發布時間：2022-04-18所屬分類：計算機職稱論文瀏覽：1次
摘 要： 摘 要 人為因素在民航事故發生原因中所占比例逐漸增加，因此，高效檢測管制員的身份和疲勞狀況，對保證飛行正常及安全風險的評估具有重要的意義�；诿娌孔R別技術，采 用 OpenCV 開 發 平臺，綜合圖象二值化和模板匹配技術，對管制員的身份及疲勞狀況進行識別，取得比
摘 要 人為因素在民航事故發生原因中所占比例逐漸增加，因此，高效檢測管制員的身份和疲勞狀況，對保證飛行正常及安全風險的評估具有重要的意義。基于面部識別技術，采 用 OpenCV 開 發 平臺，綜合圖象二值化和模板匹配技術，對管制員的身份及疲勞狀況進行識別，取得比較實際的檢測效果，疲勞檢測成功率達80%，對管制員這類工作崗位的風險管理具有一定的參考價值。
關鍵詞 管制員疲勞檢測系統;眼部檢測;人臉識別;OpenCV
0 引 言
管制員主要的工作是通過雷達顯示的實時信息，密切監控每1架飛機的飛行動態，通過無線電通信設備向飛行員發布各種指令，包括飛行高度、速度和航向，等等。最繁忙的時候，1個管制員需同時管制十幾架甚至更多的飛機，而且必須注意到每1個細節，任何的疏漏都可能成為安全隱患。民航事故統計表明：在人、機械故障和天氣因素3類主要造成飛行事故的原因中，人 的 因 素 占 到80%。其中，因管制員疲勞引發的事故和 事 故 征候更是占據了相當的比例。
究其原因，管制員在工作的同時，不可避免的會產生包 括 肢 體、視 力、聽 力、心 理 等 疲 勞 狀 況。這些疲勞狀況的產生會使管制員的興奮程度降低，注意力很難集中;同時管制員的情境意識、應變能力也會下降，從而埋下安全隱患。所以，檢測管制員的疲勞狀況，對保證飛行正常及安全風險的評估具有重要的意義。結合實際情況和需求，筆者研發了管制員疲勞檢測系統。
1 管制員疲勞風險評估原理及結構
疲勞是多年來一直倍受關 注 的 問 題。目 前，正確進行疲勞分類、充分認識疲勞發生機理和疲勞對工效的影響尚有一定困難。但已知疲勞是涉及效率和技能損害或喪失的1組現象[1]。造成疲勞的原因有多種，例如因長時間工作造成睡眠不足、中斷或剝奪，其中有多種任務負荷，包括主觀疲倦感、注意力短時間喪失、可能有心理運動能力降低�？梢哉J為疲勞是指工作過程中人體工作能力和績效下降、造成錯誤和事故發生概率增加的現象。
疲勞的表現形式有很多，目前，針對疲勞的不同癥狀，如頭部和眼睛運動、面部表情、皮膚電阻率的變化，國外研發了多種檢測設備。其中，澳大利亞研發 的 操 作 覺 醒 儀(OptalertR)采 用 紅外 眼動記錄的方法，測量眨眼過程中眼瞼閉合與睜開的速率以及閉眼持續時間進而評估嗜睡狀態和疲勞。該系統的有效性在汽車駕駛員的疲勞檢測中得到證實[2]。筆者所提到的管制員疲勞檢測系統利用類似 OptalertR 的 原 理，檢測眼瞼睜閉速率及閉合時間，同時輔以嘴巴的張開頻率來綜合判別管制員的疲勞狀況。相比較其他生物識別技術而言，人臉識別技術是非接觸的，非強制的，更加便捷、人性化。
管制員疲勞測試的系統結構包括了管制員的身份識別登錄、疲勞檢測、安全風險評估等3方面的內容，見圖1。
筆者在文中主要介紹身份識別登錄和疲勞檢測2部分，其中重要闡述疲勞檢測中的二值化方法和模板匹配等關鍵技術。
系統采用 OpenCV 開發平臺，應用了其中的人臉識別函數庫。OpenCV 是計算機視覺領域主流的開發平臺。也是目前最完善的開源的計算機視覺庫。它采 用 C/C+ + 編 寫，包 括函 數 有 300多個。涉及的功能有：圖像處理、圖像變換、跟蹤、攝像機標定、三維視覺、機器學習、人臉識別等;支持的機器學習算法包括 Mahalanobis、K 均值、正態/樸素貝葉斯分類器、決策樹、Boosting、隨機森林、人臉檢測/Haar分類器、期望最大化、K 近鄰、神經網絡、支 持 向 量 機。其 中 人 臉 檢 測/Haar分類器是常用的人臉識別算法[3]。
OpenCV 提 供 已經 訓 練 好 的 Haar分 類 器，即包括訓練方法、識別方法。甚至還包括了訓練好的物體檢測器[4]。這些算法為管制員疲勞檢測系統提供了技術上的基礎保障。
2 管制員疲勞識別的關鍵算法
2.1 管制員的人臉識別
管制員疲勞檢測系統的人臉識別應用了基于SIFT 特征 點的 圖 像 匹 配 算 法。DavidG.Lowe在1999年 提 出了 尺 度 不 變 的 特 征(scale-invari-antfeature)[5]，用來進行物體的識別和圖像匹配等，并于2004年進行了更深入的發展和進一步的完善。
算法的主要思想是在尺度空間尋找極值點而不是平面上的極值點，因此需要過濾掉平面上的極值點，找出穩定的特征點。最后在每個穩定的特征點周圍提取圖像的局部特性，形成局部描述并將其應用在以后的匹配中[6]。該方法不但對于旋轉、尺度縮放、亮度變化保持不變性，而且對視角變化、仿射變換、噪聲也保持一定程度的穩定性。
圖2、3所示是通過上述方法進行管制員身份識別登錄的2個關鍵過程示意圖。
2.2 二值化
1幅圖像包括目標物體、背景還有噪聲，要想從多值的數字圖像中直接提取出目標物體，最常用的方法就是設定1個閾值T，用T 將圖像的數據分成2部分：大 于 T 的 像 素群 和 小 于 T 的 像 素群。這是研究灰度變換的最特殊的方法，稱為圖像的二值化(binarization)[7]。簡言之，就是將圖像上的像素點的灰度值設置為0或255，也就是將整個圖像呈現出明顯的只有黑和白的視覺效果。
相關知識推薦：可以拒絕審稿人的論文修改意見嗎
二值化有2種方法：全局二值化和局 部 自 適應二值化。全局二值化是指在處理整個圖像過程中僅設置1個閾值T，顯然，在處理圖像細節方面存在很大缺陷。局部自適應二值化是按照一定的規則將整幅圖 像 劃 分 為 N 個 窗 口，對這 N 個 窗口中的每1個窗口進行二值 化 處 理[8]。而 且，閾值獲取的方法更加合理，是通過對該窗口像素的平均值E，像素之間的方差P，像素之間的平方根Q 等各種局部特征，設定1個參數方程進行閾值的計算，例如，T=mE+nP+tQ，式中：m，n，t是自由參數[9]。這樣得出來的二值化圖像就更能表現出圖像中的細節。
管制員疲勞檢測系統采用局部自適應二值化方法對攝像頭采集的圖像進行處理，處理結果見圖4。二值化后的基本算法步驟如下。1)利用 OpenCV 中的算法確定出眼部和嘴部的矩形框范圍。
2)獲取A，B，C 點坐標分別為A(x1，y1)，B(x2，y2)，C(x3，y3);即可求出包含眼球的矩形框區域的長AC=x3-x1，寬AB=y2-y1。3)根據AC/AB 的值大小確定眼睛的睜閉。(比值越大，眼睛閉眼的概率越大)同時，遍歷包含眼球的矩形框內的點 并 累 計黑點的個數，黑 色 像 素 的 個 數 也 是 睜 眼 閉 眼 的1個重要參考指數。睜眼時，矩形框內的黑點個數明顯要多于閉眼時;而且，2種狀態下黑點的分布存在很大區別。類似的方法也可以對嘴的張合進行檢測。實驗證明，如果僅用這種方法來判斷管制員的疲勞，效果較差。原因是不同管制員的眼形及眼球的凹陷程度有一定的區別，眼球凹陷的管制員在二值化時會造成局部黑點個數劇增;而且這種方法對光線的要求比較苛刻，不同的光照強度下，需要設定不同的閾值才能識別準確，與實際不符。因此，介紹另1種輔助方法-模板匹配法。2種方法的結合，可以提高管制員疲勞檢測系統的準確性。2.3 模板匹配當對象物以圖像的形式表現時，根據 模 板 圖案與該圖像的各部分的相似度判斷其是否存在，并求得對象物在圖像中位置的操作叫模板匹配[10]�；驹砣缦隆２捎靡韵碌乃闶絹砗饬磕０錞(m，n)與所覆蓋的子圖Sij(i，j)的 關 系，已知 原 始 圖 像 S(W，H)，見圖5。
3 結束語
由于人臉的側偏，光線的明暗以及人 臉 距 離攝像頭的距離都會給識別帶來不同的影響，管制員疲勞檢測系統結合了上面二值化和模板匹配兩種方法對管制員的眼睛和嘴巴進行識別，減小了識別誤差。經實驗統計，管制員登陸時身份識別正確率達百分之百，管制員工作時疲勞檢測成功率達80%。圖6為 管制員疲勞檢測系統的實際測試效果展示(當眼睛閉合或嘴巴張開時，系統對應的眼睛狀態和嘴巴狀態的輸出框顯示矩形條)。
但是，該方案仍然存在一定問題，如距離和光線仍然是限制系統識別準確度進一步提高的關鍵因素;另外，當1臺主機控制多個客戶端時，系統占用較大資源。這些問題將在以后工作中進一步改進完善。——論文作者：孫瑞山 史增鵬 王俊虎
參考文獻
[1] 詹 皓，陳勇勝.飛行疲勞研究[M].北京：國防工業出版社，2011.圖6 管制員疲勞測試結果Fig.6 Theresultoftrafficcontroller’stest
[2] 張明恒，王榮本，郭 烈.基于灰度投影的駕駛員圖像眼睛定位[J].交通與計算機，2006，24(4)：76-79.
[3] 劉瑞禎，于仕琪.OpenCV 教程[M].北京：北京航空航天大學出版社，2007.
[4] 吳業福，李 波，師 宇，等.人臉檢測與實時追蹤在機動車道路考試系統中的應用研究[J].交通信息與安全，2013，31(1)：113-116.
[5] LoweDG.Distinctiveimagefeaturesfromscalein-variantkeypoints[J].InternationalJournalofCom-puterVision，2004，60(2)：91-100.
[6] 林天威.基于視頻流的人臉識別系統研究[D].哈爾濱：哈爾濱工程大學，2009.
[7] 李 英，賴劍 煌，黃瓊 燕，等.非均勻光照下的人臉表情多狀態檢測與分類[J].中山大學學報，2006，45(5)：17-21.
[8] 沈永增，劉小 磊.眼部疲勞狀態檢測算法的研究與實現[J].計算機應用與軟件，2011，28(3)：106-109.
[9] 伍文峰，王虎 幫.基于模板匹配的目標識別算法的設計與實現[J].計算機應用，2006，21：133-134.
[10] 王洪志.基于靜態圖像的人臉檢測與識別系統設計與實現[D].成都：電子科技大學，2010.
SCISSCIAHCI
