基于DSP處理器的疲勞駕駛狀態(tài)檢測系統(tǒng)的設計-設計應用

精品文檔-下載后可編輯基于DSP處理器的疲勞駕駛狀態(tài)檢測系統(tǒng)的設計-設計應用隨著科技的發(fā)展，機動車輛與日俱增，隨之而來的人身安全越來越受到人們的關注。根據(jù)交通事故統(tǒng)計年鑒：城市道路15-20%（高速公路60%以上）的汽車碰撞事故和駕駛疲勞有關，疲勞駕駛嚴重影響著駕駛員的警覺性﹑應變性及安全駕駛能力。特別是鐵路機車﹑長途客貨運輸﹑城市出租﹑公交車輛﹑工程特種車輛等各種汽車安全隱患，均與疲勞駕駛密切相關。因此，許多國家都積極開展有關駕駛疲勞的研究工作，尤其在西方發(fā)達國家。

表1中列出了幾種疲勞狀態(tài)檢測的方法，并對性能進行了比較。通過比較可以發(fā)現(xiàn)，這幾種方法中基于身體反應的檢測方法性能較好。PERCLOS（PercentageofEyelidClosureTime）是在單位時間內眼睛閉合時間所占的百分率。弗吉尼亞大學的WaltWierwille從20世紀70年代開始研究眼睛光學變量與疲勞的關系，研究表明與疲勞有關的主要因素有缺乏睡眠、瞳孔直徑、注目凝視、眼球快速轉動、眉眼掃視、眨眼睛等，并且發(fā)現(xiàn)PERCLOS是潛力的疲勞測定方法之一，由PERCLOS得出的數(shù)據(jù)可以真正反映駕駛疲勞，是對疲勞進行估價測定的方法。

通過攝像頭獲取司機的實時視頻，獲得駕駛員的視頻圖像后，利用圖像處理與模式識別技術分析人臉特征圖像信息，從圖像中找到駕駛員面部所在位置，檢測出人眼并分析人眼狀態(tài)（睜開或閉合），然后統(tǒng)計一定時間內眼睛閉合持續(xù)總時間，將其與某固定閾值比較，以確定司機瞌睡與否。

1人臉和人眼特征的檢測

疲勞狀態(tài)檢測要準確地檢測和跟蹤眼睛的狀態(tài)。采用先確定人臉區(qū)域，然后再在人臉區(qū)域內進一步檢測、定位人眼的方法，這樣可以使得眼睛的檢測與定位更加準確和快捷。眼睛的識別檢測方法可分為基于統(tǒng)計和基于知識兩種類型?；诮y(tǒng)計的方法將人臉和人眼圖像視為一個多維向量，從而將人臉和人眼檢測問題轉化為多維空間中分布信號的檢測問題；而基于知識的方法則利用人臉和人眼特征知識建立若干規(guī)則，從而將人臉檢測問題轉化為假設和驗證問題，例如人臉膚色和幾何結構等?；谥R建模的方法一般對建模的假設條件依賴性強，而基于統(tǒng)計的方法精度較高、魯棒性強，但運算量大。駕駛室光照復雜多變，振動環(huán)境也較復雜，選擇基于統(tǒng)計的方法能更有效地進行檢測。

Adaboost是一種迭代算法，其思想是針對同一個訓練集訓練不同的分類器（弱分類器），然后把這些弱分類器集合起來，構成一個更強的終分類器（強分類器）。其算法本身是通過改變數(shù)據(jù)分布來實現(xiàn)的，它根據(jù)每次訓練集之中每個樣本的分類是否正確，以及上次的總體分類的準確率，來確定每個樣本的權值。將修改過權值的新數(shù)據(jù)集送給下層分類器進行訓練，將每次訓練得到的分類器融合起來，作為的決策分類器。使用adaboost分類器可以排除一些不必要的訓練數(shù)據(jù)特徵，并將關鍵放在關鍵的訓練數(shù)據(jù)上面。

PaulViola和MichaelJones于2022年提出機器學習領域分類精度較高并且識別速度快的Adaboost算法[5-6],Adaboost算法是一種高效的迭代算法，在人眼的快速檢測方面有著非常重要的應用。它針對同一個訓練集訓練出不同的弱分類器，然后把這些弱分類器組成強分類器，進而形成級聯(lián)分類器。訓練方法描述如下：

設計的系統(tǒng)采用麻省理工的MITCBCL人臉庫作為訓練庫，然后利用Adaboost算法訓練人臉檢測分類器。MITCBCI數(shù)據(jù)庫中的訓練樣本集共有2429幅人臉樣本圖像和4554幅非人臉圖像，包括各種光照條件和人體姿態(tài)。利用人眼檢測程序進行了大量圖片檢測，發(fā)現(xiàn)人眼檢測正確率高，只要能夠正確定位人臉，人眼檢測都能準確識別。經過分析發(fā)現(xiàn)，人眼特征簡單、模板小，不像人臉特征多、變化大。人眼的搜索區(qū)域為先前定位的人臉區(qū)域，搜索區(qū)域??；而人臉搜索區(qū)域為整幅圖像。特征簡單、搜索區(qū)域小，致使人眼檢測正確率高，不會出現(xiàn)誤檢。

2檢測算法移植

疲勞狀態(tài)檢測算法運行在PC機上的檢測幀速率約為3~4幀，不能滿足檢測算法的實時性要求。為了提高實時檢測速度，將檢測算法移植到DSP芯片上運行可以有效地提高系統(tǒng)的實時性。DSP系統(tǒng)具有強大的數(shù)據(jù)并行處理能力，能提高檢測算法的運算速度，從而獲得實時檢測的效果。DSP具備普通微處理器所強調的高速運算和控制功能，移植過程中還要針對實時數(shù)字信號處理，在處理器結構、指令系統(tǒng)、指令流程上做相應的改動。系統(tǒng)采用TI公司的TMS320DM642芯片作為嵌入式芯片平臺，檢測算法的移植在合眾達公司的SEED-VPM開發(fā)板上進行。

TMS320DM642是建立在C64xDSP核基礎上、采用了德州儀器公司開發(fā)的第二代高性能超長指令字結構VelociTl.2TM,在每個時鐘周期內可執(zhí)行2個16×16bit的乘法或4個8×8bit的乘法。TMS320DM642內包含了6個算術邏輯單元，在每個時鐘周期內都可執(zhí)行2個16bit或4個8bit的加減、比較、移動等運算。在600MHz的時鐘頻率下，DM642每秒可以進行24億次16bit的乘累加或48億次8bit的乘累加。這樣的運算能力，使得DM642可以進行實時的多視頻處理和圖像處理。TMS320DM642通過64bit的EMIF和3個8/16bit寬度的視頻口來連接板上的外設（如SDRAM、Flash、FPGA和DART）。TMS320DM642還在C64x的基礎上增加了很多外圍設備和接口。

疲勞狀態(tài)檢測識別系統(tǒng)是運行在DSP芯片上的數(shù)字信號處理系統(tǒng)，視頻數(shù)據(jù)的處理流向如下：視頻數(shù)據(jù)從攝像機輸入進來，輸入的格式為PAL/NTSC模擬電視廣播信號格式，經過模擬數(shù)據(jù)經視頻解碼芯片SAA7115解碼，可以得到標準BT.656并行數(shù)據(jù)，BT.656并行數(shù)據(jù)從DM642視頻口1輸入，視頻口1提取YCbCr數(shù)據(jù)之后，分別存放在內部的緩沖器中，獨立于CPU的EDMA將視頻口buffer中YCbCr數(shù)據(jù)搬移到大容量外部SDRAM存儲器中，SDRAM中存放著連續(xù)的3幀圖像數(shù)據(jù)，同時EDMA將其中一幀圖像數(shù)據(jù)，不停地搬移到DM642內部RAM,在內部RAM存放著兩行連續(xù)視頻數(shù)據(jù)供CPU使用，CPU處理過的數(shù)據(jù)輸回到內部RAM中暫時保存，后續(xù)數(shù)據(jù)輸出步驟與前面介紹的數(shù)據(jù)輸入步驟正好相反。

DSP采用多總線的哈佛結構，相同的系統(tǒng)復雜程度，DSP比一般的微處理數(shù)據(jù)處理速度快2個數(shù)量級。多總線結構使得DSP結構復雜，工作頻率較低，對外部存儲器的訪問速度只有133MHz,從而造成數(shù)據(jù)瓶頸，嚴重地制約了處理速度，移植過程中，要減少片內外的數(shù)據(jù)傳輸、提高片內數(shù)據(jù)的利用率。Adaboost檢測算法要求較大的數(shù)據(jù)計算量，將其移植到DSP中，可以通過提高二級高速緩存Cache命中率、優(yōu)化算法等措施來減少片內外的數(shù)據(jù)傳輸，減少程序運算量。

移植完成后，對算法進行一系列優(yōu)化，終達到18S/s的幀速率，滿足了實時性要求，如表2所示。

3檢測結果與分析

檢測時，TMS320DM642工作頻率為600MHz,視頻輸入圖像大小為724×576,DSP將其縮放為CIF圖像（356×298像素），然后進行疲勞駕駛檢測，系統(tǒng)檢測速率基本達到18幀/s.通過采集多人圖像視頻進行檢測，分析得到人臉檢測率為90.5%,人眼檢測率90.3%,人眼狀態(tài)分析正確率為86.7%.算法達到18幀/s的幀速率，基本滿足了系統(tǒng)實時檢測的性能要求。但是由于實驗設備環(huán)境與時間限制，檢測系統(tǒng)還存在缺陷和有待完善的地方。例如由于樣本庫的原因，人臉檢測算法對傾斜人臉的