)，認(rèn)為人眼是閉合的。此后，每幀計(jì)算1次黑色像素的百分比，并與參考值作對(duì)比，如果在30幀內(nèi)出現(xiàn)13次黑色像素的百分比比參照值小，即PERCLOS值大于40%，則判定司機(jī)疲勞，發(fā)出警告。程序如下：

4 實(shí)驗(yàn)結(jié)果

圖像采集設(shè)備使用紅外線彩色攝像頭K5231，視頻大小320×240，網(wǎng)卡芯片采用DM9000，系統(tǒng)處理器采用Philips公司ARM9微控制器LPC3180，支持硬浮點(diǎn)運(yùn)算。在ARM平臺(tái)上移植Linux操作系統(tǒng)，并使用QT軟件編寫系統(tǒng)操作界面。

移植OpenCV視覺庫，到目前為止，OpenCV的最新版本是OpenCV2.10，在OpenCV 2.0版本以后的源程序要求使用Cmake軟件來編譯生成需要的動(dòng)態(tài)鏈接庫和靜態(tài)鏈接庫。為了提高運(yùn)行速度，這里使用靜態(tài)鏈接庫。在編譯應(yīng)用程序前需要添加OpenCV的頭文件路徑和靜態(tài)鏈接庫路徑：

在試驗(yàn)中，以20人作為實(shí)驗(yàn)的樣本，其中包含男、女、小孩、青年、中年、老人。在室內(nèi)環(huán)境下，要求他們分別在攝像頭前模仿疲勞狀態(tài)不停地眨眼，如圖4所示。

從實(shí)驗(yàn)結(jié)果來看，檢測(cè)效果良好且反應(yīng)速度很快。實(shí)驗(yàn)表明，本系統(tǒng)在室內(nèi)環(huán)境下檢測(cè)準(zhǔn)確率高達(dá)95%，能成功完成人眼疲勞監(jiān)測(cè)。

5 小結(jié)

本文設(shè)計(jì)實(shí)現(xiàn)了基于ARM的人眼疲勞駕駛監(jiān)測(cè)系統(tǒng)，滿足疲勞監(jiān)測(cè)系統(tǒng)車載、實(shí)時(shí)、非接觸、小型化等要求。雖然基于ARM的疲勞監(jiān)測(cè)系統(tǒng)的監(jiān)測(cè)速度與基于DSP的系統(tǒng)相比具有一定的差距，但通過各種優(yōu)化手段已大幅提高了處理速度。此外，由于ARM可以移植網(wǎng)絡(luò)功能十分強(qiáng)大的Linux操作系統(tǒng)，該疲勞監(jiān)測(cè)系統(tǒng)可上網(wǎng)且易擴(kuò)展，如視音頻播放、電子地圖、GPRS以及與交通系統(tǒng)對(duì)接等，滿足人們的多種需要。

[1] 陳守明.駕駛員疲勞檢測(cè)中人眼定位算法的研究[D].長沙：中南大學(xué)，2010.

[2] 向本科.基于人眼檢測(cè)的駕駛員疲勞檢測(cè)研究[D].重慶：西南大學(xué)，2010.

[3] 張淑鳳.基于多個(gè)疲勞參數(shù)的駕駛員疲勞檢測(cè)[D].合肥：合肥工業(yè)大學(xué)，2009.

[4] 胡越，郭延齊，程文化.基于Matlab的人眼疲勞度檢測(cè)[J].信息技術(shù)，2009（8）：64－67.

[5] 韓相軍，關(guān)永，王雪立.基于DSP的疲勞駕駛實(shí)時(shí)監(jiān)測(cè)系統(tǒng)研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2006（2）：47－49.

[6] 李志春，何仁.模糊神經(jīng)網(wǎng)絡(luò)在駕駛員疲勞檢測(cè)中的應(yīng)用[J].江蘇大學(xué)學(xué)報(bào)，2008（2）：124－126.

[7] 鄭夜星，林其偉.基于AdaBoost人臉檢測(cè)的改進(jìn)FGS視頻編碼[J].電視技術(shù)，2010，34（2）：85－87.

[8] 曹煒.基于機(jī)器視覺的駕駛疲勞檢測(cè)研究[D].南京：東南大學(xué)，2008.

[9] 李外云，王淑仙，劉錦高.基于嵌入式Linux的便攜式自動(dòng)人臉檢測(cè)與跟蹤系統(tǒng)的應(yīng)用研究[J].微型電腦應(yīng)用，2008，24（1）：28－31.

[10] LAURENCE H，NICK M.Review of fatigue detection and prediction technologies[EB/OL].[2010－11－20].http：//www.nrtc.gov.au.2000－09.

[11] 鄭培，宋正河，周一鳴.基于PERCLOS的機(jī)動(dòng)車駕駛員駕駛疲勞的識(shí)別算法[J].中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2002，7（2）：104－109.

[12]許建君.基于人臉特征的列車司機(jī)疲勞駕駛檢測(cè)與識(shí)別系統(tǒng)研究[D].西安：西安交通大學(xué)，2010.

王文廉（1978-），博士，主要從事動(dòng)態(tài)測(cè)試技術(shù)、智能儀器研究；

張志杰（1965-），教授，博士生導(dǎo)師，主要從事動(dòng)態(tài)測(cè)試技術(shù)及信號(hào)處理的研究。