摘 要

本文主要围绕深度学习的驾驶员监测系统展开研究。简要介绍了驾驶员检测系统的框架构成，研究现状及发展历程。列举了几种针对驾驶员疲劳状态的检测方法和图像预处理方法。详细介绍了卷积神经网络的框架构成，介绍了基于卷积神经网络的YOLO和SSD人脸检测算法，并进行了对比。介绍了人脸对齐中的SDM算法，对其原理进行详细阐述，并将人脸检测和人脸对齐应用于系统中。对人脸的特征信息提取之后，使用了基于PERCLOS理论的疲劳检测方法进行实验。在实验过程中，结合驾驶员的闭眼和打哈欠状态，对驾驶员的疲劳驾驶进行检测。整体来说，无论是对人脸识别、闭眼识别、打哈欠识别还是疲劳状态监测，该系统都有较为良好的表现。

关键字：深度学习；驾驶员监测；疲劳检测

Abstract

This paper focuses on the driver monitoring system of deep learning. This paper briefly introduces the framework, research status and development of driver detection system. Several methods of driver fatigue detection and image preprocessing are listed. This paper introduces the framework of convolutional neural network, introduces the algorithm of face detection based on convolutional neural network, and compares them. This paper introduces the SDM algorithm in face alignment, describes its principle in detail, and applies face detection and face alignment to the system. After extracting the feature information of human face, the fatigue detection method based on PERCLOS theory is used in the experiment. During the experiment, the driver's fatigue driving is detected by combining the driver's closed eyes and yawning state. As a whole, the system has good performance in face recognition, closed eye recognition, yawning recognition and fatigue state monitoring.

Key Words: Deep learning; driver monitoring; fatigue detection

目 录

第1章 绪论 1

1.1 研究意义与背景 1

1.2 驾驶员监测系统简介 2

1.2.1 框架构成 2

1.2.2 应用场景 3

1.2.3技术特点与功能 4

1.3 疲劳检测方法 4

1.3.1 广泛运用的疲劳检测方法 4

1.3.2 国外发展状况 5

1.3.3 国内发展状况 6

1.3.4 技术难点 6

1.3.5 未来发展趋势 7

1.4 本论文内容与特点 7

1.5 本章小结 8

第2章 图像预处理 9

2.1 图像中值滤波 9

2.2 直方图均衡化 10

2.3 本章小结 11

第3章 人脸检测算法 12

3.1 人脸检测算法简介 12

3.2 卷积神经网络简介 12

3.3 卷积神经网络结构 13

3.3.1 输入层 13

3.3.2 隐含层 13

3.3.3 输出层 16

3.4 基于卷积神经网络的人脸检测算法 16

3.4.1 YOLO算法 16

3.4.2 SSD算法 18

3.5 SSD算法与YOLO算法对比 20

3.6 本章小结 20

第4章 人脸对齐算法 21

4.1 人脸对齐算法简介 21

4.2 SDM人脸对齐算法 21

4.2.1 理论基础 21

4.2.2 SDM原理 22

4.3 本章小结 23

第5章 特征提取与疲劳判别 24

5.1 PERCLOS值 24

5.2 面部特征提取 25

5.3 闭眼判别 26

5.4 打哈欠判别 26

5.5 结合闭眼和打哈欠状态的疲劳判别 26

5.6 本章小结 27

第6章 实验 28

6.1 实验环境 28

6.2 人脸识别测试 29

6.3 闭眼识别 29

6.4 打哈欠识别 30

6.5 疲劳状态监测 31

6.6 本章小结 33

第7章 总结与展望 35

7.1 总结 35

7.2 展望 35

参考文献 37

致 谢 39

第1章 绪论

1.1 研究意义与背景

汽车给人们的生活带来了诸多便利，并在20世纪60年代和70年代扩大了使用范围。随着时间的推移，汽车行业迅速发展，达到了历史新高，并成为我国的支柱行业。现如今，汽车已经成为出行代步的重要工具之一，人们对汽车的购买欲望不断增加，汽车数量逐年提高，带来了交通运输业的迅速繁荣。可近些年来，随着交通运输业的发展，导致了交通事故的频发，严重影响到了人们的生活和财产安全。

来自我国交通运输部门数据显示，交通事故每年约造成300万人死亡，中国由于人口基数庞大，交通事故伤亡人数已连续十多年位居世界前列^[1]。全世界因交通案件导致的人员伤亡更是数不胜数。

交通安全事故极大地危害了社会发展，引发了人们的高度关注，逐渐成为社会广泛关注的热点问题。根据国家统计局的分析报告，在众多交通事故的原因中，疲劳驾驶位列第三。随着经济的发展，我国道路建设也在逐渐成型。长时间，远距离的驾驶行为必然造成疲劳驾驶问题。驾驶员在长时间，远距离的驾驶过程中处于疲劳状态，极易引起反应能力的下降，注意力分散，思考能力降低等不良行为。这些文明的驾驶行为将会引发驾驶员对车辆周边状态判断失误，操纵汽车缓慢，进而造成交通事故。疲劳驾驶会对他人造成直接的人身伤害，也会导致驾驶员本身极为严重的伤害。由于疲劳驾驶引发的精神伤害更是十分严重。

自2017年12月以来，根据交通运输部门统计，我国交通事故案件约为1000万起，在这之中，由于疲劳驾驶而引发的交通案件占比约为12%。在长距离行驶中，占比提高到45%。可以说，在交通事故发生的众多原因中，疲劳驾驶占据主要地位。在美国，交通案件中由驾驶员疲劳导致的，造成的人员伤亡约占15%，根据美国交通运输管理部门数据显示，由于疲劳驾驶而造成的交通事故案件约为所有交通案件的14.1%，这直接导致了约10万人丧失生命。据统计，在重大交通事故案件中，疲劳驾驶引发的比例约为20%^[2]。

综上所述，在众多交通事故中，驾驶员疲劳驾驶的因素占据主导地位。要想减少或消除此类交通案件，则理应从监督驾驶员及其在行驶过程中的驾驶状态入手。如果在驾驶员处于疲劳状态时，可以对驾驶员进行预提醒，增强驾驶者的反应能力，那么将使驾驶员脱离疲劳状态，保证驾驶的安全性。因此，大力研究驾驶员疲劳检测技术，对消除疲劳驾驶行为，预防交通事故，保护道路行人和驾驶者的人身安全具有重要意义。由此可见：如果能有效监测驾驶员是否疲劳，并在疲劳时发出警告，就能大大降低发生交通事故的可能性。

1.2 驾驶员监测系统简介

驾驶员监测系统是科技发达后被提出的一个新概念，可实时监控驾驶员的生理状态，在发现不文明的驾驶行为时可对驾驶员提出预警，是目前汽车智能驾驶中被广泛研究的热点问题。驾驶员的监测主要是疲劳状态的监测，依据不同标准有不同的判别方法，当前最热门的方法便是基于机器视觉的驾驶员监测方法。通过车载摄像头拍摄车内图像，并对图像进行一些预处理。系统可自动判别驾驶员的位置与面部信息。通过面部特征信息监测驾驶员的疲劳状态。有些系统还可记录汽车行为，当车速或方向盘转角出现非正常值时发出警报。如此一来，驾驶员在行车过程中昏昏欲睡时便会被系统预警。而基于多元信息融合的驾驶员监测系统是未来发展的主要方向，其可监测驾驶员生理状态，汽车行为以及驾驶员面部特征，对每一项权重做准确分配，从而提高系统的可靠性。

1.2.1 框架构成

驾驶员监测系统主要由5个模块构成，分别是图像预处理、人脸检测、人脸对齐、特征提取、疲劳判别。系统流程可见图1.1。