基于ZigBee的疲劳驾驶警示系统的研究与设计

基于人为表现活动，这样能互补面部检测的不足和人为差异，同时在驾驶员不是由于疲劳而是因为其他因素（如手机、音乐、小孩）造成注意力不集中判断错误的时候，也能给予一定得提醒。

　　2.3 传感器融合

　　我们以 120ms 为一个小周期，因为本系统能在40ms 内采集到一帧的图像，则后80ms用于图像处理，这样在一分钟内共有500 帧的图像。通过这些图像来分析驾驶员的疲劳情况。根据人体工程学原理，人体出现疲劳的时候，眨眼频率在某个时段比正常时明显加快，这是驾驶员在疲劳时试图保持清醒的反应，进入更深层次疲劳时就会出现眼睛闭合一次时间加长的特征。清醒时眼睛一睁一闭的过程只需要几帧倒十几帧的时间(0.25 秒以内)，而疲劳时则需要20 帧或一两秒；打哈欠的时候嘴部垂直半径明显加大。我们先采集驾驶员正常时候的眨眼频率，眼睛闭合一次时间和嘴部信息，然后再与发生疲劳时候的情况进行对比，以此判断疲劳程度。我们采用模糊逻辑法来对采集到得信息进行融合决策。例如：当Coordinator只接收到眨眼频率、眨眼时间有疲劳异常的时候，将进行如下方式的融合：

　　（1）输入及输出变量隶属度函数的建立：对于两个输入变量眼睛闭合一次的时间和眨眼频率以及一个输出变量（驾驶员的疲劳状态），分别定义三种不同程度的模糊集合，对每一个变量，选择适当的隶属度函数。其说明如下：眨眼频率={快、中、慢}；眨眼时间={短、中、长}；疲劳状态={不疲劳、轻微疲劳、疲劳}。在本文中选用归纳推理法来确定隶属度数，采用三角形隶属度函数。

　　（2）模糊化与模糊推理规则的建立：模糊化是把精确的测量值经归一化转换到输入变量对应的论域中，再经由所定义的隶属度函数，将其转化为合适的模糊化语言变量，也就是隶属度以供模糊推理使用。在本文中，输入变量为眨眼时间和眨眼频率，我们采集的图像经过处理后得到眼睛睁闭的情况，并将眨眼频率转换为眨眼频率快、眨眼频率中、眨眼频率慢、眨眼时间长、眨眼时间中、眨眼短等模糊语言。因为我们对于眨眼频率以及眨眼时间各选用三种程度的模糊集合。因此，其相互间最多可得32=9 条控制规则，推理如下表1：

　　（3）模糊清晰化：模糊清晰化是将模糊逻辑推理后的模糊变量换算成实际的操作量表现出来。文中选用质心法，其计算公式如下。R：模糊控制器输出量；k：规则数；xi：第i个规则的隶属度；Fi：第i 个规则隶属度函数的质心值。疲劳状态数值越高表示越疲劳，本文中眼睛闭合一次时间的重要性要高于眨眼频率，因为眨眼持续时间越长代表了眼睛在眨眼过程中眼睛闭合的时间越长，不论驾驶员疲劳与否，眼睛闭合越久代表危险性越高。

　　实验结果对比：我们对采集的50 段驾驶员处于疲劳状态的视频分别单独使用眨眼时间、眨眼频率和二特征融合后的隶属度值进行判决，实验结果显示融合后正确率明显提高。同理，当出现打哈欠、车道路线偏移等疲劳特征时，我们用同样的方法进行融合，系统的正确率达到95%。

3 结论

　　全文对基于 ZigBee 技术的疲劳监测警示系统进行了全面的介绍，并给出了系统设计中的关键技术，整个系统具有独特的优点:(1)采用了基于ZigBee 无线传感网络技术技术的，避免了车身布线成本高和干扰严重的问题; (2)采用了多传感器信息融合技术，能够较好的分析决策驾驶员疲劳行为。因此，基于ZigBee 技术的汽车疲劳驾驶监测系统对降低因疲劳引发的交通事故具有一定的借鉴意义和较好的应用前景。本文创新点：提出并实现了ZigBee 网络与多传感器融合技术相结合的疲劳监测系统，适于车载运行且扩展性好，有效地提高疲劳判断的准确性和增强系统的鲁棒性。