文獻標識碼： A
文章編號： 0258-7998(2012)02-0024-04
如何為駕駛員提供一個有效實用的安全輔助駕駛系統是車輛安全駕駛的一個重要課題。基于機器視覺的疲勞駕駛檢測技術已在國內外開展了廣泛研究，其中以駕駛員眼部特征的檢測最為廣泛。
本文以低成本、低功耗、高實時性為設計原則，以ARM+DSP構成硬件平臺，并移植了嵌入式操作系統Windows CE 5.0，設計了一套基于駕駛員眼部特征的疲勞駕駛檢測算法，對駕駛員駕駛過程進行實時檢測和報警，從而提高駕駛的安全性與舒適性。
1 硬件平臺設計
系統硬件平臺選用三星公司ARM9架構的S3C2440作為核心處理器，利用TI公司的TMS320DM642作為視頻采集處理模塊，其結構框圖如圖1所示。DSP平臺主要負責采集圖像、圖像算法處理，ARM平臺主要完成整個系統的控制處理，兩者之間通過網口實現通信和同步。在系統運行過程中，ARM平臺可實時顯示采集到的視頻以及相應眼部疲勞特征識別的結果，同時用戶可通過觸摸屏交互界面對系統進行設置和控制。為保證系統平臺具有高的可靠性以實現復雜的系統調度，在設計過程中對本系統各平臺進行了操作系統移植，DSP平臺移植了DSP/BIOS系統，ARM平臺移植了Wince操作系統。
S3C2440是一款基于ARM92OT核的16/32 bit RSIC結構的嵌入式微處理器，主頻為400 MHz，最高可達533 MHz；片內外資源豐富，具有強大的處理能力。系統存儲擴展了64 MB的NANDFlash、64 MB的SDRAM；另外還有2 MB的NORFalsh，用于存放系統引導加載程序[1]。
TMS320DM642芯片[2]能夠實時高速地完成大數據量的數字視頻編解碼處理，是強大的高性能單片多媒體處理器，具有高質量、多通道、優越的視頻處理性能，以及完整的軟件可編程特性；基于C64x系列VelociTI.2DSP 架構的設計，與TI公司其他的C64x數字信號處理器代碼相兼容，擁有500/600 MHz時鐘頻率，性能高，其傳輸速率達4 000/4 800 MIPS；不僅具有C64x系列芯片的主要特征，還高度集成了音視頻等外部設備的接口，方便多媒體應用開發。
2 圖像識別算法
2.1 總體檢測流程
首先，根據臉部膚色的聚類特性檢測駕駛員臉部位置，在人臉檢測的基礎上，根據眼睛在人臉上的幾何位置分布，確定眼睛的大概位置，縮小眼部檢測的區域范圍；其次，在縮小的眼部搜索區域范圍內，利用Sobel邊緣檢測算法對眼部區域進行邊緣檢測，提取眼部的邊緣信息，并對其進行二值化處理；再對二值化后的眼部區域進行連通成分分析，采用基于區域連通的二值圖像濾波方法去除眼部周圍圖像噪聲點的干擾；然后根據改進的積分投影算法，計算左右眼角和上下眼瞼的距離，確定駕駛員眼睛的睜閉狀態；最后，定義眨眼頻率，并據此實現疲勞駕駛的檢測。具體的算法流程如圖2所示。
3 實驗與分析
為驗證眼睛疲勞特征檢測算法的有效性，在構建的ARM+DSP系統上對采集到的視頻圖像進行實驗驗證。在滬寧高速南京段的實驗結果表明，該系統將算法處理時間控制在50 ms以內，取得了良好的實時效果，疲勞駕駛檢測正確率達97.6%。部分圖像的眼部區域檢測結果如圖4所示，其中，第一行為人臉檢測后的面部定位圖像，第二行為經Sobel邊緣檢測后的眼部二值圖像，第三行為得到的眼部邊界定位圖像。
通過觀察發現，通常情況下，駕駛員在睜眼和閉眼時，左、右眼的睜閉情況是同步的，即同時睜開或同時閉合。因此，在對眼睛睜閉狀態進行判斷時，為減少計算量，僅對左眼的睜閉情況進行判斷。針對圖4所示的眼部區域檢測結果，利用式(8)計算其左眼睜閉度的大小，計算結果如表1所示。
由表1可知，圖4中第一列和第二列所示的眼睛閉合時的睜閉度值明顯小于第三列和第四列所示的眼睛睜開時的睜閉度值。故只要選擇合適的閾值，根據眼睛睜閉度值的大小，就可對駕駛員眼睛的睜閉狀態進行有效判斷。
本文在ARM+DSP系統上實現了基于眼部特征的疲勞駕駛檢測算法。利用基于膚色聚類的臉部檢測算法確定臉部邊界，采用一種簡單有效的改進積分投影算法，實現了駕駛員眼部睜閉狀態的有效判定和疲勞駕駛的實時檢測。
參考文獻
[1] 楊忻愷，張為公，于兵，等.基于DSP的車載視頻監控存儲系統的設計[J].電子器件，2009，32(4)：805-808.
[2] 袁慶輝.基于TMS320DM 642的車道偏離預警系統設計[J].制造業自動化，32(5)：70-72.
[3] Li S H，Guo G Z.The application of improved HSV color space model in image processing[C].Proceedings of the 2010 International Conference on Future Computer and Communication，2010：210-213.
[4] LIN H J，WANG S Y，YEN S H，et al.Face detection based on skin color segmentation and neural network[C].Proceedings of 2005 International Conference on Neural Networks and Brain Proceedings，2005：1144-1149.
[5] SUN W，ZHANG W G，LI X，et al.Driving fatigue fusion detection based on T-S fuzzy neural network evolved by subtractive clustering and particle swarm optimization[J].Journal of Southeast University(English Edition)，2009，25(3)：356-361.