疲劳预警系统(DMS)是基于驾驶员生理及其他非生理信号的变化进行采集、分析和处理,判断驾驶员状态是否处于疲劳、睡眠状态。千讯咨询发布的中国疲劳预警系统市场前景调查分析报告显示,基于图像处理的疲劳驾驶系统主要有以下几个模块组成:
系统最前端为图像采集模块,搭载图像传感器的摄像头将时刻进行图像采集,保证在各种环境,全天候都能实现驾驶员面部特征和肢体图像的采集。达到及时性和准确性,无延迟的监控。
图像采集模块主要负责不间断的图像采集,而图像处理模块则是将采集到的图像进行分析处理,对每一帧图像都需要进行数字化、降噪、滤波、重建等处理,再传输至中央处理器利用图像处理算法不断优化结果,进而将结果输出,通过指示灯和声音进行预警。
整个系统主要利用驾驶员的面部特征、眼部信号、头部运动特征等推断驾驶员的疲劳状态,并进行报警提示和采取相应措施,有利于驾驶员更直观的判断车辆状态,对驾乘者给予主动智能的安全保障。
当图像传感器将图像数据一帧一帧不间断捕捉后,传输至处理器模块,处理器也将对每一帧图像进行预处理和分析。交通事故的发生就在几秒钟的时间内,研究调查,提前2秒钟预警将能减少92%的交通事故,提前0.5秒钟预警,将会避免73%的交通事故。因此要想达到更为准确和快速的预警效果就要求处理器的处理性能和软件算法达到一个更高的水平,高速硬件处理系统和优化的算法是保证预警及时的一个重要原因。
在一般的图像处理系统中,无论是DSP或是ARM系统,主要是利用CPU的计算性能来满足处理要求。但通常情况下,这样的硬件性能在应对复杂计算时是可以,对于图形计算的重复性和大量性,将会造成处理延迟,不能满足高速硬件处理性能要求。
一般的系统,CPU核心数不超过两位数,而搭载更多图形专用处理器GPU的系统,将完美解决上述问题。GPU可以实现几十上百的核心同时计算数据,在应对庞大的图形数据处理时就表现除了更好的加速性能,从而实现图像处理的快速性。
软件性能主要体现在算法优化上。摄像头将图像从三维转化至二维,而在二维图形中通过算法来进行特征识别和决策判断,将会在很大程度上加大算法的难度,这是也传统疲劳驾驶系统识别准确性低的一个原因。
通过3D点云技术,可将图形进行恢复重建为立体图像,实现特征像素的三维坐标的描述。在立体化图像中,有利于疲劳状态如:嘴巴张合、眼睛闭合、瞳孔的变化、头部低下等信息的捕捉,达到对特征的良好识别。算法的不断优化更是预警准确性的重要保障之一。
深度机器学习技术的运用,将更好的实现人工智能。在疲劳驾驶预警系统中采用深度机器学习技术中的卷积神经网络,可以更准确将特征进行识别和表达。普通神经网络由于训练代价较高,一般只有3-4层,而深度神经网络由于采用了特殊的训练方法加上一些小trick,可以达到8-10层。深度神经网络能够捕捉到数据中的深层联系,从而能够得到更精准的模型,而这些联系不容易被普通的机器学习方法所发觉。
相关研究报告
中国疲劳预警系统行业发展研究报告
疲劳预警系统项目可行性研究报告
中国疲劳预警系统市场发展研究及投资前景报告