基于ARM的非接觸式安全駕駛預(yù)警系統(tǒng)方案設(shè)計(jì)

　　0引言

　　隨著居民汽車(chē)擁有量的逐年增加以及人們生活節(jié)奏的加快，因疲勞駕駛導(dǎo)致的交通事故數(shù)也逐年增加。全世界每年因交通事故而導(dǎo)致的死亡人數(shù)達(dá)60萬(wàn)，直接經(jīng)濟(jì)損失約125億美元，這些事故中57%的災(zāi)難性事故與駕駛員疲勞駕駛有關(guān)。因此，研究和開(kāi)發(fā)一套非接觸式疲勞駕駛監(jiān)測(cè)系統(tǒng)有著非常大的社會(huì)現(xiàn)實(shí)意義。

　　1系統(tǒng)硬件設(shè)計(jì)

　　本預(yù)警系統(tǒng)主要由微控制器、圖像數(shù)據(jù)采集模塊、LED預(yù)警模塊、通信接口以及電源模塊五大部分組成，如圖1所示。根據(jù)處理速度和精度的要求，采用32位ARM處理器。為了減小對(duì)駕駛員的影響，更好地實(shí)現(xiàn)非接觸式，本文選用了300萬(wàn)像素的CMOS攝像頭OV3640模塊，與CCD相比，CMOS具有靈敏度高、分辨率高、低功耗以及成本低廉等優(yōu)勢(shì)。

　　圖1 系統(tǒng)硬件組成

　　圖2 LED原理圖

　　圖3 蜂蜜器原理圖

　　由于Rea16410開(kāi)發(fā)板上沒(méi)有蜂鳴器等發(fā)聲的裝置，并且蜂鳴器發(fā)聲和LED發(fā)光的原理類(lèi)似，所以本文使用LED發(fā)光報(bào)警。圖2是開(kāi)發(fā)板內(nèi)LED的原理圖。只要給后面的引腳一個(gè)低電平就能使LED發(fā)出耀眼的紅光，從而報(bào)警。在這里再簡(jiǎn)單介紹下蜂鳴器發(fā)聲的原理，原理圖如圖3所示給P1引腳低電平就能使蜂鳴器發(fā)聲。

　　2系統(tǒng)軟件設(shè)計(jì)

　　2.1開(kāi)發(fā)環(huán)境的搭建

　　如果說(shuō)系統(tǒng)硬件是骨架和軀體，那么軟件算法就是思想。編寫(xiě)程序之前需要先建立好軟件開(kāi)發(fā)環(huán)境。軟件開(kāi)發(fā)環(huán)境的搭建流程圖如圖4所示。

　　圖4 開(kāi)發(fā)環(huán)境搭建流程圖

　　圖5 人臉示范圖

　　2.2 Adaboost算法

　　Adaboost算法的基本思想就是利用大量的分類(lèi)能力一般的弱分類(lèi)器(weak classifier)通過(guò)一定的方法疊加起來(lái)構(gòu)成一個(gè)具有很強(qiáng)分類(lèi)能力的強(qiáng)分類(lèi)器(strong classifier)。

　　Adaboost算法的實(shí)現(xiàn)，采用的是輸入圖像的矩形特征，也叫Haar特征。臉部的一些特征可以由矩形特征簡(jiǎn)單地描繪。用圖5示范。

　　上圖中兩個(gè)矩形特征，表示出人臉的某些特征。比如中間一幅表示眼睛區(qū)域的顏色比臉頰區(qū)域的顏色深，右邊一幅表示鼻梁兩側(cè)比鼻梁的顏色要深。同樣，其他目標(biāo)，如眼睛等，為了得到眼睛圖像的信息，必須進(jìn)行眼睛定位?，F(xiàn)有的眼睛定位方法很多，基于膚色模型的方法、灰度投影法、基于模板的方法、基于神經(jīng)網(wǎng)絡(luò)的方法、基于特征提取等。本系統(tǒng)利用Adaboost算法構(gòu)造一個(gè)基于類(lèi)Haar特征的層疊式分類(lèi)器來(lái)進(jìn)行人眼定位。類(lèi)Haar特征通常由2～4個(gè)矩形組成，如圖6所示。

　　圖6 類(lèi)Haar特征圖

　　2.3使用Haar識(shí)別人眼

　　人臉的Haar特征分類(lèi)器是一個(gè)XML文件，該文件中會(huì)描述人臉的Haar特征值。Haar特征還可以描述眼睛嘴唇或其他物體。

　　OpenCV已經(jīng)自帶了人臉的Haar特征分類(lèi)器。在/usr/locaI/Opencv-2.4.3/data/haarcascades下。haarcascade_frontalface_al t.xml與haarcascade frontalface alt2.xml都是用來(lái)檢測(cè)人臉的Haar分類(lèi)器，haarcascade_eve.xm l與haarcascade eye tree eyegla sses.xml都是用來(lái)檢測(cè)人眼的Haar分類(lèi)器，這個(gè)haarcascades目錄下還有人的全身，嘴唇的Haar分類(lèi)器。圖7是檢測(cè)到的人臉。

　　圖7 人臉識(shí)別圖

　　圖8 人眼閾值檢測(cè)圖

　　2.4用閾值法判斷疲勞狀態(tài)

　　由上述算法定位眼睛并截取下來(lái)，使用sobel實(shí)現(xiàn)邊緣檢測(cè)再進(jìn)行二值化處理，將二值化的圖像暫存在臨時(shí)文件夾中，調(diào)用臨時(shí)文件夾中的圖片，for循環(huán)遍歷圖片像素點(diǎn)，比較黑色像素點(diǎn)坐標(biāo)并得到上下最大落差值，據(jù)此給定相應(yīng)的高度閾值。當(dāng)檢測(cè)到的眼睛高度值等于或小于設(shè)定的眼睛高度閾值就記錄下來(lái)，若連續(xù)五幀眼睛的高度值等于或小于閾值，則系統(tǒng)判定駕駛員處于疲勞狀態(tài)。整個(gè)系統(tǒng)流程如圖9所示。

　　圖9 眼睛處理流程圖