一种汽车安全驾驶监控方法及系统与流程

本发明涉及安全驾驶技术领域，尤其涉及一种汽车安全驾驶监控方法及系统。

背景技术：

目前，为了对进入汽车的驾驶人员进行管控，主要通过门控系统对汽车的门体进行管控。然而，如其他人员获取进入汽车的门禁卡或者密码等，则依然能够进入到汽车中。此外，现有的汽车无法对在汽车的驾驶过程中，对人员进行实时监测，不利于汽车的安全驾驶。因此，针对上述问题，有必要提出进一步地解决方案。

技术实现要素：

本发明的目的在于提供一种汽车安全驾驶监控方法及系统，以克服现有技术中存在的不足。

为实现上述发明目的，本发明提供一种汽车安全驾驶监控方法，其包括如下步骤：

s1、识别是否存在需要进入车辆的驾驶人员，如识别成功，连续地采集驾驶人员的人脸图像，提取人脸图像的特征码，当提取的特征码与存储的人脸图像的特征码一致时，打开车门；

s2、识别驾驶位置是否存在驾驶人员，如识别成功，连续地采集驾驶人员的人脸图像，提取人脸图像的特征码，当提取的特征码与存储的人脸图像的特征码一致时，汽车启动；

s3、检测汽车行驶的车速，如车速低于30km/h，连续地采集驾驶人员的人脸图像，提取人脸图像的特征码，当提取的特征码与存储的人脸图像的特征码一致时，不发出警报，否则进行报警；

s4、检测汽车行驶的车速，如车速高于30km/h，连续地采集驾驶人员的人脸图像，通过比对采集的人脸图像，识别驾驶人员眼睛张合频率以及嘴巴张开的频率，当眼睛张合频率以及嘴巴张开的频率未达到设定的阈值时，不发出警报，否则进行报警。

作为本发明的汽车安全驾驶监控方法的改进，所述特征码为与人脸五官相对应的位置数据以及脸部轮廓数据。

作为本发明的汽车安全驾驶监控方法的改进，所述汽车安全驾驶监控方法还包括对采集的人脸图像数据进行过滤处理：

根据采集的人脸图像数据，计算局部能量谱梯度、梯度直方图扩展和最大色度饱和；

根据计算得到的局部能量谱梯度、梯度直方图扩展和最大色度饱和，统计出整幅图像中模糊像素的比例，对人脸图像数据进行有效的过滤。

作为本发明的汽车安全驾驶监控方法的改进，所述局部能量谱梯度按照如下方法计算：

先用离散傅里叶变换计算nxn大小图像的能量谱：

然后转换至极坐标u＝fcosθ，v＝fsinθ，并计算s(f,θ)，得到：

其中，a是一个各个方向上的幅度因子，α是能量谱斜率。大量的研究表明，自然图像中α约为2，模糊的图像有较大的α。因此图像的局部模糊程度可以描述为局部与全局α值的比例差异

其中，αp是局部α，αo是全局α；

所述梯度直方图扩展按照如下方法计算：

先计算图像每个像素的梯度，然后用含有两个高斯的高斯混合模型描述局部的梯度分布：π0g(x；μ0，σ0)+π1g(x；μ1，σ1)，其中σ1>σ0；

根据梯度分布，梯度直方图扩展的具体计算公式为

其中，cp是局部图像灰度值范围，ε是防止除零的极小数，τ是一个常数，取25；

所述最大色度饱和按照如下方法计算：

先计算每个像素的饱和度：

然后使用以下公式比较局部饱和度最大值和全局饱和度最大值，得到最大色度饱和：

其中，max(sp)是局部图像块中饱和度最大值，max(so)是全局图像中饱和度最大值。

为实现上述发明目的，本发明提供一种汽车安全驾驶监控系统，其包括：第一摄像机、第二摄像机、速度传感器、报警器以及主机，所述第一摄像机、第二摄像机与所述主机数据传输，所述速度传感器、报警器与所述主机信号传输；

所述第一摄像机识别是否存在需要进入车辆的驾驶人员，如识别成功，连续地采集驾驶人员的人脸图像，所述主机提取人脸图像的特征码，当提取的特征码与主机存储的人脸图像的特征码一致时，打开车门；

所述第二摄像机识别驾驶位置是否存在驾驶人员，如识别成功，连续地采集驾驶人员的人脸图像，所述主机提取人脸图像的特征码，当提取的特征码与主机存储的人脸图像的特征码一致时，汽车启动；

所述速度传感器检测汽车行驶的车速，如车速低于30km/h，所述第二摄像机连续地采集驾驶人员的人脸图像，所述主机提取人脸图像的特征码，当提取的特征码与主机存储的人脸图像的特征码一致时，所述报警器不发出警报，否则进行报警；

所述速度传感器检测汽车行驶的车速，如车速高于30km/h，所述第二摄像机连续地采集驾驶人员的人脸图像，所述主机通过比对采集的人脸图像，识别驾驶人员眼睛张合频率以及嘴巴张开的频率，当眼睛张合频率以及嘴巴张开的频率未达到设定的阈值时，所述报警器不发出警报，否则进行报警。

作为本发明的汽车安全驾驶监控系统的改进，所述特征码为与人脸五官相对应的位置数据以及脸部轮廓数据。

作为本发明的汽车安全驾驶监控系统的改，所述汽车安全驾驶监控系还用于对采集的人脸图像数据进行过滤处理：

根据采集的人脸图像数据，计算局部能量谱梯度、梯度直方图扩展和最大色度饱和；

根据计算得到的局部能量谱梯度、梯度直方图扩展和最大色度饱和，统计出整幅图像中模糊像素的比例，对人脸图像数据进行有效的过滤。

作为本发明的汽车安全驾驶监控系统的改，所述局部能量谱梯度按照如下方法计算：

先用离散傅里叶变换计算nxn大小图像的能量谱：

然后转换至极坐标u＝fcosθ，v＝fsinθ，并计算s(f,θ)，得到：

其中，a是一个各个方向上的幅度因子，α是能量谱斜率。大量的研究表明，自然图像中α约为2，模糊的图像有较大的α。因此图像的局部模糊程度可以描述为局部与全局α值的比例差异

其中，αp是局部α，αo是全局α；

所述梯度直方图扩展按照如下方法计算：

先计算图像每个像素的梯度，然后用含有两个高斯的高斯混合模型描述局部的梯度分布：π0g(x；μ0，σ0)+π1g(x；μ1，σ1)，其中σ1>σ0；

根据梯度分布，梯度直方图扩展的具体计算公式为

其中，cp是局部图像灰度值范围，ε是防止除零的极小数，τ是一个常数，取25；

所述最大色度饱和按照如下方法计算：

先计算每个像素的饱和度：

然后使用以下公式比较局部饱和度最大值和全局饱和度最大值，得到最大色度饱和：

其中，max(sp)是局部图像块中饱和度最大值，max(so)是全局图像中饱和度最大值。

与现有技术相比，本发明的有益效果是：本发明能够对进入汽车的驾驶人员以及汽车行驶中的驾驶人员进行人脸识别，并在发现其他人员准备进入汽车或者驾驶汽车时进行报警，其有利于保证汽车的安全驾驶。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的汽车安全驾驶监控方法的一具体实施方式的方法流程示意图。

具体实施方式

下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。

如图1所示，本发明的汽车安全驾驶监控方法包括如下步骤：

s1、识别是否存在需要进入车辆的驾驶人员，如识别成功，连续地采集驾驶人员的人脸图像，提取人脸图像的特征码，当提取的特征码与存储的人脸图像的特征码一致时，打开车门。

如此以便于对进入汽车的驾驶人员进行人脸识别，避免其他人员进入倒汽车中。优选地，所述特征码为与人脸五官相对应的位置数据以及脸部轮廓数据。

s2、识别驾驶位置是否存在驾驶人员，如识别成功，连续地采集驾驶人员的人脸图像，提取人脸图像的特征码，当提取的特征码与存储的人脸图像的特征码一致时，汽车启动。

如此以便于对驾驶汽车的驾驶人员进行人脸识别，避免其他人员驾驶汽车。优选地，所述特征码为与人脸五官相对应的位置数据以及脸部轮廓数据。

s3、检测汽车行驶的车速，如车速低于30km/h，连续地采集驾驶人员的人脸图像，提取人脸图像的特征码，当提取的特征码与存储的人脸图像的特征码一致时，不发出警报，否则进行报警。

如此以便于防止司机被劫持或者不是本人驾驶。优选地，所述特征码为与人脸五官相对应的位置数据以及脸部轮廓数据。

s4、检测汽车行驶的车速，如车速高于30km/h，连续地采集驾驶人员的人脸图像，通过比对采集的人脸图像，识别驾驶人员眼睛张合频率以及嘴巴张开的频率，当眼睛张合频率以及嘴巴张开的频率未达到设定的阈值时，不发出警报，否则进行报警。

如此以便于防止疲劳驾驶的情况发生，保证汽车的安全驾驶。

此外，所述汽车安全驾驶监控方法还包括对采集的人脸图像数据进行过滤处理：

根据采集的人脸图像数据，计算局部能量谱梯度、梯度直方图扩展和最大色度饱和；

根据计算得到的局部能量谱梯度、梯度直方图扩展和最大色度饱和，统计出整幅图像中模糊像素的比例，对人脸图像数据进行有效的过滤。

其中，所述局部能量谱梯度按照如下方法计算：

先用离散傅里叶变换计算nxn大小图像的能量谱：

然后转换至极坐标u＝fcosθ，v＝fsinθ，并计算s(f,θ)，得到：

其中，a是一个各个方向上的幅度因子，α是能量谱斜率。大量的研究表明，自然图像中α约为2，模糊的图像有较大的α。因此图像的局部模糊程度可以描述为局部与全局α值的比例差异

其中，αp是局部α，αo是全局α；

所述梯度直方图扩展按照如下方法计算：

先计算图像每个像素的梯度，然后用含有两个高斯的高斯混合模型描述局部的梯度分布：π0g(x；μ0，σ0)+π1g(x；μ1，σ1)，其中σ1>σ0；

根据梯度分布，梯度直方图扩展的具体计算公式为

其中，cp是局部图像灰度值范围，ε是防止除零的极小数，τ是一个常数，取25；

所述最大色度饱和按照如下方法计算：

先计算每个像素的饱和度：

然后使用以下公式比较局部饱和度最大值和全局饱和度最大值，得到最大色度饱和：

其中，max(sp)是局部图像块中饱和度最大值，max(so)是全局图像中饱和度最大值。

基于相同的发明构思，本发明还提供一种汽车安全驾驶监控系统，其包括：第一摄像机、第二摄像机、速度传感器、报警器以及主机，所述第一摄像机、第二摄像机与所述主机数据传输，所述速度传感器、报警器与所述主机信号传输；

所述第一摄像机识别是否存在需要进入车辆的驾驶人员，如识别成功，连续地采集驾驶人员的人脸图像，所述主机提取人脸图像的特征码，当提取的特征码与主机存储的人脸图像的特征码一致时，打开车门；其中，所述特征码为与人脸五官相对应的位置数据以及脸部轮廓数据。

所述第二摄像机识别驾驶位置是否存在驾驶人员，如识别成功，连续地采集驾驶人员的人脸图像，所述主机提取人脸图像的特征码，当提取的特征码与主机存储的人脸图像的特征码一致时，汽车启动；其中，所述特征码为与人脸五官相对应的位置数据以及脸部轮廓数据。

所述速度传感器检测汽车行驶的车速，如车速低于30km/h，所述第二摄像机连续地采集驾驶人员的人脸图像，所述主机提取人脸图像的特征码，当提取的特征码与主机存储的人脸图像的特征码一致时，所述报警器不发出警报，否则进行报警；其中，所述特征码为与人脸五官相对应的位置数据以及脸部轮廓数据。

所述速度传感器检测汽车行驶的车速，如车速高于30km/h，所述第二摄像机连续地采集驾驶人员的人脸图像，所述主机通过比对采集的人脸图像，识别驾驶人员眼睛张合频率以及嘴巴张开的频率，当眼睛张合频率以及嘴巴张开的频率未达到设定的阈值时，所述报警器不发出警报，否则进行报警。

此外，所述汽车安全驾驶监控系还用于对采集的人脸图像数据进行过滤处理：

根据采集的人脸图像数据，计算局部能量谱梯度、梯度直方图扩展和最大色度饱和；

根据计算得到的局部能量谱梯度、梯度直方图扩展和最大色度饱和，统计出整幅图像中模糊像素的比例，对人脸图像数据进行有效的过滤。

其中，所述局部能量谱梯度按照如下方法计算：

先用离散傅里叶变换计算nxn大小图像的能量谱：

然后转换至极坐标u＝fcosθ，v＝fsinθ，并计算s(f,θ)，得到：

其中，a是一个各个方向上的幅度因子，α是能量谱斜率。大量的研究表明，自然图像中α约为2，模糊的图像有较大的α。因此图像的局部模糊程度可以描述为局部与全局α值的比例差异

其中，αp是局部α，αo是全局α；

所述梯度直方图扩展按照如下方法计算：

先计算图像每个像素的梯度，然后用含有两个高斯的高斯混合模型描述局部的梯度分布：π0g(x；μ0，σ0)+π1g(x；μ1，σ1)，其中σ1>σ0；

根据梯度分布，梯度直方图扩展的具体计算公式为

其中，cp是局部图像灰度值范围，ε是防止除零的极小数，τ是一个常数，取25；

所述最大色度饱和按照如下方法计算：

先计算每个像素的饱和度：

然后使用以下公式比较局部饱和度最大值和全局饱和度最大值，得到最大色度饱和：

其中，max(sp)是局部图像块中饱和度最大值，max(so)是全局图像中饱和度最大值。

综上所述，本发明能够对进入汽车的驾驶人员以及汽车行驶中的驾驶人员进行人脸识别，并在发现其他人员准备进入汽车或者驾驶汽车时进行报警，其有利于保证汽车的安全驾驶。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。