基于ZigBee的疲勞駕駛警示系統(tǒng)的研究與設(shè)計

　　2.3 傳感器融合

　　我們以 120ms 為一個小周期，因為本系統(tǒng)能在40ms 內(nèi)采集到一幀的圖像，則后80ms用于圖像處理，這樣在一分鐘內(nèi)共有500 幀的圖像。通過這些圖像來分析駕駛員的疲勞情況。根據(jù)人體工程學(xué)原理，人體出現(xiàn)疲勞的時候，眨眼頻率在某個時段比正常時明顯加快，這是駕駛員在疲勞時試圖保持清醒的反應(yīng)，進入更深層次疲勞時就會出現(xiàn)眼睛閉合一次時間加長的特征。清醒時眼睛一睜一閉的過程只需要幾幀倒十幾幀的時間(0.25 秒以內(nèi))，而疲勞時則需要20 幀或一兩秒；打哈欠的時候嘴部垂直半徑明顯加大。我們先采集駕駛員正常時候的眨眼頻率，眼睛閉合一次時間和嘴部信息，然后再與發(fā)生疲勞時候的情況進行對比，以此判斷疲勞程度。我們采用模糊邏輯法來對采集到得信息進行融合決策。例如：當(dāng)Coordinator只接收到眨眼頻率、眨眼時間有疲勞異常的時候，將進行如下方式的融合：

　?。?）輸入及輸出變量隸屬度函數(shù)的建立：對于兩個輸入變量眼睛閉合一次的時間和眨眼頻率以及一個輸出變量（駕駛員的疲勞狀態(tài)），分別定義三種不同程度的模糊集合，對每一個變量，選擇適當(dāng)?shù)碾`屬度函數(shù)。其說明如下：眨眼頻率={快、中、慢}；眨眼時間={短、中、長}；疲勞狀態(tài)={不疲勞、輕微疲勞、疲勞}。在本文中選用歸納推理法來確定隸屬度數(shù)，采用三角形隸屬度函數(shù)。

　　（2）模糊化與模糊推理規(guī)則的建立：模糊化是把精確的測量值經(jīng)歸一化轉(zhuǎn)換到輸入變量對應(yīng)的論域中，再經(jīng)由所定義的隸屬度函數(shù)，將其轉(zhuǎn)化為合適的模糊化語言變量，也就是隸屬度以供模糊推理使用。在本文中，輸入變量為眨眼時間和眨眼頻率，我們采集的圖像經(jīng)過處理后得到眼睛睜閉的情況，并將眨眼頻率轉(zhuǎn)換為眨眼頻率快、眨眼頻率中、眨眼頻率慢、眨眼時間長、眨眼時間中、眨眼短等模糊語言。因為我們對于眨眼頻率以及眨眼時間各選用三種程度的模糊集合。因此，其相互間最多可得32=9 條控制規(guī)則，推理如下表1：

　　（3）模糊清晰化：模糊清晰化是將模糊邏輯推理后的模糊變量換算成實際的操作量表現(xiàn)出來。文中選用質(zhì)心法，其計算公式如下。R：模糊控制器輸出量；k：規(guī)則數(shù)；xi：第i個規(guī)則的隸屬度；Fi：第i 個規(guī)則隸屬度函數(shù)的質(zhì)心值。疲勞狀態(tài)數(shù)值越高表示越疲勞，本文中眼睛閉合一次時間的重要性要高于眨眼頻率，因為眨眼持續(xù)時間越長代表了眼睛在眨眼過程中眼睛閉合的時間越長，不論駕駛員疲勞與否，眼睛閉合越久代表危險性越高。

　　實驗結(jié)果對比：我們對采集的50 段駕駛員處于疲勞狀態(tài)的視頻分別單獨使用眨眼時間、眨眼頻率和二特征融合后的隸屬度值進行判決，實驗結(jié)果顯示融合后正確率明顯提高。同理，當(dāng)出現(xiàn)打哈欠、車道路線偏移等疲勞特征時，我們用同樣的方法進行融合，系統(tǒng)的正確率達到95%。

　　3 結(jié)論

　　全文對基于 ZigBee 技術(shù)的疲勞監(jiān)測警示系統(tǒng)進行了全面的介紹，并給出了系統(tǒng)設(shè)計中的關(guān)鍵技術(shù)，整個系統(tǒng)具有獨特的優(yōu)點:(1)采用了基于ZigBee 無線傳感網(wǎng)絡(luò)技術(shù)技術(shù)的，避免了車身布線成本高和干擾嚴(yán)重的問題; (2)采用了多傳感器信息融合技術(shù)，能夠較好的分析決策駕駛員疲勞行為。因此，基于ZigBee 技術(shù)的汽車疲勞駕駛監(jiān)測系統(tǒng)對降低因疲勞引發(fā)的交通事故具有一定的借鑒意義和較好的應(yīng)用前景。本文創(chuàng)新點：提出并實現(xiàn)了ZigBee 網(wǎng)絡(luò)與多傳感器融合技術(shù)相結(jié)合的疲勞監(jiān)測系統(tǒng)，適于車載運行且擴展性好，有效地提高疲勞判斷的準(zhǔn)確性和增強系統(tǒng)的魯棒性。