本發(fā)明涉及領域，具體涉及一種基于視覺的疲勞駕駛檢測方法。
背景技術：
近年來，疲勞駕駛已成為重、特大交通事故的主要原因之一。在美國的高速公路上，每年有超過8萬起的交通事故，其中約有850起直接導致死亡。因此疲勞駕駛檢測技術的研究有著非常重要的現(xiàn)實意義和應用價值。
目前有關疲勞駕駛檢測的方法很多，基于計算機視覺的檢測方法一般都是先定位人臉，在進行人眼檢測，當人臉定位不準確時，會直接影像人臉的檢測的準確率。現(xiàn)有的人眼檢測的疲勞判別方法一般先用adaboost算法定位眼睛所在區(qū)域，在計算眼睛開閉程度。然而，受圖像噪聲、圖像二值化誤差等影響，計算眼睛的開閉程度會存在較大誤差，從而導致誤判。
技術實現(xiàn)要素：
本發(fā)明要解決的技術問題是提供一種基于視覺的疲勞駕駛檢測方法。
基于視覺的疲勞駕駛檢測方法，包括以下步驟：
s1：通過近紅外攝像頭獲取駕駛員的臉部圖像；
s2：利用adaboost算法直接檢測睜眼區(qū)域；
s3：計算連續(xù)閉眼幀數(shù)占總幀數(shù)的比值，判斷駕駛員的疲勞狀態(tài)。
進一步的，利用adaboost算法直接檢測睜眼區(qū)域的方法如下：
1)對現(xiàn)有的haar-like特征進行擴展，增加新的45°矩形特征；
2)采用擴展的haar-like特征對大量的正、負樣本進行訓練，得到用于人眼檢測的adaboost分類器，具體步驟如下：
2-1)每個haar-like特征生成1個分類器，其形式如下：
其中，x為樣本；fi(x)為第i個類haar-like特征fi在樣本x上的取值；pi(pi∈{-1，+1})為分類符號方向；hi為由特征fi(x)構成的分類器；θi為分類器hi的方法閾值；
2-2)設輸入的訓練樣本圖像為(xi，yi)，(x2，y2)，…，(xn，yn)，其中，yi＝0和yi＝1分別對應負樣本和正樣本；
2-3)初始化權值，對于yi＝0的負樣本，wl，t＝1/2m；對于yi＝1的正樣本，wl，t＝1/2l；其中m和l分別為負樣本和正樣本的數(shù)量；
2-4)對于t＝1,2,…,t(其中t為最弱分類器的個數(shù))：
①歸一化權重為一個概率分布，
②對于每個特征j訓練1個相應的弱分類器hj，相對于當前權重wi的誤差為
③選擇誤差εi最小的弱分類器hi；
④更新所有樣本的權重，
2-5)最終的強分類器為：
其中，αt＝log(1/β)，ht＝min{εt}；
3)對測試樣本提取關鍵的haar-like特征，并將特征輸入到adaboost分類器進行人眼檢測。
進一步的，判斷駕駛員的疲勞狀態(tài)的方法如下：
1)設眼睛完全睜開到閉合20％的時間間隔為t1，t2為完全睜開到閉合80％的時間，t3為完全睜開到下一次睜開20％的時間，t4為完全睜開到下一次睜開80％的時間；
2)通過測出的t1、t2、t3和t4值計算出連續(xù)閉眼的幀數(shù)占總幀數(shù)的比值f80，即：
3)統(tǒng)計連續(xù)閉眼幀的幀數(shù)，若超過設定的閾值則判定為駕駛員疲勞。
本發(fā)明的有益效果是：
本發(fā)明采用近紅外攝像頭來獲取駕駛員的臉部圖像，保證白天和黑夜都能獲取較好的臉部圖像；對現(xiàn)有的haar-like特征進行擴展，并將該特征應用于adaboost算法對人眼的檢測中，直接檢測睜眼區(qū)域，不僅提高了檢測速度，還避免由于人臉檢測錯誤所帶來的誤判；對多姿態(tài)人臉圖像和變化的光線有很好的魯棒性，檢測率高。
具體實施方式
以下具體實施例對本發(fā)明作進一步闡述，但不作為對本發(fā)明的限定。
基于視覺的疲勞駕駛檢測方法，包括以下步驟：
s1：通過近紅外攝像頭獲取駕駛員的臉部圖像；
s2：利用adaboost算法直接檢測睜眼區(qū)域；
s3：計算連續(xù)閉眼幀數(shù)占總幀數(shù)的比值，判斷駕駛員的疲勞狀態(tài)。
利用adaboost算法直接檢測睜眼區(qū)域的方法如下：
1)對現(xiàn)有的haar-like特征進行擴展，增加新的45°矩形特征；
2)采用擴展的haar-like特征對大量的正、負樣本進行訓練，得到用于人眼檢測的adaboost分類器，具體步驟如下：
2-1)每個haar-like特征生成1個分類器，其形式如下：
其中，x為樣本；fi(x)為第i個類haar-like特征fi在樣本x上的取值；pi(pi∈{-1，+1})為分類符號方向；hi為由特征fi(x)構成的分類器；θi為分類器hi的方法閾值；
2-2)設輸入的訓練樣本圖像為(x1，y1)，(x2，y2)，…，(xn，yn)，其中，yi＝0和yi＝1分別對應負樣本和正樣本；
2-3)初始化權值，對于yi＝0的負樣本，wl，t＝1/2m；對于yi＝1的正樣本，wl，t＝1/2l；其中m和l分別為負樣本和正樣本的數(shù)量；
2-4)對于t＝1,2,…,t(其中t為最弱分類器的個數(shù))：
①歸一化權重為一個概率分布，
②對于每個特征j訓練1個相應的弱分類器hj，相對于當前權重wi的誤差為
③選擇誤差εi最小的弱分類器hi；
④更新所有樣本的權重，
2-5)最終的強分類器為：
其中，αt＝log(1/β)，ht＝min{εt}；
3)對測試樣本提取關鍵的haar-like特征，并將特征輸入到adaboost分類器進行人眼檢測。
判斷駕駛員的疲勞狀態(tài)的方法如下：
1)設眼睛完全睜開到閉合20％的時間間隔為t1，t2為完全睜開到閉合80％的時間，t3為完全睜開到下一次睜開20％的時間，t4為完全睜開到下一次睜開80％的時間；
2)通過測出的t1、t2、t3和t4值計算出連續(xù)閉眼的幀數(shù)占總幀數(shù)的比值f80，即：
3)統(tǒng)計連續(xù)閉眼幀的幀數(shù)，若超過設定的閾值則判定為駕駛員疲勞。