基于PERCLOS的驾驶员疲劳程度判定技术研究

"本文主要探讨了眼睛疲劳程度的判定方法，特别是在使用机器视觉系统监测驾驶员疲劳状态的场景下。研究中提出了使用描述统计方法确定眼睛的最大睁开值，并结合PERCLOS(percentage of eyelid closure over time)算法来评估疲劳程度。通过对视频序列图像的抽样分析，研究了不同采样时间间隔对PERCLOS值的影响。实验结果显示，当PERCLOS值在15%左右时，疲劳现象显著；随着疲劳程度加深，PERCLOS值会升高。在40 ms至120 ms的采样间隔内，PERCLOS值相对稳定，而超过120 ms时，其波动增大，可能影响疲劳判定的准确性。" 在疲劳驾驶问题日益严重的背景下，研究有效的驾驶员疲劳检测方法至关重要。眼睛的状态是判断疲劳程度的重要指标，PERCLOS算法因其对慢闭眼动作的量化分析，成为机器视觉系统中广泛应用的疲劳检测标准。尽管不同研究者对于PERCLOS的疲劳判定阈值有分歧，如郭永彩认为15%以上为疲劳，郑培提出40%作为阈值，韩相军则认为80%以上是安全驾驶的界限，但这些差异主要源于个体差异和方法操作细节。本文关注的是如何通过优化采样策略来提高PERCLOS方法的判定准确性和稳定性。 通过实验，研究人员发现，对于PERCLOS值的稳定性，采样间隔在40毫秒到120毫秒之间最为理想，最大相对误差控制在20.17%以内。这为实际应用提供了参考，即在保证不漏掉眼睛关键状态信息的前提下，可以适当选择此范围内的采样间隔来降低计算负担，同时保持较高的疲劳判定精度。然而，如果采样间隔超过120毫秒，PERCLOS值的波动会显著增加，最大相对误差可达54.07%，这可能导致误判，影响疲劳监测的有效性。 本研究强调了采样时间间隔对眼睛疲劳程度判定的影响，为改进机器视觉系统在疲劳驾驶检测中的性能提供了科学依据。未来的研究可以进一步探索如何结合其他生物特征，如面部表情、眼部微动作等，以提升疲劳检测的综合准确性和鲁棒性。同时，针对不同驾驶员的个性化阈值设定也是一个值得深入研究的方向。