一种用于疲劳驾驶检测的打哈欠动作检测方法
【技术领域】
[0001] 本发明设及属于图像处理和模式识别技术领域，具体设及一种用于疲劳驾驶检测 的打哈欠动作检测方法。
【背景技术】
[0002] 疲劳驾驶已经成为交通事故主要因素之一，疲劳驾驶检测仪作为在驾驶员出现疲 劳驾驶状态时的检测和警示工具，已经开始得到较为广泛使用。疲劳驾驶检测技术是疲劳 驾驶检测仪的核屯、技术。目前，疲劳驾驶检测技术主要包括基于人体生理信号(包括脑电、 屯、电、皮肤电势等）检测、车辆状态信号魄度、加速度、侧位移等）检测、驾驶员操作行为巧 向、油口和刹车等控制情况）检测和驾驶员面部图像特征检测（闭眼、巧眼、头动等)。其中， 基于人体生理信号的检测需要检测装置同驾驶员身体接触，影响驾驶员的注意力。车辆状 态信号和驾驶员的操作行为的检测受路况的影响较大，同时其设备由于过于复杂，价格昂 贵等原因一直无法得到广泛的应用。驾驶员面部图像特征检测具有准确性好、效果明显、可 靠性高和非接触性的优点，因此，对驾驶员面部进行视频图像采集，并通过视频图像进行面 部图像特征检测，成为目前实现疲劳驾驶检测的首选方案。
[0003] 在目前通过视频图像面部图像特征检测实现的疲劳驾驶检测方案中，往往都依据 对眼睛活动状态的识别来判断驾驶员是否存在疲劳驾驶情况。例如，我国专利CN2021312U 公开了一种基于红外眼态识别的疲劳驾驶检测方法，该方法采用背景差分算法初始定位 眼睛，采用Kalman滤波器进行眼睛位置跟踪预测，采用融合红外图像空间纹理的改进 Mean-Shift算法精确定位眼睛，然而该方法采用背景差分算法容易受到外界巧日光照）的影 响，对于减少算法复杂度和计算量无效果，因此容易导致识别不够及时的情况。我国专利 CN202995969U公开了一种汽车疲劳驾驶远程监控及实时提醒系统，该专利中公开的方案通 过监控管理中屯、来对所有汽车进行统一疲劳驾驶监控管理，用W对疲劳驾驶的驾驶人员进 行实时提醒，但是该发明方案对监控中屯、的设备的性能要求非常高，监控中屯、数据处理量 比较大，并且数据处理算法比较复杂，因此对驾驶人的疲劳驾驶提醒依然存在一定的数据 处理延迟效应。不仅如此，依据对眼睛活动状态的识别来判断驾驶员是否存在疲劳驾驶情 况，往往是考虑到驾驶员在疲劳驾驶情况下会因瞳睡而出现闭眼的动作，然而在识别到驾 驶员出现闭眼动作后才判定疲劳驾驶而进行预警可能已经为时过晚，因为在汽车高速行驶 的情况下，驾驶员1秒的闭眼动作都有可能引起严重的事故后果。可见，疲劳驾驶检测和提 醒的及时性和实时性对于驾驶员的行车安全而言都是尤为重要的。
[0004] 对于疲劳驾驶检测而言，驾驶员打哈欠的动作是更加及时的信号，因为打哈欠动 作是驾驶员开始出现疲劳状态的象征，并且打哈欠动作往往出现在驾驶员因疲劳瞳睡而闭 眼之前，此时驾驶员已处于轻度困乏状态，虽不易引发交通事故，但应当及时提醒驾驶员注 意。然而在现有技术中，却没有发现通过打哈欠动作识别实现疲劳驾驶检测的相关技术专 利，也鲜有关于打哈欠动作识别方法的相关研究。怎样提供一种有效、实时性较好的打哈欠 动作识别方案，为对驾驶员的疲劳驾驶检测提供更具及时性的提示信号，是有待解决的技 术问题。
【发明内容】
[0005] 针对现有技术中存在的上述不足，本发明的目的在于提供一种用于疲劳驾驶检测 的打哈欠动作检测方法，该方法主要采用主动形状模型匹配算法快速定位嘴部，并通过对 嘴部开合状态的识别，实现对打哈欠动作的实时性检测，为用于疲劳驾驶检测的打哈欠动 作检测提供有效且实时性好的解决方案。
[0006] 为实现上述目的，本发明采用的一个技术手段是： 一种用于疲劳驾驶检测的打哈欠动作检测方法，通过在计算机设备中预设的面部匹配 模板，对计算机设备获取到的视频图像逐帖地进行打哈欠动作识别处理，实现对打哈欠动 作的实时性检测；所述面部匹配模板中描绘有人脸整体区域、左眉部、右眉部、右眼部、左眼 部、鼻部和嘴部该7个面部特征区域各自所对应的特征区域轮廓，且各个面部特征区域对 应的特征区域轮廓的初始轮廓形状及其相互之间的初始相对位置已根据先验知识得W确 定；该方法包括如下步骤： 1) 初始化打哈欠状态累加器n的值为0,预设定嘴部轮廓高宽比阔值e和打哈欠状态 累加阔值N的值； 2) 读取一帖视频图像； 3) 采用级联分类器对当前帖视频图像进行人脸检测，判定当前帖视频图像中是否检测 到人脸图像区域；如果是，则继续执行步骤4 ;否则，跳转执行步骤8 ; 4) 调用预设的面部匹配模板，采用主动形状模型匹配算法将面部匹配模板中的各个特 征区域轮廓与当前帖视频图像中人脸图像区域的各个面部特征区域进行对应的匹配定位， 确定面部匹配模板在当前帖视频图像的人脸图像区域中各个面部特征区域对应的特征区 域轮廓的实际形状； 5) 从匹配定位得到的面部匹配模板中提取出当前帖视频图像的人脸图像区域中的嘴 部特征区域轮廓，根据嘴部特征区域轮廓的实际形状计算其覆盖的像素高度值H和像素宽 度值W，并计算当前帖视频图像中的嘴部轮廓高宽比0 =H/W ; 6) 判断当前帖视频图像中的嘴部轮廓高宽比0是否大于预设定的嘴部轮廓高宽比阔 值e ;若0〉e，则执行步骤7;若0《e，执行步骤8; 7) 令打哈欠状态累加器n的值累加1，然后判断当前打哈欠状态累加器n的值是否已 等于打哈欠状态累加阔值N ;若n<N，则跳转执行步骤10 ;若n=N，则跳转执行步骤9 ; 8) 令打哈欠状态累加器n的值重置为0,然后跳转执行步骤10 ; 9) 判定视频图像中人脸图像处于打哈欠动作状态，输出打哈欠动作指示信息；然后跳 转执行步骤8; 10) 读取下一帖视频图像，返回执行步骤3。
[0007] 上述述用于疲劳驾驶检测的打哈欠动作检测方法中，作为一种优选方案，所述面 部匹配模板采用主动形状模板匹配算法数据库中的"my68-ld. amf"人脸模板，其中通过68 个特征点来描绘出人脸的7个面部特征区域所对应的特征区域轮廓，分别为： 人脸整体区域对应的特征区域轮廓具有15个特征点，特征点编号依次为0?14 ;左眉 部对应的特征区域轮廓具有6个特征点，特征点编号依次为15?20 ;右眉部对应的特征区域 轮廓具有6个特征点，特征点编号依次为21?26 ;右眼部对应的特征区域轮廓具有5个特征 点，特征点编号依次为27?31 ;左眼部对应的特征区域轮廓具有5个特征点，特征点编号依 次为32?36 ;鼻部对应的特征区域轮廓具有12个特征点，特征点编号依次为37?47 W及67 ; 嘴部对应的特征区域轮廓具有19个特征点，特征点编号依次为48?66 ; 面部匹配模板"my68-1 d. amf "中每个面部特征区域对应的特征区域轮廓中各个特征点 的位置W及各个特征区域轮廓相互之间的初始相对位置已根据先验知识得W确定。
[000引上述述用于疲劳驾驶检测的打哈欠动作检测方法中，作为一种优选方案，所述步 骤3中"采用级联分类器对当前帖视频图像进行人脸检测"的具体方式为：调用计算机视觉 类库化611〔￥中0化31'〔13331；1^161'化303(16级联分类器的^化3扣616(31：013^'6別3()函数对 当前帖视频图像进行人脸检测。
[0009] 上述述用于疲劳驾驶检测的打哈欠动作检测方法中，作为一种优选方案，所述步 骤4中"采用主动形状模型算法将面部匹配模板中的各个特征区域轮廓与当前帖视频图像 中人脸图像区域的各个面部特征区域进行对应的匹配定位"的具体方式为；首先调用主动 形状模型匹配算法数据库中的Init化ape化加iDetBox()函数对面部匹配模板进行初始化， 等待匹配定位；然后调用主动形状模型匹配算法数据库中的ASMSeqSearch()函数在当前 帖视频图像的人脸图像区域中分别捜索面部匹配模板中的每个特征区域轮廓的最佳匹配 位置，进行匹配定位处理，确定面部匹配模板在当前帖视频图像的人脸图像区域中各个面 部特征区域对应的特征区域轮廓的实际形状。
[0010] 上述述用于疲劳驾驶检测的打哈欠动作检测方法中，作为一种优选方案，所述步 骤4中"根据嘴部特征区域轮廓的实际形状计算其覆盖的像素高度值H和像素宽度值W" 的具体方式为：在当前帖视频图像中绘制匹配定位得到的面部匹配模板中嘴部特征区域 轮廓的外接矩形，确定所述外接矩形左上角的像素坐标点狂?，Y"w)和右下角的像素坐标