首页 > 技术解答 > 基于深度学习算法的疲劳检测PERCLOS判别设计

基于深度学习算法的疲劳检测PERCLOS判别设计

Date:2023-08-02 17:35:44

当人处于疲劳状态时，眼睛从睁开状态到闭合状态再到睁开状态所花费的时间变长，且在一定时间段内闭眼时间变长，眨眼次数减少，打哈欠次数增加，人体的疲劳状态就更明显。因此，眼睛闭合时间的长短和打哈欠的次数在一定程度上可以反映人体的疲劳状态。PERCLOS（Percentage of Eyelid Closure over thepupil over time）是指单位时间内眼睛闭合的时间。其计算思路是将摄像头传感器捕获的相邻两帧的脸部图像进行相减操作，经过图像二值化，分割眼睛嘴巴区域和脸部其它区域，以及积分投影和区域生长等图像处理方法将相同特征的联通区域分割出来，获得更好的边界信息。PERCLOS 统计在一定时间内眼睛闭合时所占的时间比例。在具体试验中有 P70，P80，EM 三种测量方式，分别为：

（1）P70：规定当眼睑遮盖瞳孔的面积超过 70%时为眼睛闭合状态，然后统计在一定时间内眼睛闭合状态所占的时间比例。

（2）P80：规定当眼睑遮盖瞳孔的面积超过 80%时为眼睛闭合状态，然后统计在一定时间内眼睛闭合状态所占的时间比例。

（3）EM：规定当眼睑遮盖瞳孔的面积超过 50%时为眼睛闭合状态，然后统计在一定时间内眼睛闭合状态所占的时间比例。

研究 PERCLOS 与人体疲劳状态程度的表现关系，美国高速公路安全管理局 NHTSA 收集数据信息，通过实验研究获得了 PERLCOS 与人体疲劳程度的相关性，如下图所示，PERCLOS 与疲劳程度有着很好的线性表现关系。因此，在疲劳检测研究领域，PERCLOS 是大家公认的强大有效的测试判定标准。

基于深度学习算法的疲劳检测PERCLOS判别设计(图1)

PERCLOS 的测量原理是计算一段时间内眼睛闭合状态所占的时间比例，如图 3-12 所示。以时间t 为坐标横轴，以眼睑的开合度为坐标纵轴，设定瞳孔睁开程度的阈值，20%、80%和 100%。图中的曲线变化就表示了眼睛从睁开-闭合-睁开的生理过程。其计算公式为：

基于深度学习算法的疲劳检测PERCLOS判别设计(图2)

式中，t3 −t2 表示眼睛从 20%瞳孔闭合到 20%睁开状态所用的时间；t4 −t1 表示眼睛瞳孔从 20%睁开到 80%程度所用的时间。

基于深度学习算法的疲劳检测PERCLOS判别设计(图3)