司机疲劳驾驶检测系统设计

）在这些疲劳驾驶监测设备中，应用最为）广泛的是车道偏离报警系统，但是该报警系统属于间接监测，对驾驶疲劳的敏感度不高，在夜晚或冰封的雨雪天气监测容易失败。2）随着图像处理技术的不断发展，使基于机器视觉的驾驶疲劳监测系统成为流行，视觉检测具有非接触、检测范围）'一、信息容量人、可扩展性强等优点，但其在夜晚无光和强光干扰卜系统可靠性明显卜降。3）各种根据眼部状态检测疲劳的车载报警装置应运而生，成为当前车载疲劳预警系统中的主流产品。其中尤以基于PERCLOS的眼部疲劳状态预警系统可靠性最强，但其对于少数驾驶员磕睡时眼睛睁开、戴眼镜驾驶时测量难度较人，误报警率较高。4）基于多传感器信息融合技术的疲劳驾驶智能监测系统己在市场上初现端倪，但其在实时性、可靠性及疲劳特征的有机融合方面还需进行更深入的研究。南।典型威点的警瘫统忖能比较丹警系酰可靠性实时性侵入ft空天悚武十Y件篥血性结构可犷假性出本心椎速匹府曲位牧费的好4有高皎强转自复杂一股7.头都仅置检曲位段好较高有高速.胜篁呆一股7.车值偏息｝艮皆系统牧吊好较高较梏姓强较广.茴单强他转「.此监测蓝统•欣怛好林.t离■fG.■£茴单-朕低写孤员警示森统瞪吊虻较舟无高牧口口徜于蛇皿蛇品PERCLOS累统离好牧品无枚而找范收；：较史史儿眼".。而平Ji冏发的系统蠢一好牧舟无较描找正位■::法夏比丸辍在F比日LAB嶷统自.假牧舟无较四找正施转曼盘丸息C叩ilm案统抵.在较后无较脩岐世祜较富豪皿福AWAKE苍.股较序.1高强猛4余强而发展趋势目前，疲劳驾驶预警系统的研究方兴未艾，虽然对其进行研究逐渐引起许多国家的关注和重视，但到目前为止，实用的产品尚未推出，系统监测的准确性、可靠性和有效性亟待提高，今后其发展将呈现以卜趋势。1）深入认识研究疲劳驾驶的特性及形成机理。人们将会结合心理学的最新研究成果，从生理学、生物化学、人机工程学、行为科学等多门学科的角度，深入研究驾驶员疲劳的形成机理，并揭示其形成机理的木质，为系统实时检测驾驶员的疲劳状态提供理论依据。2）准确建立起描述驾驶行为与疲劳之间关系的数学模型。利用目前常用的接触式检测方法，找出疲劳驾驶的表征及原因，为实时的、客观的非接触式检测方法确定合理的疲劳驾驶检测标准。3）建立可靠的驾驶疲劳评价体系。随着脑成像技术以及认知神经科学的飞速发展，系统地研究认知疲劳过程和功能状态，并通过人量的实验研究，探讨确定详细的驾驶疲劳评价标准。4）进一步融合多种信息，提高疲劳驾驶监测系统的可靠性，将是今后的重点研究方向之一。随着智能传感器、数字图像处理、移动通信、模式识别、计算机科学、白动控制、信息处理、DSP等技术的大力推广和发展，使其能对驾驶员疲劳程度进行定性和定量相结合的检测，以达到提高检测准确性的目的。5）设计可靠、低廉、有效、便携的疲劳驾驶监测系统，促进疲劳驾驶预警系统的产品化和商品化要在汽车上普及，成功安装、使用疲劳驾驶预警系统，首先是对驾驶员的驾驶行为不产生干扰，方便驾驶员的驾驶;其次是必须绝对准确、可靠;最后必须保证价格低廉，使有关公司及车主在费用上能轻松承担。6）利用数字移动通信和无线传感技术开发驾驶员疲劳驾驶网络监控系统，扩人疲劳驾驶监控系统的时空覆盖范围，加强交通管理部门的监管，将是今后疲劳驾驶监测系统的一个重要发展方向.新型多功能驾驶员状态监测系统设计无线脑电信号采集和分析1924年德国精神病学家、耶那大学的HansBerger教授首次发现并捕捉到人脑有规则的电活动，即脑电信号（EEG）,就是脑部神经细胞电位变化的信号频率。当前大多数脑电信号采集使用单片、DSP、ARM、FPGA等作为处理器，这些属于有线传输。依据脑电图仪记录的数据分析和临床生理学会国际联盟的分类，脑电信号的频率分为：a波（8~13Hz，20~100uV）、B波（13~30Hz，5~20uV）、3波（0.5~4HZ，20~200uV）、。波（4〜8Hz，100uv〜150uV）4个频段。脑电信号非常微弱，一般只有50uV左右，幅值范围为5uV〜100uV。所以，脑电信号放大增益要比一般的信号高得多，一般要放大20000倍左右。系统分为数据采集传输、滤波放大、电源设计和数据处理四个模块。数据采集传输与处理模块采用MSP430系列单片机作为控制器，无线收发模块CC2500作为数据传输,MSP430单片机通过SPI口进行数据的发送与接收，然后把接收到的脑电数据通过UART转USB芯片传输给数据处理服务器进行数据处理。滤波放大模块采用前置放大器AD620作为主放大器，前级采用两个单运放OP07运放放大器组成并联型差动放大器，采用无源高通滤波（阻容耦合电路），采用集成芯片MAX280作为低通滤波，采用反相放大器进行后级放大。电源设计模块采用两种供电模式：1）四节干电池供电，中间接地，将另一端拉至-3v。2）采用单电源供电，可直接使用汽车电源接口转换为3v。情绪预警驾驶员在愤怒、亢奋、悲伤等情绪状态下发生交通事故的几率远远高于正常情况，据统计由情绪化驾驶引起的交通事故约占事故总数的9.2%〜14.8%。有效的实时监测驾驶员情绪状态对车辆人员安全和遏制交通事故具有一定的应用价值。脑电采集的关键参数设置：采样率为500Hz;取0.53〜60Hz之间的脑电信号；低通40Hz，高通0.35Hz；采用EDF数据存储；电极通道选用：额叶区H1,H2和H3,H4,顶叶区D1,D2,枕叶区Z1,Z2,颞叶区S1,S2；参考电极为左右耳部电极C1,C2为参考。分别采集当驾驶员处于平静、兴奋和悲伤情绪状态模拟驾驶时的四个区的脑电信号。采用Neroscan4.3软件对采集的脑电信号进行分析和伪迹剔除发现，驾驶员在平静、兴奋和悲伤情绪状态模拟驾驶时，前额叶区H1,H2的脑电信号变化明显，对识别有重要价值。疲劳监测经实验分析发现，驾驶疲劳状态脑电特征与a波、。波、B波均有关系，因此把C=（a+。）/B作为检测驾驶疲劳的参考指标。实验从1.00逐步增大到最大值1.65,脑电曲线在后期变化较大。经主观评测及脑电数据对比分析得到：1）驾驶员在清醒状态时，其C值为在1.14以下，数值较小。2）驾驶员在疲劳状态时，其C值为在［1.14,1.46］之间。3）驾驶员在瞌睡状态时，其C值逐步增大，达到1.46以上。值得注意的是，R值的变化曲线可能随驾驶员调整、疲劳缓解而变化，出现反复渐进的过程，有时出现时有时无，高低起伏的波动，可设定在一定时间段内疲劳或瞌睡状态出现的次数达到3次以上报警。突发疾病监测随着工作节凑加快，压力增大，越来越多的人出现各种突发疾病，甚至猝死，驾驶员出现突发性疾病将带来极其严重的后果。通过脑电信号实时监测到疾病信号好，及时发出报警，对预防此类交通事故有很好的价值。判定突发疾病的脑电信号参数：1）轻度异常：a波频率差超过24.5Hz,波幅不对称，两侧波幅差超过30%,枕区超过50%,生理反应不明显或不对称；a波频率减慢至8Hz,波幅达100UV以上且调节不佳；B波增多，波幅达50~100dV；额区或颞区中幅。波达20%,低幅3波达10%；过度换气诱发出。波大于70UV或3波大于25uVo2）中度异常：a波频率减慢为7〜8Hz,枕区原有a波消失或一侧减少消失；额、颞区有阵发性波幅较高的a活动；中波幅。活动数量达50%；出现少量棘波、尖波、棘或尖-慢综合波等；过度换气诱发出高幅3波。3）重度异常：高波幅。或3波为主要节律，a波消失或仅存少量8Hza波散在；自发或诱发长程或反复出现高幅棘波、尖波、棘或尖-慢综合波等；高度失律、爆发性抑制、周期性发放等；持续性广泛性扁平电位。酒精监测驾驶员酒后驾驶检测一般分为血液检测和呼气式酒精气体检测两种。本系统采用汽车嵌入式酒精气体检测方法,通过酒精传感器检测驾驶员呼出气体中的酒精浓度值判定驾驶员的饮酒程度。采用高灵敏度的MQ-3酒精传感器，5V直流供电，如图2所示。选择AOUT,模拟量输出，直接将AOUT脚接AD转换的输入端。在没有被测气体的环境中，设定传感器输出电压值为参考电压，AOUT端的电压在1V左右，当传感器检测到被测气体时，电压每升高0.1V,实际被测气体的浓度增加20Ppm（1ppm=1mg/kg=1mg/L=1X0.000001常用来表示气体浓度,或者溶液浓度）,根据这个参数就可以在单片机里面将测得的模拟量电压值转换为浓度值。.多源信息融合在驾驶疲劳检测中的应用驾驶疲劳特征医学上把人体困顿、倦怠的感觉定义为疲劳,并作为一种信号来提醒人们休息和放松。驾驶疲劳,则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。驾驶疲劳会影响到驾驶人的注意力、感觉、知觉、思维、判断、意志、决定和运动等诸方而。PERCLOS值的计算眼睛的状态变化已经被研究证明是反映人疲劳最为直接和有效的表征。口前基于眼睛的相关检测方法主要有PERCLOS法、眨眼频率检测法、瞳孔大小的检测和眼睛视线方向检测法等几种。其中PERCLOS法已经被公认为疲劳检测最好的视觉参数。而其他几种眼睛的检测方法也都基于视觉，处理方法类似，因此在文中我们只选取了PERCLOS值作为融合的其中一个参数。PERCLOS（percentageofeyelidclosureoverthepupilovertime）是指眼睛闭合时间占某一特定时间的百分比。PER-CLOS法是1994年Wierwille等根据在驾驶模拟器上的实验结果确立的。其中眼睛闭合还设定了三种标准,分别为70%、80%和完全闭合,通过实验证明80%标准是效果最好。行驶方向改变与驾驶员反应不一致情况在人体工程学原理中提到,当驾驶员进入疲劳状态后,反应迟钝、注意力不集中。当车辆转弯时，行驶路线改变，此时如果转向灯并未开启，则可以间接认为是驾驶员由于疲劳过度或精神不集中造成。因此把识别行驶方向变化和驾驶员反应的不一致情况也作为判断的一个因素。检测汽车的转向我们通过方向盘转向传感器来实现，同时通过检测转向灯的开关电压值来判断转向灯是否开启。而最后通过计算检测这一不一致情况发生的次数，将此次数作为信息融合的参数，根据次数的多少来判断疲劳程度。由于车辆何时转向是不定问题，而检测得的数据又希望是对疲劳的实时反映，因此对次数的统计，我们以检测前5分钟作为统训一时间。方向盘动作状态通常，驾驶员在行车过程中，需要不断对方向作出调整，即使在笔直的道路上行驶，也总是需要对方向盘做一些轻微的转动。而根据驾驶疲劳的定义及其从生理表现上考虑，当驾驶员处于驾驶疲劳状态时会出现注意力不集中，操纵停顿等现象，因此通过监测方向盘的动作状态可以间接反映驾驶员是否处于疲劳状态，如果在经历一定时间内方向盘没有任何动作，就可以判断为动作疲劳，方向盘动作状态异常，而且该疲劳的程度与方向盘无动作的时间成正比关系。根据方向盘监视装置S.A.M中的理论，方向盘不动以4、为判断阂值，当检测到方向盘持续不动时间超过4、时，可以判定为驾驶疲劳。连续驾驶时间驾驶疲劳产生的一个原因是驾驶员连续行车时间过长，导致生理机能和心理机能的失调。根据我国国家交通法规定，机动车驾驶人在连续驾驶时间达4小时，就必须休息20分钟。由此可以相信连续驾驶时间过长也可以作为驾驶员疲劳的间接原因，因此当驾驶员连续驾驶时间超过一定时间，可以作为判断驾驶疲劳的依据之一，而且疲劳程度也与该时间成正比关系。实际时间参数由于图像处理技术在光线条件差的情况下无法获取信息，因此在光线条件差的情况下我们不能把PERCLOS值作为检测疲劳的重要依据，而主要作为参考的是其他非图像手段获取的疲劳特征信息。因此我们需要对时间进行分段考虑，文中我们简单的分成白天和夜晚两个时间段，上午8点至下午5点为一个时间段，其余为另一个时间段。模糊神经网络疲劳识别我们描述了5种常用的驾驶疲劳检测特征参数，各检测方法能够一定程度地检测出疲劳，但由于在实际行车过程中，情况复杂，因此各自检测的可靠性均存在不同程度的疑问，也都存在较高的误报情况。PERCLOS值由于依靠图像处理方法检测，受光线等影响较大，因此不同时间其可靠性不够，另外在眨眼上，不同的人的差异也较大;而对行驶方向改变与司机反应不一致情况和方向盘动作状态单一检测，则由于不同驾驶习惯的区别其检测可靠性也难以满足要求。在分析以上方法单一检测的情况后，针对其存在的问题，再结合模糊逻辑在处理不确定性和非线性问题的优势，以及神经网络容错能力强且具备自适应学习能力的优点，我们将模糊神经网络的融合方法来进行驾驶疲劳检测。.疲劳度量化.TS模糊神经网络设计(TSFNN)9.3智能控制技术在汽车疲劳驾驶监控中的应用研究本课题的目标设计基于MM908E625和Low-G加速度传感器的汽车驾驶状态(疲劳驾驶)监控仪，以嵌入式PC为核心的汽车网络控制系统，实现对汽车驾驶状态的监控。监控仪特性有:(1)方向盘的转向轴、油门踏板和刹车踏板多点监控。(2)加速度传感器信号独立处理，确保实时性。(3)LIN总线网络，实现汽车中的分布式电子系统控制。(4)互动平台:驾驶路况选择，更有利于控制系统监控。提供声光、振动报警提示。(5)大容量数据存储和采集，大屏幕LCD显示，异动驾驶时间段数据查询。(6)神经元网络技术、模糊控制和专家系统。硬件描述.硬件系统构成系统主节点为嵌入式PC机，配置触摸屏提供智交交互式界面，主节点完成数据库的建立、更新，能控制程序运行和对LIN子节点的通信管理。交互式界面提供路段、路况、测控时间等选择，对驾驶状态的等级提示和报警等。.智能控制(模糊控制器)设计各种对车辆的操作控制，作为输入量，表现为油门开度、制动踏板的位置、发动机转速、车速的变化、速度的变化(即加速度)，方向盘转向的角度和角加速度等。车辆在不同的路况下产生的振动作为输入量，也会影响到传感器的测量，特别是对加速度传感器的影响，对振动信号由I_IN子节点测量模块按“平均振动信号强度”在信号预处理程序中减弱或消除。作为输出量，表现为对车辆的驾驶状态的优劣，分为“好”、“中”、“差”三个等级。以下以油门开度作为变量说明模糊控制器的设计。幺士市;五结束语.研究工作总结本文在借鉴了很多驾驶疲劳检测研究资料的基础上,比较了驾驶疲劳检测方法,描述了基于视觉的人脸检测、眼睛定位、眼睛状态识别和疲劳分析等各种方法,并且在具体的疲劳检测系统实现中提出了自己的改进算法，在此基础上采用了PERCLOS和眨眼频率相结合方法作为疲劳判断的核心算法。在第一、二章分析对比了现有的人脸检测、人眼定位、人眼状态识别和疲劳分析等方法的前提下,本文在第四章对实现驾驶疲劳检测系统各个模块所采用的算法以及该算法的效果进行了详细的描述与分析,并对本文所实现的驾驶疲劳检测系统的检测性能进行了仿真分析。本文改善了现有的光照预处理方法，融合了多种图像预处理算法:Gamma校正、高斯差分滤波和对比均衡化,尤其对于夜间光照效果不好的图像达到了很好的预处理效果;还提出了一种基于灰度投影算法和分块复杂度分析的人眼精确定位算法,即先用灰度投影算法实现人眼的粗定位,然后在粗定位的范围内进行分块复杂度分析,最终根据约束规则定下的两块复杂高的区域即为人眼黑色块区域。.总结与展望系统能基本上实现对驾驶员疲劳状态的判断,但在对一些特别的目标或者很复杂背景下的目标的检测,还有一定的不足,需要在未来讨论来提高和实现以下的一些功能:(l)本系统在检测目标正面图像和戴眼镜状态下的目标能够达到较高的检测的正确率，但对目标侧面的检测识别性能不是很好,尤其是对戴墨镜的目标很难检测到,在以后对侧面的识别准确率方面加以完善。(2)在硬件上没有做出更加全面深入的研究以及对硬件的扩展。为了提高检测准确率,如何让在硬件上实现更加复杂的匹配算法,或者在性能比较好的FPGA方面的DEZ开发板上实现,是下一步研究的重点。(3)仅仅利用面部的眼睛状态检测目标的疲劳状态比较单一,环境对它的影响也比较大,可以尝试利用目标自身的与疲劳相关的信息,采用多种疲劳驾驶检测算法,通过信息融合,来提高识别算法的准确率。(4)系统的鲁棒性不够理想,尤其对侧面的目标适应性较差,这是以后需要解决的问题。参考文献.GerryE.Warningsystemforfatigueddriversnearingrealitywithneweyedata[J],ScienceDailyMagazine,1999,15(7):25-30.郑培，宋正河，周一鸣.机动车驾驶员驾驶疲劳测评方法的研究状况及发展趋势J],中国农业大学学报，2001,6(6):101-105.GraceR,BymeVE,LegrandJM.Adrowsydriverdetectionsystemforheavyvehieles[J],ProceedingsoftheDigitalAvionicsSystemsConference,1998,13(8):35-42.GraceR,ByeVE,LegandJM.AMachineVisionBasedDrowsyDriverDetectionSystemforHeavyVehicles[J],ProceedingsoftheOcularMeasuresofDriverAlertnessConference,1999,8(3):75-86.JaneCS,JeanWW,BradleyVVWhyDoPeopleHaveDrowsyDrivingCrashes[J],AFoundationforTrafficsafety,1999,23(7):31-35.廖传锦，秦小虎，黄席越.以人为中心的汽车主动安全技术综述J],计算机仿真，2004,20(8):152-156.王荣本，郭克友，储江伟.适用驾驶员疲劳状态监测的人眼定位方法研究山，公路交通科技，2003,20(5):111-114.王炳浩，魏建勤，吴永红.汽车驾驶员磕睡状态脑电波特征的初步探索J]，汽车工程，2004,26(1):70-73.石坚，卓斌等.汽车驾驶员主动安全性因素的辨识与分析J]，上海交通大学学报，2000，28(6):441-444.郑培，宋正河，周一鸣.基于PERCLOS的机动车驾驶员驾驶疲劳的识别算法[J],中国农业大学学报，2002,7(2):104-109.杨渝书，姚振强，李增勇.心电图时频域指标在驾驶疲劳评价中的有效性研究[田,机械设计与制造，2002,9(5):94-95.TaubJM.Effectsofhabitualvariationsinnappingonpsychomotorperformancememoryandsubjectivestates[J],InternationalJournalofNeuroscience,2006,7(3):97-112.TuabJM,TanguaryPE,RoasRR.Effectsofafternoonnapsonphysiologicalvariables[J],BiologicalPsychology,2007,13(4):191-210.MerrittSL,SchnydersHC.Circadianaspectsofpapillaryunrestreflectingdaytimesleepiness[J],SleepResearchOnline,1999,2(1):773.SaroKL,AshleyCraig.PhysiologiealIndicatorsofDriverFatigue[J],2000RoadSafetyResearch,2000,17(3):34-36.WANGQiong,YANGJing-yu,RENMing-wu,etal.Driverfatiguedetection:asurvey[C]//Procof-tthe6'"WordCongressonIntelligentControlandAutomation.2006:21-23.LALSKL,CRAIGA.Acriticalreviewofthepsychopsiologyofdriverfatigue[J].Biologic-alPsychology,2001,55(3):173-194.杨海燕，蒋新华，聂作先.驾驶员疲劳检测技术研究综述J].计算机应用研究，2010,5.崔岩，谢斌，张俊，毛恩荣.汽车驾驶人疲劳监测及预警装置研究现状[[J].中国科技论文在线.孙伟，张为公，张小瑞，陈刚.疲劳驾驶预警系统的研究进展J].汽车电器，2009,1.崔丽英.简明肌电图学手册[M].北京:科学出版社，2006.6.ViolaP,JonesM.RapidObjectDetectionUsingaBoostedCascadeofSimpleFeatures.IEEEComputerSocietyConferenceonComputerVisionandPatternRecognition(CVPR),ISSN:1063-6919,Vol.1,pp.511-518,December2001.PaulViola,MichaelJones.RobustReal-TimeFaceDetection.InternationalJournalofComputerVision.57(2):137-154,2004.YoavFreund,RobertE,Schapire.A.ShortIntroductiontoBoosting.JournalofJapaneseSocietyforArtificialIntelligence.l4(5):771-780,September,1999.RainerLienhart,JochenMaydt.AnExtendedSetofHaar-likeFeaturesforRapidObjectDetection.IEEEICIP,2002一Citeseer.R.Chellappa,C.L.Wilson,S.Sirohey.Humanandmachinerecognitionoffaces:Asurvey.Proc,IEEE,vo1.83,1995:705-741.Copilotsystem./research-projectsedetail.html?projectid=435&menu_id=261.Awakesystem../system.html.ResearchonVehicle-BasedDriverStatus/PerformanceMonitoring.DOTHS-1996-.ValiantL.Atheoryoflearnability.CommunicationoftheACM.1984,27.KearnsM,ValiantLG.LearningBooleanFormulateorFactoringTechnicalReportTR-1488,Cambridge,MA:HavardUniversityAikenComputationLaboratory,1988.FHWA.Eye-activitymeasuresoffatigueandnappingasafatiguecountermeasure.TechnicalReportNo.MC-99-.028,1999.FHWA.PERCLOS:AValidphysiologicalMeasureofAlertnessAsAssessedbyPsychomotorVigilance.OFFICEOFMOTORCARRIERS,1998.ChowG,LiX.TowardsAsystemforAutomaticFacialFeatureDetention.PatternRecognition.l993.26(12):1739-175.S.Li,L.Zhu,ZQZhang,A.BIake,HJZhang,H.Shum.Statisticallearningofmulti-viewfacedetection.InProceedingsofthe7thEuropeanConferenceonComputerVision.CopenhagenDenmark.IEEEComputerSociety,2002.陆宗骇｝-.C/C++图像处理编程.北京:清华大学出版社，2005.高永欣.浅谈驾驶员疲劳对行车安全的影响.铁道技术监督.1998(S):27一29.郑培.基于PERCLOS