摘  要： 針對(duì)車(chē)載疲勞駕駛檢測(cè)的應(yīng)用，設(shè)計(jì)了基于TMS320DM642嵌入式平臺(tái)的疲勞檢測(cè)系統(tǒng)。首先在YCbCr空間進(jìn)行膚色分割，之后采用基于人眼特征的改進(jìn)混合投影算法定位人眼區(qū)域，然后計(jì)算人眼區(qū)域的高度并判斷人眼的睜閉狀態(tài)，最后利用PERCLOS算法對(duì)疲勞程度做出檢測(cè)。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)準(zhǔn)確率高、實(shí)時(shí)性好，能很好地滿(mǎn)足車(chē)載疲勞駕駛檢測(cè)的需要。
關(guān)鍵詞： TMS320DM642；疲勞駕駛檢測(cè)；混合投影；PERCLOS算法

　隨著近年來(lái)我國(guó)汽車(chē)數(shù)量的快速增長(zhǎng)，交通事故的發(fā)生變得愈加頻繁。而疲勞駕駛往往是造成這些事故的主要因素，因此對(duì)防范疲勞駕駛的研究引起了眾多學(xué)者和機(jī)構(gòu)的廣泛重視。研究車(chē)載的疲勞駕駛檢測(cè)系統(tǒng)，實(shí)現(xiàn)對(duì)駕駛員疲勞狀態(tài)的監(jiān)控，在保障駕駛員安全駕駛方面有重要的應(yīng)用價(jià)值和實(shí)際意義。
　在各種疲勞檢測(cè)系統(tǒng)中，基于人眼參數(shù)的疲勞檢測(cè)由于其準(zhǔn)確率高、受主觀因素影響小以及非接觸的優(yōu)點(diǎn)獲得了廣泛的應(yīng)用。其檢測(cè)原理為駕駛員眼睛閉合頻率與疲勞程度的相關(guān)性，如何準(zhǔn)確地定位人眼是該類(lèi)系統(tǒng)研究的主要問(wèn)題。目前常用的人眼定位方法有模板匹配法、霍夫變換法以及灰度投影法等[1]。
　模板匹配法[2]事先選取人眼的模板，通過(guò)在圖像中進(jìn)行匹配來(lái)定位人眼。但其準(zhǔn)確度十分依賴(lài)選取的模板，且定位過(guò)程中需要匹配左右兩只人眼，計(jì)算量較大、實(shí)時(shí)性差。霍夫變換法[3]提取待檢測(cè)圖像的邊緣，用霍夫曼的圓檢測(cè)法定位人眼。該方法要求邊緣提取具有較好的效果，并且圖像中的眼球具有明顯的圓形特征。這意味著對(duì)原圖進(jìn)行大量的預(yù)處理，并且當(dāng)人眼閉合或半閉合時(shí)檢測(cè)率降低?；叶韧队胺╗4]對(duì)人臉圖像的灰度值進(jìn)行投影統(tǒng)計(jì)，再根據(jù)極值點(diǎn)的位置定位人眼。該方法計(jì)算量小、運(yùn)算速度快，但是容易受到眉毛部分的影響。
　本文設(shè)計(jì)了基于TMS320DM642圖像處理硬件平臺(tái)的車(chē)載疲勞駕駛檢測(cè)系統(tǒng)。為了盡量提高系統(tǒng)的實(shí)時(shí)性、保證駕駛員的駕駛安全，系統(tǒng)采用實(shí)時(shí)性最好的灰度投影法進(jìn)行人眼的定位，并在此基礎(chǔ)上針對(duì)灰度投影法的不足進(jìn)行了改進(jìn)。整個(gè)疲勞駕駛檢測(cè)系統(tǒng)實(shí)現(xiàn)了對(duì)駕駛員疲勞程度的檢測(cè)，并且有較高的準(zhǔn)確率和實(shí)時(shí)性，具有很好的實(shí)用性。
1 系統(tǒng)硬件平臺(tái)
　本系統(tǒng)硬件平臺(tái)采用DSP芯片TMS320DM642作為核心處理器，外設(shè)模塊包括視頻解碼與編碼模塊、SDRAM內(nèi)存模塊、時(shí)鐘模塊、電源與復(fù)位模塊等。視頻解碼模塊采用1片SAA7113，將攝像機(jī)采集的模擬視頻信號(hào)解碼為BT656（YCbCr 4：2：2）格式的復(fù)合視頻信號(hào)，分辨率為720×576。視頻編碼模塊采用1片SAA7105，將視頻口2輸出的疲勞檢測(cè)后的圖像信號(hào)編碼為模擬視頻信號(hào)。SDRAM模塊采用2片MT48C4M32芯片，總空間大小為32 MB。系統(tǒng)通過(guò)模擬攝像頭采集視頻，經(jīng)由SAA7113解碼送入DM642的視頻口0，然后將視頻數(shù)據(jù)經(jīng)由EMIF（External Memory Interface）搬移到SDRAM中進(jìn)行處理[6]，最后將處理好的視頻數(shù)據(jù)送入視頻口2，由SAA7105芯片編碼為模擬信號(hào)后輸出到監(jiān)視器顯示。硬件平臺(tái)結(jié)構(gòu)如圖1所示。

2 疲勞檢測(cè)算法的研究
　如何提高人眼定位的準(zhǔn)確率是疲勞檢測(cè)的主要研究?jī)?nèi)容，常用的人眼定位方法有：模板匹配法、霍夫變換法以及灰度投影法等。其中模板匹配法和霍夫變換法定位精度高，但是運(yùn)算量較大，難以實(shí)時(shí)檢測(cè)駕駛員的疲勞程度?；叶韧队胺ㄋ惴ê?jiǎn)單、運(yùn)算速度快，較為適合本文的實(shí)時(shí)疲勞檢測(cè)。根據(jù)上述分析，本文采用實(shí)時(shí)性最好的灰度投影法來(lái)定位人眼，并針對(duì)常用的灰度投影法進(jìn)行了改進(jìn)。針對(duì)積分投影算法精度不高和易受眉毛部分干擾的問(wèn)題，采用了基于人眼特征的改進(jìn)混合投影算法來(lái)實(shí)現(xiàn)人眼的準(zhǔn)確定位。
　疲勞檢測(cè)主要流程為：膚色分割、人眼定位、疲勞檢測(cè)。首先在YCbCr空間進(jìn)行膚色分割，得到人臉膚色區(qū)域，并根據(jù)人臉“三庭五眼”的特征框定出人眼檢測(cè)區(qū)域；之后在灰度圖像的待檢測(cè)區(qū)域內(nèi)采用改進(jìn)混合投影算法進(jìn)行人眼定位，最后對(duì)駕駛員的疲勞狀態(tài)做出判斷。算法流程如圖2所示。

2.1 基于YCbCr空間的膚色分割
　本文首先根據(jù)人類(lèi)膚色在YCbCr顏色空間的聚類(lèi)性，根據(jù)各像素的Cb和Cr值將原始圖像二值化為膚色區(qū)域和非膚色區(qū)域。之后根據(jù)二值圖像和人臉“三庭五眼”的特征，在原始圖像的亮度分量中標(biāo)記出人臉區(qū)域和去除了眉毛的人眼檢測(cè)區(qū)域。后續(xù)定位只在人眼檢測(cè)區(qū)域內(nèi)進(jìn)行，在降低運(yùn)算量的同時(shí)提高了定位的準(zhǔn)確率。圖3分別為原始圖像、膚色分割后的二值圖像、框定的人臉區(qū)域、以及人眼檢測(cè)區(qū)域。

2.2 人眼定位
2.2.1 基于人眼特征的改進(jìn)混合投影算法
　傳統(tǒng)的灰度投影算法大多采用積分投影實(shí)現(xiàn)，該方法根據(jù)人眼區(qū)域內(nèi)像素的灰度明顯低于其他區(qū)域的特性，分別在水平和垂直方向上統(tǒng)計(jì)各行和各列像素灰度的均值，并找出均值最小的行和列作為人眼中心位置的水平和垂直坐標(biāo)，實(shí)現(xiàn)人眼中心位置的定位。并進(jìn)一步以該位置為中心，分別向上下和左右方向查找各自均值的極大值，從而完成人眼上下和左右邊界的定位。由于該方法只考慮了灰度的均值變化，因此當(dāng)某一區(qū)域內(nèi)的灰度均值相同時(shí)，無(wú)論該區(qū)域內(nèi)各像素點(diǎn)的灰度呈何種分布都無(wú)法進(jìn)行區(qū)分[7]。因此人眼定位精度不高且定位結(jié)果容易受到眉毛部分的干擾，導(dǎo)致定位不準(zhǔn)確。
　經(jīng)分析可知，灰度圖像中人眼區(qū)域的像素具有其特有的灰度分布特征。在水平投影方向，人眼區(qū)域的灰度值變化很劇烈，灰度的方差值很大，且越靠近人眼中心越大。而眉毛附近像素的灰度值變化卻較平穩(wěn)，灰度方差較小，使得人眼和眉毛具有很明顯的差異。同時(shí)，在垂直投影方向，人眼區(qū)域的像素也有相同的分布特性。因此本文采用一種混合投影算法定位人眼，即采用均值函數(shù)和方差函數(shù)的加權(quán)值作為人眼的定位函數(shù)，實(shí)現(xiàn)對(duì)灰度總體分布和局部變化的同時(shí)反映?；旌贤队昂瘮?shù)如下：

2.2.2 人眼定位步驟
　人眼檢測(cè)區(qū)域主要包含人眼和眉毛部分，其中眉毛會(huì)對(duì)人眼的定位產(chǎn)生影響。由于人眼的水平投影具有很大方差，和眉毛有明顯區(qū)別。故先水平投影確定人眼上下邊界后，再在該邊界內(nèi)垂直投影確定人眼左右邊界，以減小眉毛對(duì)人眼左右邊界定位的影響，實(shí)現(xiàn)人眼的準(zhǔn)確定位。由于在行車(chē)過(guò)程中駕駛員會(huì)不停轉(zhuǎn)動(dòng)頭部，會(huì)出現(xiàn)只能檢測(cè)到一只人眼的情況。因此本文只檢測(cè)更接近畫(huà)面中心的一只人眼，根據(jù)雙眼狀態(tài)的一致性，另外一只人眼也應(yīng)該具有相同的睜閉狀態(tài)，這樣既提高了檢測(cè)準(zhǔn)確率，也降低了運(yùn)算量。
具體步驟如下：
?。?）計(jì)算框定的人臉區(qū)域左邊界到人眼檢測(cè)區(qū)域左邊界距離Ll，以及人臉區(qū)域右邊界到人眼檢測(cè)區(qū)域右邊的距離Lr。若Ll≤Lr，則說(shuō)明駕駛員頭部向左轉(zhuǎn)動(dòng)，此時(shí)右眼更接近畫(huà)面中心，后續(xù)步驟中只定位右眼。反之，則定位左眼。
?。?）在人眼檢測(cè)區(qū)域內(nèi)進(jìn)行水平投影，查找投影最大值出現(xiàn)的行，該行即為人眼垂直中心位置。再?gòu)脑撐恢梅謩e向上和向下查找投影極小值出現(xiàn)的行，得到人眼的上下邊界Eyeup、Eyedown。
?。?）在人眼上下邊界內(nèi)的人眼檢測(cè)區(qū)域中進(jìn)行垂直投影，得到人眼的水平中心位置和左右邊界Eyel和Eyer，完成人眼的定位。
　實(shí)驗(yàn)過(guò)程中采用基于人眼特征的改進(jìn)混合投影算法分別對(duì)多個(gè)角度的人臉進(jìn)行了人眼定位，并與積分投影定位和傳統(tǒng)混合投影定位進(jìn)行了結(jié)果對(duì)比，結(jié)果如圖4所示。實(shí)驗(yàn)結(jié)果表明：由于只對(duì)灰度總體分布進(jìn)行統(tǒng)計(jì)，使得傳統(tǒng)的積分投影定位容易受到眉毛的干擾，甚至將眉毛誤檢測(cè)為人眼；而傳統(tǒng)的混合投影由于沒(méi)有考慮人眼區(qū)域特有的灰度分布特征，使得對(duì)于人眼邊界的定位精度不高；而本文所采用的投影算法能夠更加準(zhǔn)確地對(duì)人眼各邊界進(jìn)行定位。
2.3 疲勞檢測(cè)
　本文采用PERCLOS算法來(lái)判斷駕駛員的疲勞程度[8]。PERCLOS即單位時(shí)間內(nèi)人眼閉合時(shí)間所占百分比，在本文中的計(jì)算公式為：

　實(shí)驗(yàn)表明當(dāng)測(cè)試者處于清醒狀態(tài)時(shí)，系統(tǒng)檢測(cè)出的PERCLOS值均小于0.4，當(dāng)測(cè)試者處于模擬疲勞狀態(tài)時(shí)，PERCLOS值均大于0.4，在兩種狀態(tài)下均未出現(xiàn)錯(cuò)檢情況。實(shí)驗(yàn)中本系統(tǒng)疲勞檢測(cè)幀率為21.8幀/s，而傳統(tǒng)積分投影為22.3幀/s。測(cè)試結(jié)果表明本系統(tǒng)能夠準(zhǔn)確地判斷駕駛員的疲勞狀態(tài)，且具有很好的實(shí)時(shí)性，能夠滿(mǎn)足車(chē)載疲勞駕駛檢測(cè)的需求。
　針對(duì)車(chē)載疲勞駕駛檢測(cè)的應(yīng)用，本文設(shè)計(jì)了基于TMS320DM642的駕駛員疲勞駕駛檢測(cè)系統(tǒng)。首先在YCbCr色彩空間進(jìn)行膚色分割并框定出人眼檢測(cè)區(qū)域，再采用基于人眼特征的改進(jìn)混合投影算法定位人眼，最后根據(jù)定位出的人眼的高度檢測(cè)駕駛員的疲勞狀態(tài)。實(shí)驗(yàn)表明該系統(tǒng)檢測(cè)準(zhǔn)確率高、實(shí)時(shí)性好，具有較高的實(shí)用價(jià)值。
參考文獻(xiàn)
[1] 孫曉玲，侯德文，儲(chǔ)凡靜.人臉識(shí)別中的眼睛定位方法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2008，18（10）：46-48.
[2] 王江波，李紹文.基于Adaboost算法和模板匹配的人眼定位[J].計(jì)算機(jī)測(cè)量與控制，2012，20（5）：1347-1349.
[3] 劉念，蘇杭，郭純宏.基于Hough變換圓檢測(cè)的人眼定位方法改進(jìn)[J].計(jì)算機(jī)工程與設(shè)計(jì)，2011，32（4）：1359-1362.
[4] 劉紀(jì)紅，李中帆.基于視頻的人眼跟蹤方法研究[J].小型微型計(jì)算機(jī)系統(tǒng)，2012，33（9）.
[5] JAIN A K， HSU R L， MOHAMED A M. Face Detection in Color Images[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2002， 24（5）：696 -705.
[6] 王躍宗，劉京會(huì).TMS320DM642 DSP應(yīng)用系統(tǒng)開(kāi)發(fā)與設(shè)計(jì)[M].北京：人民郵電出版社，2009.
[7] 耿新，周志華，陳世福.基于混合投影函數(shù)的眼睛定位[J].軟件學(xué)報(bào)，2003，14（8）：1394-1400.
[8] WIERWILLE W. Research on vehicle based driver status/performance monitoring： development， validation， and refinement of algorithms for detection of driver drowsiness[R]. Washington， DC： National Highway Traffic Safety Administration， 1994.