疲劳驾驶提示原理
ldw车道偏离预警原理
LDW车道偏离预警系统的原理是采集分析行车路线，当车辆偏离车道时，系统会在偏离前对驾驶员发出警告，将事故发生的可能性降到最低。
具体来说，该系统通过安装在车身上的摄像模块来采集信息，判断车子是否处于既定轨道。
当监测到车子即将偏离轨道时，它会在偏离前对驾驶员发出警告，将事故发生的可能性降到最低。
若是要深究这个功能出现的本质，其实主要是为了防止疲劳驾驶，因为长时间驾驶可能会导致注意力不集中，从而导致轨道偏离。
据有关消息显示，有一半以上的交通事故的发生都是因为车道偏离引起的，一不留神，司机就会有生命危险，所以该功能的出现，是十分必要的，至少可以规避不少风险。
高速公路车辆防疲劳预警系统
由于 长直线行 驶会使 驾驶员感 到单调 、疲倦和 急躁 ，易超 速行 驶 ，对行 车安全极 为不利 ，且 不利于线 形的连接 。 由于我 国地域辽 阔，地形差异较大 ，对高速公路直线长度很难做 出统一规定 ，但一般 以２ ０ Ｖ（ 设计时速 ）为宜 。 《 中华人民共和国道路 交通安全 法实施条例 》规定高速公路应当 标 明车道的行驶速度 ，最高车速不得超过每小时１ ２ ０ 公里 ，最低车速不 得低于每小时６ ０ 公里。 《 公路路线设计规范 》规定 ：当Ｖ ＞６ ￣ ０ ｋ ｍ ／ ｈ 时， 同向圆曲线间的直线最小 长度 （ 以ｋ ｍ ￣ ｔ） ， 以不小于６ Ｖ 为宜 ，反向圆曲 线 间的直线最小长度 （ 以ｋ ｎ 计 ）以不小于２ Ｖ 为宜。 驾驶员在长直道路上也会 由于路 面的坡度 ，汽车齿轮磨损等各种 原 因，需要不停 的转动方 向盘修正行车轨迹 ， 使 车辆在公路上沿着车 道行驶 。为了防止驾驶员在直线行车时因疲劳引发 车祸 ，故考虑取行 车在最短直线 （ 即反向圆曲线 间的最小直线长度２ Ｖ） 上 的行驶时间作 为设置时间 ， 计算公式如下 ：
一
：
：
驾驶员行 为特征 的检 测方法有 ： “ Ｐ Ｅ Ｒ Ｃ Ｌ Ｏ Ｓ ”检测 、头部位置 跟踪判别 、视线方 向检测和嘴部状态检测四种 。这几种 检测可 实现非 侵入式检测 ，但大都需要摄像头采集人脸图像 ，成本较 高 ， 且检测识 别算法 十分复杂 ，检测结果易受环境变化和个体差异 （ 个人 的面部特 征） 的影响较大 ，因此也不适合普及 。
２国 内外 同类系统 的研 究进展
２ ． １ 基 于 医学 的榆 测方 法
研究表 明 ， 驾驶 员在疲 劳状态下 的生理指标会偏离正常值 ，医学 检测是通过生理指标检测对驾驶员的疲 劳状况进行分析 和判断 。检测 方法有 ：脑 电图、心 电图 、脉搏跳动 、肌电图等。生理传感器 大都有 侵入性 ，不利于驾驶安全。驾驶员在疲劳状态下 ， 其 心理 和生理特征 与正常状态下有较大不 同， 但 目前反映这些特征变化 的数据很系统
基于YOLOv5的疲劳与危险驾驶行为检测系统研究
收稿日期:2022-08-24基金项目:武昌工学院校级创新训练项目 基于Y O L O v 5的疲劳与分心驾驶行为检测系统 (X 202213241030)㊂作者简介:李孟成(1999 ),男,湖北黄冈人,就读于武昌工学院㊂通讯作者:罗甜(1992 ),女,湖北武汉人,毕业于南京邮电大学,硕士,研究方向:人工智能的商业应用㊂基于Y O L O v 5的疲劳与危险驾驶行为检测系统研究李孟成,罗 甜,张 琰,吴兴安(武昌工学院,湖北武汉 430065) 摘 要:疲劳驾驶和危险驾驶是造成交通事故的主要原因,文章基于Y O L O v 5目标检测算法和d l i b 人脸识别库,分别从人脸朝向㊁位置㊁眼睛开合度㊁眨眼频率㊁驾驶员手持物品定位,分析物品形态㊁物品大小等数据,通过这些数据,利用Y O L O v 5算法实时地计算出驾驶员是否存在疲劳驾驶和危险驾驶的行为,若存在则通过系统及时给出相应的安全提示㊂关键词:目标检测;疲劳检测;Y O L O v 5中图分类号:T P 31 文献标识码:A 文章编号:1007 6921(2023)06 0107 041 研究背景及意义近年来,随着私家车数量的增多,交通压力和交通事故也变成了一个严重的社会问题㊂研究表明,80%~90%的交通事故主要由于注意力不够集中或不当操作等人为因素造成,而在所有的驾驶员人为因素中,疲劳驾驶是主要原因之一㊂据有关资料研究表明,若在潜在交通事故发生前提前1s 给驾驶员发出警报,则可避免90%的类似交通事故㊂疲劳与分心驾驶行为检测系统可通过计算机机器视觉检测技术,实时获取驾驶员在行驶过程中的脸部信息,基于训练好的算法模型对采集到的驾驶人员的脸部信息进行面部特征提取,并对比分析非疲劳情况下人眼睛眨眼的频率与疲劳状态下的眨眼频率,以及各种危险驾驶行为的检测,最终判定驾驶员当前是否处于疲劳状态或者分心危险驾驶状态㊂若检测并判断出驾驶员处于危险驾驶状态,系统会及时给出警告信息,并将信息同步上传平台,帮助相关部门做好相应紧急预案并做好历史数据记录㊂出于个人及社会安全考虑,对于多次疲劳驾驶的人员,相关部门可依据平台数据对其进行警告或劝退,以减少不必要的伤亡事故的发生㊂笔者基于人工智能技术,希望能最大限度地减少因驾驶人员自身因素导致的各种交通事故的发生,为驾驶人员,出行人员及社会的安全提供保障㊂2 系统设计2.1 系统总体设计图1 系统设计流程系统设计流程图见图1㊂通过调用s e l f .c a p =c v 2.V ide o C a p t u r e (0)函数打开电脑内置摄像头,获取图像并进行预处理;进行人脸检测,即初始化D L I B 的人脸检测器(HO G );创建面部标志物预测㊁使用d l i b .ge tf r o n t a l f a c e d e t e c t o r ()获得脸部位置检测器㊁使用d l i b .s h a p e p r e d i c t o r 获得脸部特征位置检测器㊁使用p r e d i c t o r (g r a y,r e c t )获得脸2023年3月内蒙古科技与经济M a r c h 20236520I n n e r M o n g o l i a S c i e n c e T e c h n o l o g y &E c o n o m yN o .6T o t a l N o .520部特征位置的信息,若检测到脸部,则进行下一步,否则,直接进行下一次检测㊂紧接着,进行疲劳判断,人眼定位和嘴巴定位,即通过构造函数计算左右眼的E A R 值,使用平均值作为最终的E A R ,确定眨眼频率和嘴巴开合度,并与设定的阈值进行对比,如果连续2次都小于阈值,则表示进行了一次眨眼活动,如果连续3次都小于阈值,则表示打了一次哈欠进而进行疲劳判断,即P E R C L O S 准则的P 80标准㊂疲劳模型以150帧为一个循环,若P e r c l o s 模型得分超过0.38时,则判断为疲劳状态,系统会通过语音的方式进行提示,若P e r c l o s 模型得分不超过0.38时,则回到平时状态㊂分心行为判断,危险行为定位,是通过将摄像头读到的一帧画面传入检测函数m y f r a m e .f r a m e t e s t (),进行喝水㊁抽烟㊁玩手机判断,在15帧内,若读取的每一帧画面被判定为喝水㊁抽烟㊁玩手机3种分心行为之一,则以红字的形式在屏幕上提示危险行为,并进行语音提示,若没有检测分心行为,则回到平时状态㊂图2 功能模块架构系统模块架构如图2所示,疲劳与危险驾驶行为检测模型,由前端U I 设计模板和后端疲劳检测模块构成㊂其中,前端U I 设计模板细分为疲劳检测(打哈欠检测㊁眨眼检测)㊁视频源(摄像头)㊁状态输出(判断是否疲劳)三部分;后端疲劳检测模块细分为Y O L O v 5单阶段目标检测算法(检测抽烟㊁喝酒㊁玩手机行为)和HO G ㊁p yr a m i d 人脸检测算法(检测打哈欠和眨眼频率)㊂结合上述分析,系统主要功能如下㊂2.1.1 驾驶员疲劳检测2.1.1.1 驾驶人员眨眼频率检测㊂基于d l i b 人脸识别68特征点检测㊁分别获取左右眼面部标志的索引,o p e n c v 对视频流进行灰度化处理,检测出人眼的位置信息,通过与正常非疲劳状态下眨眼频率对比,分析是否眨眼频率过高,构成疲劳驾驶,并进行语音提示㊂2.1.1.2 驾驶人员打哈欠识别检测㊂基于d l i b 人脸识别68特征点检测㊁获取嘴部面部标志的索引,通过o p e n c v 对视频流进行灰度化处理,检测出人嘴的位置信息,对比分析是否为打哈欠行为,并进行语音提示㊂2.1.2 驾驶员危险行为检测基于Y O L O v 5图像识别算法㊁获取驾驶员危险行为预测,通过对应的接口函数使用设计分心模型预测危险行为,并进行语音提示㊂2.2 关键技术2.2.1 前端U I 设计工具使用了当下流行的P yS i d e ㊂它是跨平台的应用程序框架Q t 的P y t h o n 绑定版本㊂提供和P y Q t 类似的功能,并相容A P I㊂图3 U I 界面图如图3所示,本系统的U I 界面,点击打开,便会调用摄像头,随后进行疲劳与危险驾驶行为检测,若在设定时间内,检测到相关行为且判定为疲劳,U I 界面右边则会用红字进行提示疲劳,反之,则会显示清醒㊂2.2.2 前后端交互设计图4 前后端交互设计如图4所示,前端通过摄像头获取信息,即人眼定位㊁嘴巴定位㊁行为定位(喝水㊁抽烟㊁玩手机);后端逻辑层通过d l i b 库㊁Y O L O v 5单阶段目标检测算总第520期内蒙古科技与经济法及P y t h o n 第三方库进行疲劳检测和分心检测㊂前端视图层调用后端的d l i b 库及p y t h o n 第三方库技术获取人脸信息,同时后端逻辑层调用前端视图层的数据(疲劳与危险驾驶行为)并调用自身算法进行处理,然后又返回给前端视图层输出结果㊂2.2.3 后端d l i b 人脸识别模型基于p yt h o n 的d l i b 库人脸识别算法,提供后端接口A P I,实现人脸眨眼,人脸打哈欠等功能㊂d l i b 人脸识别模型示意图如图5所示,摄像头开启后,d l i b 人脸识别特征模型调用f r a m e r e s t(f r a m e )㊁C a m C o n f i g i n i t ()㊁s h o w p i c (s e l f )等对驾驶员进行面部识别,然后,Y O L O v 5图像检测算法也调用以上代码对识别的面部进行行为判断,进而将结果反馈给用户㊂图5 d l i b 人脸识别模型示意图2.2.4 Y O L O v 5图像识别算法分析Y O L O v 5算法主要有输入模块(I n pu t )㊁主干特征提取模块(B a c k b o n e )㊁特征加强模块(N e c k )㊁检测模块(H e a d )4个部分构成㊂Y O L O v 5算法整体结构如图6所示,在特征提取部分,Y O l O v 5提取多特征层进行目标检测,一共提取3个特征层㊂图6 Y O L O v 5算法整体结构3个特征层位于主干部分C S P D a r k n e t 的不同位置,分别位于中间层,中下层,底层,当输入为(640,640,3)的时候,3个特征层的形状分别为t 1=(80,80,256)㊁t 2=(40,40,512)㊁t 3=(20,20,1024)㊂在获得3个有效特征层后,利用这3个有效特征层进行F P N 层的构建㊂特征金字塔可以将不同形状的特征层进行特征融合,有利于提取出更好的特征㊂3 疲劳及危险驾驶行为检测原理3.1 疲劳检测原理分析3.1.1 人脸特征点检测㊂人脸68个特征点检测用到了d l i b ,d l i b 有两个关键函数㊂d l i b .ge tf r o n t a l f a c e d e t e c t o r ()d l i b .s h a p e p r e d i c t o r (pr e d i c t o r p a t h )前者是内置的人脸检测算法,使用HO G p yr a -m i d ,检测人脸区域的界限(b o u n d s)㊂后者是用来检测一个区域内的特征点,并输出这些特征点的坐标,它需要一个预先训练好的模型(通过文件路径的方法传入),才能正常工作㊂3.1.2 计算眼睛的E A R基本原理:计算眼睛长宽比E y e A s pe c t R a t i o ,E A R ,如式(1)所示㊂当人眼睁开时,E A R 在某个值上下波动,当人眼闭合时,E A R 迅速下降,理论上会接近于零㊂系统设定当E A R 低于某个阈值时,眼睛处于闭合状态㊂此外,为检测眨眼次数,还需要设置同一次眨眼的连续帧数㊂眨眼速度比较快,一般1-3帧就完成了眨眼动作,以上两个阈值都要根据实际情况设置㊂E A R =P 2-P 6 + P 3-P 52 P 1-P 4(1)3.1.3 计算嘴巴的MA R基本原理:打哈欠可利用嘴巴处通过计算51㊁59㊁53㊁57的纵坐标㊁49㊁55的横坐标来计算眼睛的睁开度㊂如:1/2*[(y 51+y 53)-(y59+y 57)]/(x 55-x 49)点的距离来判断是否张嘴及张嘴时间,从而确定人是否是在打哈欠,同时这个阈值应当合理,应经过大量实验,能够与正常说话或哼歌区分开来㊂同眼睛相类似方法求嘴部欧式距离,如式(1)所示㊂3.1.4 计算P e r c l o s 模型得分#疲劳模型#每一帧R o l l 加1p e r c l o s =(R o l l e ye /R o l l )+(R o l l m o u t h /李孟成,等㊃基于Y O L O v 5的疲劳与危险驾驶行为检测系统研究2023年第6期R o l l)*0.2原理:疲劳模型以150帧为一个循环,每一帧R o l l加1,过去的150帧中,P e r c l o s模型得分超过0.38时,判断为疲劳状态㊂3.2危险驾驶的分心行为检测原理分析危险驾驶的分心行为检测直接使用两个封装好的接口:M y d e t e c t.p y M y F r a m e.p y3.2.1检测过程读取摄像头的一帧画面,将摄像头读到的数据传入检测函数m y f r a m e.f r a m e t e s t(),r e t为检测结果,r e t的格式为[l a b,e y e,m o u t h],l a b为y o l o的识别结果包含 p h o n e s m o k e d r i n k ,e y e为眼睛的开合程度(长宽比),m o u t h为嘴巴的开合程度㊂3.2.2危险驾驶的分心行为判断危险驾驶的分心行为检测以15帧为一个循环,如果检测到危险驾驶的分心行为,将信息返回到前端U I ㊂图7检测分心提示图注:**代表行为如果超过15帧未检测到分心行为,将状态修改为平时状态㊂4系统成果演示系统正常运行如图3所示,点击打开,系统会调用摄像头,然后将获取的图像在U I界面展示,右边会显示正在执行的操作㊂眨眼㊁打哈欠系统告警图,当眨眼次数和打哈欠次数达到阈值时,再根据P e r c l o s模型得分来判断疲劳状态,即若得分超过0.38,则判断为疲劳,反之,判断为清醒㊂检测玩手机㊁抽烟㊁喝水系统告警,当正在玩手机㊁抽烟㊁喝水时,系统会基于Y O L O v5图像识别算法㊁获取驾驶员的危险行为,并进行预测,即通过对应的接口函数使用分心模型来预测危险行为,然后,通过文字和语音的方式进行相应的警告提示㊂5结束语笔者从当前的社会交通事故根源问题出发,提出基于Y O L O v5算法和d l i b人脸识别库的疲劳及危险驾驶行为检测系统研究㊂本系统结合人脸㊁眼睛张合度㊁眨眼频率㊁驾驶行为等目标检测技术,实时监测并分析驾驶员是否存在疲劳驾驶和危险驾驶行为㊂若存在危险驾驶,可通过平台及时发出警报,以降低安全隐患,保障道路安全㊂[参考文献][1]熊睿,邓院昌.疲劳驾驶交通事故的严重程度影响因素分析[J].中国安全生产科学技术,2022,18(4):20-26.[2]田垚,李建良,郭秋蕊,等.多特征因素的疲劳驾驶检测方法[J].天津科技大学学报,2022,37(2):29-34.[3]郝佳杰,方赛银,肖洒,等.改进Y O L O v5的叶片黑斑病检测算法研究[J].南方农机,2022,53(16):1-4.[4]闫保中,王晨宇,王帅帅.基于人眼特征的疲劳驾驶检测技术研究[J].应用科技,2020,47(1):47-54.[5]胡峰松,程哲坤,徐青云,等.基于多特征融合的疲劳驾驶状态识别方法研究[J].湖南大学学报(自然科学版),2022,49(4):100-107.[6] S o z z i M a r c o,C a n t a l a m e s s a S i l v i a,C o g a t o A l e s-s i a,e t a l.A u t o m a t i c B u n c h D e t e c t i o n i n W h i t eG r a p e V a r i e t i e s U s i n g Y O L O v3,Y O L O v4,a n dY O L O v5D e e p L e a r n i n g A l g o r i t h m s[J].A g r o n-o m y,2022,12(2).[7] K A Z E M l V,S U L L I V A N J.O n e m i l l i s e c o n d f a c ea l i g n m e n t w i t h a n e n s e mb l e o f r e g r e s s i o n t r e e s[C]//2014I E E E C o n f e r e n c e o n C o m p u t e r V i-s i o n a n d P a t t e r n R e c o g n i t i o n.C o l u m b u s,O H,U S A:I E E E,2014:1867-1874.[8] WU Q,S U N B X,X I E B,e t a l.A P E R C L O S-b a s e d d r i v e r f a t i g u e r ec o g n i t i o n a p p l i c a t i o n f o rs m a r t v e h i c l e s p a c e[C]//2010T h i r d l n t e r n a-t i o n a l S y m p o s i u m o n I n f o r m a t i o n P r o c e s s i n g.Q i n g d a o,C h i n a:I E E E,2010:437-441. [9] L v N i n g,X i a o J i a n,Q i a o Y u j i n g.O b j e c t D e-t e c t i o n A l g o r i t h m f o r S u r f a c e D e f e c t s B a s e do n a N o v e l Y O L O v3M o d e l[J].P r o c e s s e s,2022,10(4).总第520期内蒙古科技与经济。
典型事故案例分析教案-1
江苏省技工学校教案首页
典型事故案例分析
教学目的、要求1、了解事故发生的原因、过程和现实后果，提高对于安全工作的责任感
2、认识事故的发生规律，总结经验、吸取教训，避免类似事故再次发生
教学重点、难点重点：1、疲劳驾驶典型事故案例分析
2、酒后驾驶典型事故案例分析
难点：认识事故的发生规律，总结经验、吸取教训
授课方法讲授法问答法归纳法引入法类比法电化教学法
教学参考及教具(含电教设备) 多媒体电化教学设备计算机网络资源等
授课执行情况及分析板书设计或授课提纲：
二、数据分析
2007年，全国共发生道路交通事故327209起，造成81649人死亡、380442人受伤，直接财产损失12亿元。
与2006年相比，事故起数减少51572起，下降13.6％；死亡人数减少7806人，下降8.7％；受伤人数减少50697人，下降11.8％；
亿元，下降19.5％。
其中，发生一次死
起，造成389人死亡。
与2006
教案纸。
dms芯片工作原理
dms芯片工作原理
DMS（驾驶员监控系统）芯片是一种用于监测驾驶员疲劳和注意
力水平的技术。
其工作原理基于对驾驶员的面部特征和行为进行实
时监测和分析。
这些芯片通常集成在车载摄像头或其他传感器设备中，通过图像处理和人工智能算法来识别驾驶员的眼睛、脸部表情、头部姿态等特征，以及监测驾驶员的眨眼频率、头部运动等行为。
DMS芯片的工作原理涉及以下几个方面：
1. 面部检测和识别，DMS芯片使用计算机视觉技术来检测和识
别驾驶员的面部特征，如眼睛、嘴巴、鼻子等，以及分析面部表情，识别疲劳或分心的迹象。
2. 眼睛状态监测，通过监测驾驶员的眼睛状态，包括眨眼频率、眼睛睁开或闭合的时间等，来判断驾驶员的警觉程度和疲劳程度。
3. 头部姿态识别，DMS芯片还可以识别驾驶员的头部姿态，监
测是否存在分心或打盹的情况，以及提醒驾驶员保持正确的驾驶姿态。
4. 数据分析和警示，通过实时分析驾驶员的面部特征和行为数据，DMS芯片可以生成警示信号，如声音或震动，提醒驾驶员注意安全驾驶。
总的来说，DMS芯片通过对驾驶员面部特征和行为的实时监测和分析，来识别疲劳驾驶和注意力不集中的情况，从而提醒驾驶员采取相应的措施，确保驾驶安全。
这些技术的应用有助于减少交通事故的发生，保障道路交通安全。
驾驶员疲劳驾驶预警系统的设计
驾驶员疲劳驾驶预警系统的设计马乐;姜立标;王会荣;王蒙【摘要】针对疲劳驾驶监测的要求,设计了一种基于IT公司高速图像处理芯片TMS320DM642的疲劳驾驶预警系统,用以判定驾驶员的疲劳程度,降低交通事故.系统采用机器视觉的方法,先通过CCD摄像头拍下驾驶员的面部图像序列,然后检测出脸部,从而定位眼睛,再利用PERCLOS算法判定疲劳状态.实验结果表明,该系统准确率高、速度快,可以满足非接触式、全天候、实时监测的要求.【期刊名称】《哈尔滨工业大学学报》【年(卷),期】2011(043)005【总页数】5页(P139-143)【关键词】疲劳驾驶;数字信号处理器;人脸检测;PERCLOS算法;级联分类器【作者】马乐;姜立标;王会荣;王蒙【作者单位】中国农业大学,工学院,100083;北京华南理工大学广州汽车学院,510800,广州;华南理工大学,机械与汽车工程学院,510640,广州;哈尔滨工业大学(威海)汽车工程学院,264209,山东,威海;Griffith,College,Dublin,Dublin【正文语种】中文【中图分类】U463.33疲劳驾驶已经成为引发交通事故的主要原因之一.在当前的疲劳驾驶检测技术领域，基于驾驶员脸部特征的非接触式疲劳检测算法的研究和疲劳预警系统的开发已经成为了主流之一.驾驶员脸部主要特征的人脸和眼睛检测是指对于任意一幅给定的图像，通过一定的方法和策略，搜索并确定其中是否存在人脸，如果存在则返回人脸相应的信息［1］;在人脸检测的基础上，定位、检测眼睛是睁开还是闭合，并返回眼睛相应的信息.人脸和眼睛检测系统的精度与速度直接影响疲劳预警系统的性能.驾驶员疲劳驾驶预警系统的应用超越了人脸识别系统的范畴，在视频会议、智能人机交互、虹膜识别系统等方面也有重要的应用价值.1 系统设计1.1 人脸检测和人眼定位算法开发本文选用现在比较热门的MB－LBP特征描述人脸和人眼，该特征具有噪声敏感度小的优点.选用adaboost算法家族中性能最为优异的Gentleadaboost算法来训练人脸检测和人眼定位分类器.通过训练挑选出检测率高的弱分类器，再将选出的弱分类器按照权重组成强分类器，进而形成级联分类器.最终经过反复实验调整参数，在PC机上运行获得较高的人眼检测率.1.2 检测与识别算法的数字信号处理器移植在TI公司的CCS3.1软件中对人脸检测和人眼定位算法进行仿真，然后移植到以数字信号处理器(DSP)为核心的DM642开发板中.在移植过程中运用多种优化手段，最终算法在DSP中运行能够达到18帧/s的检测速度，满足实时检测的性能要求.1.3 实验分析完成算法的开发后，分别建立以 PC机和DSP为基础的实验装置，对算法的正确性和实时性进行分析.通过实验，使得本文所研究的疲劳驾驶预警装置能够基本上达到预期目的.因驾驶防瞌睡装置的应用特殊性［2］，设计的系统必须满足:1)非接触式，即不对驾驶员的驾驶行为产生干扰影响;2)实时性，能实时地检测驾驶员驾驶疲劳生理特征参数，迅速、准确、及时地对处于疲劳状态的司机发出警告;3)全天候，无论工作在光照充足、微光、无光状态下，系统都可以对司机的疲劳状态做出正确的分析.疲劳驾驶预警系统如图1.图1 疲劳驾驶预警系统的实物图2 系统硬件电路设计系统硬件电路主要由5部分组成:图像采集、图像处理、疲劳判定、报警和电源管理.系统设计应遵循以下原则:1)准确性.系统力求能够准确定位人脸、定位眼睛、计算眼睛状态和PERCLOS值，并在标定阀值后实现疲劳判断，尽量减少误判.2)实时性.系统硬件的选择要保证系统能运行流畅，程序的编写应尽量选择经典的优化算法，以快速实现图像的截取、人脸和眼睛的定位以及眼睛状态和PERCLOS 值的计算.3)经济性.选择市场易购买、性能匹配和价格低廉的设备.2.1 图像采集采用CCD摄像头拍下驾驶员头部图像，经过高精度的A/D转换成DSP可以读取的数字图像.本文使用了SONY420线彩色红外夜视海螺型CCD摄像头作为图像的采集设备.这款CCD能自动感应外界光线，当外界光线充足时得到普通的彩色图像，而光线不足时由CCD自动开启镜面上自带的两圈红外LED灯，利用LED发出的近红外作为光源获得红外图像，满足系统全天候工作的要求.采用Philips公司的视频采集处理芯片SAA7113H［3］作为视频解码器，来实现模拟视频的数字化.2.2 图像处理图像处理和分析由DSP完成，图像处理包括图像的预处理及面部图像、眼部图像的处理.由于实际环境中图片背景较复杂，容易使程序对人脸区域进行错误划分.利用图像预处理技术对噪声、光照不足、图像扭曲等问题进行纠正，保证人脸图像中人脸大小、位置以及人脸图像质量的一致性.在预处理的基础上，进行面部图像和眼部图像的处理，使系统能更好地判定人眼的状态，进而进行疲劳状态的判定.图像处理流程如图2所示.图2 图像处理的流程图选用TI公司的TMS320DM642作为核心处理器，其主要原因为:1)为便于将开发的疲劳驾驶监测技术运用于实际驾驶环境中，必须将疲劳驾驶监测技术从体积大的PC机上移植到体积小、稳定性高和功耗低的嵌入式系统中，由于DSP的应用日渐广泛且体积小、功耗低，为此可将疲劳驾驶监测技术移植到DSP中，以组装成一个完整的疲劳驾驶监测系统.2)TI公司的编译器 CCS (Code Composer Studio)产生代码的平均效率是其他DSP编译器的3倍，可借助CCS编译器降低开发难度，缩短系统的开发周期.3) TMS320DM642工作频率高，计算速度快，可轻松处理25～30帧的图像，满足系统实时性的要求，非常吻合本系统的设计需要［4－5］.2.3 疲劳判定和报警在图像预处理和人脸检测的基础上，利用PERCLOS(Percentage of Eyelid Closure Over the Pupil Over Time)算法对人眼进行检测，PERCLOS (Percent eye Closure)是指在一定的时间内眼睛闭合时所占的时间比例［6］.实验表明，眼睛闭合时间的长短与疲劳程度有密切关系，驾驶员眼睛闭合时间越长，疲劳程度越严重.在实际驾驶中，连续检测司机的PERCLOS和眼睛持续闭合时间，如果有，PERCLOS＞40%，眼睛持续闭合时间＞3 s，就判定该司机处于疲劳状态，疲劳预警系统对驾驶员给出语音提示.语音报警电路如图3所示.图3 语音报警电路2.4 电源模块系统采用的电源是220 V直流电.针对本系统所购买的器件，需要考虑2个问题:首先，外围电路(SONY420线彩色红外夜视海螺型CCD摄像头)所需电压为+12 V，需要将220 V直流电压转换成摄像头所需的+12 V电压;其次，DSP开发板电源(J12)接口需要的电压是+5 V，需要将220 V直流电压转换成DSP开发板所需的+5 V电压.DSP工作电压:I/O电压+3.3 V，核电压+1.4 V，系统采用TPS54310芯片，经降压芯片把DSP开发板电源(J12)接口的5 V电压转换成DSP工作电压+3.3 V和+1.4 V，稳压电路如图4、5所示.图4 +3.3V稳压电路图5 +1.4 V稳压电路3 人脸和人眼的检测原理3.1 MB－LBP特征的应用本文所应用的MB－LBP特征是LBP特征的一种扩展［7］.这种特征可以解决原始LBP特征只能描述小范围的图像信息以及易受噪声影响的问题.实验发现，在视频监控数据以及人脸检测数据上，MB－LBP特征相比原始LBP特征有更好的分辨能力，同时，MB－LBP特征保持了LBP特征运算复杂度低，灰度尺寸的鲁棒性好，计算速度较快的优点.由于MB－LBP特征将目标图像升维成相当高的维度，Gentleboost学习算法被用来降维并且构建分类器.另外，设计了多叉树型的弱分类器来针对MB－LBP特征的非度量特性问题.MB－LBP还有一个优点［8］，即特征数目少，在训练阶段所耗费的时间会大大减少.在20*20的图像中，大概含有上万个haar特征，但是只包含2 000左右的MB－LBP特征，特征数目减小约80%，利用MB－LBP特征训练样本库的时间会少很多.在实际操作过程中，由于haar的特征是表示度量意义的，在每次迭代中都需要将全部的m个haar特征的特征值排序，从中选择最优的阈值作为单个haar 特征弱分类器的分类标准.但是，MB－LBP特征是非度量的，因此在每次迭代中不需要对特征编码进行排序，所以利用MBLBP特征来训练样本库又会快很多.3.2 Gentleboost的训练过程假设训练集中共有m张人脸图像，n张非人脸图像，尺寸为N*N训练集中的图像被定义为二元组(xi，yi)，xi代表图像，yi代表该图像的归类，如果是人脸图像则yi为1，否则为－1［9－10］.具体训练过程如下.1)初始化样本的权重:2)迭代T次:◇对每个MB－LBP特征进行测试，得到一个弱分类器，ht∈{0，1}.◇计算其分类的错误率，◇记录其能够得到的min{ε}作为该特征的分类错误率.◇在所有特征中，将具有最小错误率的特征加入到强分类器中.◇更新样本的权重，.◇归一化样本权值，3)得到最终的强分类器:式中，φt表示设定的阈值，T表示弱分类器的数目.3.3 基于MB－LBP的级联分类器级联分类器由多个强分类器组合而成，它的每一层都是由gentleboost算法训练得到的强分类器，从第一层分类器出来的正确结果触发第二层分类器，而从第二层出来的正确结果将触发第三层分类器，以此类推.相反，从任何一个结点输出的被否定了的结果都会导致对这个子窗口的检测立即停止.通过设置每层的阈值，使得绝大多数人脸都能通过，而绝大部分的非人脸不能通过，靠近级联分类器后端的层拒绝了大部分的非人脸，其过程如图6所示.图6 级联分类器4 系统的抗干扰措施4.1 硬件抗干扰措施硬件抗干扰总的设计原则就是抑制干扰源，切断干扰传播路径，提高敏感器件的抗干扰性能.抑制干扰源的措施如下:a.尽量缩短信号线的长度;b.为防止电磁感应，信号线应采用屏蔽线;c.使电源线、地线的走向与数据传递的方向一致，应尽量使用45°折线而不要使用90°折线，以减少高频噪声辐射.切断干扰传播路径的措施如下:a.PCB合理布局，将继电器、电机等噪声元件与单片机尽量远离;b.布线时要减小信号线间的交叉干扰;c.时钟振荡电路部分用地线包围以来，让周围的电场趋近于零.提高敏感器件的抗干扰性能的措施如下:a.不同的电源电压、数字和模拟、高速和低速、电流的大小电路分别设置地线，防止产生公共地阻抗的干扰;b.电源线和接地线尽量布粗，使它能通过三倍于印制板上的允许电流.如有可能，接地线应在2～3 mm以上;c.在PCB布线时尽量减少环路的面积，以降低感应噪声.4.2 软件抗干扰措施嵌入式系统的可靠性由多种因素决定，其中系统的软件抗干扰性能是系统可靠性的重要指标之一.尽管采取了硬件抗干扰措施，但仍然很难保证系统完全不受干扰.因为软件抗干扰是一种廉价、灵活、方便的抗干扰方法，不改变硬件的环境，不需要对干扰源精确定位，不需要定量分析，因此本系统采取软件抗干扰技术加以补充，作为硬件抗干扰措施的辅助手段，采用的软件抗干扰方法主要有数字滤波技术和软件看门狗技术［11］.5 实验平台本实验的运行环境包括硬件和软件2个部分，硬件部分为:摄像头，TMS320DM642开发板、XDS510－USB2.0仿真器、AMD turion(tm)64 X2 mobile technology、内存为768MB;软件环境包括:matlab2009a、CCS3.1及windows XP系统，可运行程序由matlab语言和C语言混合编程.利用matlab 良好的图形界面设计和C语言高效的运行效率，将这2种语言混合编程，核心算法由C语言实现，而输入输出则由matlab语言来完成.训练基于MB－LBP特征的级联分类器时，使用16 000个正样本，4 433 000个负样本，正样本中包括－30°～+30°内的人脸图像.所有的负样本均来源于4 433张非人脸图像，采用bootstrap策略，在每张图中随机采10 000张20*20的非人脸图像.正样本来源不一，包括从人脸数据库中得到，以及viola－jones库自带的4 916张图片.本文的重点放在基于MB－LBP特征的人脸检测上，因此，最终的系统构建是利用gentleboost训练基于MB－LBP特征的强分类器.利用gentleboost训练的MB －LBP特征强分类器对静态图像的测试效果如图7(a)所示;对CCD摄像头拍摄的图片的仿真结果如图7(b)、(c)所示.图7 眼睛的实验结果将疲劳驾驶检测与识别算法移植到DSP芯片中，经过算法的调试和优化，运行成功后，CCD摄像头拍下的驾驶员面部图像序列经DSP处理后的试验结果如图8所示.司机清醒时，眼睛是睁开的，实验中能检测到人眼，检测到人眼时用小方框标定出人眼位置，表示人眼是睁开的，如图8(a)所示;司机疲劳时，眼睛闭合，实验中检测不到人眼，如图8(b)所示.根据系统设定的阈值，就可判断出司机是否处于疲劳状态.图8 DSP中的实验结果6 结论1)利用最新的数字图像处理方法，设计了一种基于机器视觉的驾驶员疲劳驾驶预警系统，该系统满足防瞌睡装置的非接触式、实时性、全天候要求，并且设计可靠，体积小，便于携带.2)用gentleboost训练基于MB－LBP特征的强分类器，利用PERCLOS算法对眼睛的状态特征进行检测，能够实时快速地反映驾驶员的疲劳状态.3)利用级联分类器的手段，经过反复实验调整参数，在PC机上运行，获得较高的人眼检测率;并在移植过程中运用多种优化手段，实现了算法在DSP中运行能够达到18帧/s的检测速度.参考文献:［1］YANG M H，KRIEGMAN D，AHUJA N.Detecting faces in images:A survey［J］.Transactions on Pattern Analysis and Machine Intelligence，2002，24(1):34－58.［2］刘志强.基于机器视觉的驾驶疲劳检测方法［J］.中国制造业信息化，2006，35(3):64－66.［3］PHILIPS.SAA7113H 9-bit video input processor［EB/ OL］.［S.l.］:Philips，2000［2010－03－01］..［4］TEXAS INSRUMENTS.TMS320DM642 video/imaging fixed point digital signal processor［M］.［S.l.］:Texas lnsmments Incorporated，2003:1－6.［5］陶芬.全天候疲劳驾驶监测系统的研究及实现［D］.南京:南京理工大学，2009.［6］DAVID F，RICHARD D.PERCLOS:A valid psychophysiological measure of alertness as assessed by psychomotor vigilance［EB/OL］.Washington，DC:Federal Motor Carrier Safety Administration，1998［2010－03－02］..［7］ZHANG Lei，STAN Z L.QU Zhi-yi，et al.Boosting local feature based classifiers for face recognition［C］// 2004 Conference on Computer Vision and Pattern Recognition Workshop(CVPRW＇04).Washington，D.C:［s.n.］，2004:84.［8］张伦.MB－LBP特征在视觉目标检测和分类中的应用［D］.北京:中国科学院研究生院，2005.［9］OJALA T，PIETIKINEN M，HARWOOD D.A comparative study of texture measures with classfication based on feature distribution ［J］.Pattern Recognition，1996，29:51－59.［10］FREUND Y，SCHAPIRE R E.A decision-theoretic generalization of on-line learning and an application to boosting［J］.Journal of Computer and System Science，1997，55:119－139.［11］胡谦，赵丹阳.单片机应用系统抗干扰技术［J］.黑龙江科技信息，2007(15):52.。
汽车防疲劳驾驶系统研究综述
汽车防疲劳驾驶系统研究综述
禹法文;郑文涛;李彤
【期刊名称】《汽车维修与保养》
【年(卷),期】2024()5
【摘要】本文综述了汽车驾驶员疲劳驾驶检测的三大类主要方法,详细分析了各类方法的工作原理及实现方法。
并综述了三类检测方法所对应防疲劳驾驶的系统设计。
进而结合汽车技术、通信技术和多学科交叉发展的理念,对汽车防疲劳驾驶系统设
计提出了一点展望。
【总页数】3页(P69-71)
【作者】禹法文;郑文涛;李彤
【作者单位】南京工业职业技术大学交通工程学院
【正文语种】中文
【中图分类】U46
【相关文献】
1.基于STC12C5A60S2单片机的汽车防疲劳驾驶系统研究
2.基于深度学习和微表情检测的防疲劳驾驶检测综述
3.基于人脸识别技术的汽车防疲劳驾驶系统
4.汽车
智能座椅防疲劳驾驶功能的设计5.基于STM32智能算法的汽车防疲劳驾驶检测系统
因版权原因，仅展示原文概要，查看原文内容请购买。
交通运输中的心理学应用研究
交通运输中的心理学应用研究在当今社会，交通运输已经成为人们生活和经济发展中不可或缺的一部分。
从日常的通勤出行到长途的货物运输，交通运输系统的高效运行对于社会的正常运转至关重要。
而在这一领域，心理学的应用正逐渐展现出其独特的价值和作用。
交通运输中的人为因素是影响交通安全和效率的关键。
驾驶员的心理状态、行为习惯以及对交通规则的认知和遵守程度，都直接关系到道路上的安全状况。
例如，疲劳驾驶是导致交通事故的常见原因之一。
长时间的驾驶会使驾驶员产生疲劳和注意力不集中，此时他们的反应速度变慢，判断力下降。
从心理学角度来看，这是由于大脑的兴奋度降低，抑制过程增强所致。
因此，了解驾驶员的疲劳规律，采取有效的措施如定时休息、合理安排驾驶时间等，对于预防事故具有重要意义。
此外，驾驶员的情绪状态也会对驾驶行为产生显著影响。
愤怒、焦虑等负面情绪可能导致驾驶员冒险驾驶、超速行驶等危险行为。
相反，积极的情绪则有助于提高驾驶员的注意力和反应能力。
这就提示我们，在交通运输管理中，关注驾驶员的心理健康，提供必要的心理支持和辅导，有助于减少因情绪问题引发的交通事故。
乘客的心理需求同样不容忽视。
在公共交通中，乘客对于舒适、便捷和安全感有着较高的期望。
车内环境的设计，如座位的舒适度、空间的大小、噪音水平等，都会影响乘客的心理感受。
如果乘客在乘坐过程中感到不适或不安，可能会对公共交通产生负面评价，从而降低使用公共交通的意愿。
因此，从心理学角度优化公共交通工具的设计和服务，能够提高乘客的满意度和忠诚度。
在交通规划和设计方面，心理学也能提供有益的指导。
道路的布局、交通标志和信号的设置等都应该符合人们的认知和心理习惯。
例如，复杂的路口设计容易使驾驶员产生困惑和迷茫，从而增加出错的概率。
而清晰、简洁的交通标志和信号能够帮助驾驶员快速准确地做出判断和决策。
此外，对于行人来说，合理设置人行道和过街设施，考虑行人的心理安全感和行走习惯，有助于提高行人的交通安全和通行效率。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
疲劳驾驶提示原理
疲劳驾驶是指由于长时间驾驶或连续驾驶时间过长，导致驾驶者的注意力、反
应能力和判断能力下降，从而增加交通事故的风险。
疲劳驾驶是造成交通事故的重要原因之一，严重威胁着驾驶者自身和他人的生命安全。
因此，疲劳驾驶提示系统的研发和应用成为了交通安全领域的重要课题。
疲劳驾驶提示系统的原理主要是通过监测驾驶者的生理状态和驾驶行为，利用
先进的传感器和算法技术，及时发现驾驶者的疲劳状态，并通过声音、光线、震动等方式提醒驾驶者及时休息或停车休息。
这一系统的核心在于监测和识别疲劳驾驶的特征，及时发出警示信号，从而避免交通事故的发生。
疲劳驾驶提示系统的监测手段主要包括两个方面，一是监测驾驶者的生理状态，二是监测驾驶行为。
生理状态的监测可以通过眼部监测、脑电波监测、心率变异监测等方式来实现，这些监测手段可以有效地反映出驾驶者的疲劳程度。
而对于驾驶行为的监测，则可以通过车辆的行驶轨迹、方向盘操作、车速变化等数据来分析驾驶者的状态。
这些监测手段的结合可以更全面地了解驾驶者的疲劳情况，提高系统的准确性和可靠性。
疲劳驾驶提示系统的警示手段主要包括声音、光线和震动等方式。
当系统监测
到驾驶者出现疲劳状态时，会通过发出声音警示、闪烁灯光或者座椅震动等方式来提醒驾驶者。
这些警示手段既能够及时提醒驾驶者，又不会分散驾驶者的注意力，从而更好地保障驾驶安全。
疲劳驾驶提示系统的应用可以有效地减少交通事故的发生率，提高交通安全水平。
尤其对于长途客运、货运车辆以及夜间行驶的车辆，疲劳驾驶提示系统的作用更为突出。
在实际应用中，这一系统还可以与车载导航、智能交通管理系统等相结合，形成更加完善的交通安全保障体系。
总的来说，疲劳驾驶提示系统的原理是通过监测驾驶者的生理状态和驾驶行为，及时发现疲劳状态并进行警示，从而提高驾驶安全性。
随着科技的不断进步和应用，相信疲劳驾驶提示系统将会在未来发挥越来越重要的作用，为交通安全事业做出更大的贡献。