文 献 综 述

驾驶疲劳，是指驾驶人在长时间连续行车后，产生生理机能和心理机能的失调，而在客观上出现驾驶技能下降的现象。驾驶人睡眠质量差或不足，长时间驾驶车辆，容易出现疲劳。驾驶疲劳会影响到驾驶人的注意、感觉、知觉、思维、判断、意志、决定和运动等诸方面。疲劳后继续驾驶车辆，会感到困倦瞌睡，四肢无力，注意力不集中，判断能力下降，甚至出现精神恍惚或瞬间记忆消失，出现动作迟误或过早，操作停顿或修正时间不当等不安全因素，极易发生道路交通事故。因此，疲劳后严禁驾驶车辆。

疲劳驾驶是造成交通死亡事故的主要原因之一。许多国家的交通事故的统计数据表明，造成人身伤害甚至死亡的事故中20％以上由疲劳驾驶导致。开发能够实时检测疲劳驾驶行为并对驾驶员进行及时预警的系统，对改善交通安全状况意义重大。

许多国家都比较重视疲劳驾驶预警系统的研究工作,早期的疲劳驾驶测评主要是从医学角度出发,借助医疗器件进行的.这些研究可以追溯到1935年美国交通部管辖的洲际商业协会ICB要求美国公共卫生服务署USPHS对城市商业机动车驾驶员服务时间管理条例的合理性所进行的调查.但是对疲劳驾驶的实质性的研究工作,是从20世纪80年代由美国国会批准交通部实施驾驶服务时间(HOS)改革,研究商业机动车驾驶和交通安全的关系,并健全卡车和公共汽车安全管理条例开始的,由此把疲劳驾驶的研究提到立法高度,保证了开展疲劳驾驶研究的合法性、有效性和持续性[1,3].其研究工作大致可以分为两大类:一研究疲劳瞌睡产生的机理和其他各种诱发因素,寻找能够降低这种危险的方法;二研制车辆智能报警系统,防止驾驶员瞌睡状态下驾驶.

我国的疲劳驾驶预警系统的研究起步较晚,目前比较成型的疲劳驾驶预警系统是2000年石坚、马勇等人研制的.该系统通过传感器测量驾驶员驾驶时方向盘、踏板等的运动参数来判别驾驶员的安全因素,发现方向盘的操纵情况与驾驶员的疲劳程度有一定的联系,方向盘较长时间不动,说明驾驶员在打瞌睡

特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。

特征的定义

至今为止特征没有万能和精确的定义。特征的精确定义往往由问题或者应用类型决定。特征是一个数字图像中”有趣”的部分，它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提取最重要的一个特性是”可重复性”：同一场景的不同图像所提取的特征应该是相同的。

特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。
有时，假如特征提取需要许多的计算时间，而可以使用的时间有限制，一个高层次算法可以用来控制特征提取阶层，这样仅图像的部分被用来寻找特征。
由于许多计算机图像算法使用特征提取作为其初级计算步骤，因此有大量特征提取算法被发展，其提取的特征各种各样，它们的计算复杂性和可重复性也非常不同。
边缘
边缘是组成两个图像区域之间边界（或边缘）的像素。一般一个边缘的形状可以是任意的，还可能包括交叉点。在实践中边缘一般被定义为图像中拥有大的梯度的点组成的子集。一些常用的算法还会把梯度高的点联系起来来构成一个更完善的边缘的描写。这些算法也可能对边缘提出一些限制。
局部地看边缘是一维结构。
角
角是图像中点似的特征，在局部它有两维结构。早期的算法首先进行边缘检测，然后分析边缘的走向来寻找边缘突然转向（角）。后来发展的算法不再需要边缘检测这个步骤，而是可以直接在图像梯度中寻找高度曲率。后来发现这样有时可以在图像中本来没有角的地方发现具有同角一样的特征的区域。
区域
与角不同的是区域描写一个图像中的一个区域性的结构，但是区域也可能仅由一个像素组成，因此许多区域检测也可以用来监测角。一个区域监测器检测图像中一个对于角监测器来说太平滑的区域。区域检测可以被想象为把一张图像缩小，然后在缩小的图像上进行角检测。
脊
长条形的物体被称为脊。在实践中脊可以被看作是代表对称轴的一维曲线，此外局部针对于每个脊像素有一个脊宽度。从灰梯度图像中提取脊要比提取边缘、角和区域困难。在空中摄影中往往使用脊检测来分辨道路，在医学图像中它被用来分辨血管。
特征抽取
特征被检测后它可以从图像中被抽取出来。这个过程可能需要许多图像处理的计算机。其结果被称为特征描述或者特征向量
疲劳驾驶检测的研究是一直是机器视觉领域的一个研究热点，并且与人们的生命、财产安全密切相关，具有十分重要的理论价值和应用价值。近十年来，基于机器视觉的疲劳驾驶检测的相关技术有了长足的进步，有大量优秀检测方法和检测系统出现。但是，目前的疲劳驾驶检测系统还面临很多需要解决的技术难题。本文针对疲劳驾驶检测过程中的人脸特征定位和疲劳状态识别中存在的难点进行了研究和实验。在整个过程中，本文的主要研究内容和创新点如下:
　　 (1)设计了一种针对多姿态人脸的人脸检测方法
　　 针对多姿态人脸，设计了一种对人脸姿态变化不敏感的人脸检测方法，主要解决了两个难点:一，Adaboost算法在人脸姿态变化较大情况下检测率不高;二，传统高斯肤色模型对不同肤色和光照下的人脸肤色鲁棒性不好。针对存在的两个问题，设计一种自适应更新参数的人脸肤色模型，并结合Adaboost人脸检测算法设计了人脸检测方法，在一定程度上克服了传统高斯肤色模型对不同肤色和光照鲁棒性不高问题和Adaboost人脸检测方法对姿态变化的敏感性。在FERET彩色人脸库、LFW人脸库和自然场景下拍摄的多人脸图像上进行验证实验，实验结果表明本文的人脸检测方法能够有效的检测多姿态的人脸。
　　 (2)改进Camshift算法实现了快速鲁棒的人脸跟踪
　　 Camshift跟踪算法具有很好的实时性，但存在鲁棒性不强、不能自动跟踪、遇到遮挡丢失、存在干扰人脸易跟踪错等问题。为使Camshift人脸跟踪过程速度更快、准确度更高，同时能有效克服检测过程中姿态、遮挡以及存在干扰人脸等问题，本文改进Camshift算法的跟踪框，使其能够更准确的框住人脸，同时排除其他非人脸部分;并且在Camshift算法中引入一个反馈处理机制，充分利用了Adaboost人脸检测算法在正面人脸检测上高准确率，实现了实时鲁棒跟踪和存在干扰人脸时的人脸跟踪。
　　 (3)设计了一种快速准确的人眼检测和瞳孔定位方法
　　 为克服眼部的表情、光照、眼镜遮挡等因素的影响，设计了一种基于Gabor滤波和K-medoid聚类算法的人眼检测方法，以及结合灰度分布和熵函数的瞳孔定位方法。根据眼部的横向特征受表情、光照变化和眼镜遮挡影响较小的特点，设计了不同参数相结合的Gabor滤波器，有效突出人眼的横向特征，并结合K-medoid聚类算法设计聚类方法来检测人眼。并根据眼部的灰度分布特征和复杂度特征，设计了结合灰度分布和熵函数的瞳孔定位方法。在BioID人脸库和FERET彩色人脸库上进行了验证实验，实验结果表明本文方法在表情、光照、遮挡等因素影响下仍有较好的鲁棒性。
　　 (4)研究了一种有效的人脸3D姿态判别方法
　　 分析现有的人脸姿态估计方法，可知在人脸姿态估计的过程中，人脸特征点的精确定位非常关键，也是影响人脸姿态估计准确度的一个重要原因。为克服特征点定位不准确给人脸姿态估计带来的影响，本文研究一种基于多模板AAM和人脸T型结构的姿态参数估计方法。通过训练得到多姿态的AAM模板集来进行特征点的精确定位，并利用人脸特征的T型结构进行人脸3D姿态的参数估计。基于东方人脸库的实验证明了本文方法的有效性。
　　 (5)设计了一种疲劳驾驶检测中人脸参数提取方法
　　 本文主要应用主动表观模型(AAM)进行疲劳驾驶检测过程中的人脸参数提取。主要解决的难点:通过建立个人AAM模板的方法部分解决了通用AAM模板对不同个体和姿态定位不准确的问题;在人脸参数提取和状态估计方面，结合AAM的特征点定位建立了眼部和嘴部的状态模型来测量和估计人脸状态，并结合AAM和T形结构来估计人脸3D姿态。基于曼切斯特大学的谈话人脸视频，RS-DMV数据库的一段驾驶视频和实验室拍摄的仿疲劳状态驾驶视频的实验结果证明了本文的驾驶员人脸参数提取方法的有效性。

参考文献