鹹魚終要翻身2019-08-13 19:24:23智慧駕駛輔助系統（ADAS）中的疲勞駕駛預警系統（DMS）能夠在駕駛員行駛過程中，全天候監測駕駛員的疲勞狀態、駕駛行為等。在發現駕駛員出現疲勞、打哈欠、眯眼睛及其他錯誤駕駛狀態後，預警系統將會對此類行為進行及時的分析，並進行語音燈光提示。達到警示駕駛員，糾正錯誤駕駛行為的方式。
那麼什麼是疲勞駕駛預警系統？疲勞駕駛預警系統是如何工作，如何保障駕駛員在疲勞駕駛及出現危險時及時預警呢？
疲勞駕駛預警系統就是指一旦駕駛者精神狀態下滑或進入淺層睡眠，該系統會依據駕駛員精神狀態指數分別給出：語音提示，振動提醒，電脈衝警示，警告駕駛員已經進入疲勞狀態，需要休息，並同時自動記錄相關資料，以便日後查閱，鑑定。其作用就是監視並提醒司機自身的疲勞狀態，減少司機疲勞駕駛潛在危害。許多國家都比較重視疲勞駕駛預警系統的研究工作，早期的疲勞駕駛測評主要是從醫學角度出發，藉助醫療器件進行的。
而目前應用較多的疲勞駕駛預警系統（DMS）是基於駕駛員生理及其他非生理訊號的變化進行採集、分析和處理，判斷駕駛員狀態是否處於疲勞、睡眠狀態。
基於影象處理的疲勞駕駛系統主要有幾個模組組成：影象採集模組、影象處理模組、中央處理器、報警顯示模組。
系統最前端為影象採集模組，搭載影象感測器的攝像頭將時刻進行影象採集，保證在各種環境，全天候都能實現駕駛員面部特徵和肢體影象的採集。達到及時性和準確性，無延遲的監控。
影象採集模組主要負責不間斷的影象採集，而影象處理模組則是將採集到的影象進行分析處理，對每一幀影象都需要進行數字化、降噪、濾波、重建等處理，再傳輸至中央處理器利用影象處理演算法不斷最佳化結果，進而將結果輸出，透過指示燈和聲音進行預警。
整個系統主要利用駕駛員的面部特徵、眼部訊號、頭部運動特徵等推斷駕駛員的疲勞狀態，並進行報警提示和採取相應措施，有利於駕駛員更直觀的判斷車輛狀態，對駕乘者給予主動智慧的安全保障。
瞭解了疲勞駕駛預警系統如何工作的，我們接下來看一下疲勞駕駛預警系統是如何能夠保障系統在駕駛員出現疲勞狀態或其他危險行為時能夠及時預警。
當影象感測器將影象資料一幀一幀不間斷捕捉後，傳輸至處理器模組，處理器也將對每一幀影象進行預處理和分析。交通事故的發生就在幾秒鐘的時間內，研究調查，提前2秒鐘預警將能減少92%的交通事故，提前0。5秒鐘預警，將會避免73%的交通事故。因此要想達到更為準確和快速的預警效果就要求處理器的處理效能和軟體演算法達到一個更高的水平，高速硬體處理系統和最佳化的演算法是保證預警及時的一個重要原因。
硬體效能
在一般的影象處理系統中，無論是DSP或是ARM系統，主要是利用CPU的計算效能來滿足處理要求。但通常情況下，這樣的硬體效能在應對複雜計算時是可以，對於圖形計算的重複性和大量性，將會造成處理延遲，不能滿足高速硬體處理效能要求。
一般的系統，CPU核心數不超過兩位數，而搭載更多圖形專用處理器GPU的系統，將完美解決上述問題。GPU可以實現幾十上百的核心同時計算資料，在應對龐大的圖形資料處理時就表現除了更好的加速效能，從而實現影象處理的快速性。
軟體效能
軟體效能主要體現在演算法最佳化上。攝像頭將影象從三維轉化至二維，而在二維圖形中透過演算法來進行特徵識別和決策判斷，將會在很大程度上加大演算法的難度，這是也傳統疲勞駕駛系統識別準確性低的一個原因。
透過3D點雲技術，可將圖形進行恢復重建為立體影象，實現特徵畫素的三維座標的描述。在立體化影象中，有利於疲勞狀態如：嘴巴張合、眼睛閉合、瞳孔的變化、頭部低下等資訊的捕捉，達到對特徵的良好識別。演算法的不斷最佳化更是預警準確性的重要保障之一。
深度機器學習技術的運用，將更好的實現人工智慧。在疲勞駕駛預警系統中採用深度機器學習技術中的卷積神經網路，可以更準確將特徵進行識別和表達。普通神經網路由於訓練代價較高，一般只有3-4層，而深度神經網路由於採用了特殊的訓練方法加上一些小trick，可以達到8-10層。深度神經網路能夠捕捉到資料中的深層聯絡，從而能夠得到更精準的模型，而這些聯絡不容易被普通的機器學習方法所發覺。
疲勞駕駛預警系統 主要是針對駕駛員的疲勞狀態和其他不良駕駛行為進行實時檢測和判斷，當偵測到駕駛員的行為將會對駕駛安全不利時，系統就會迅速預警顯示，將危險訊號傳達給駕駛員，以達到及時糾正和避免事故發生的目的。
