1引言
隨著汽車業的快速發展，與之相關的交通事故也在快速增高，而這些事故中，疲勞駕駛所造成的交通事故約占總數的16%，在高速公路上更是超過了20%，因此研制疲勞駕駛預防和報警裝置成為當今疲勞駕駛研究的重點和難點。隨著新技術的出現和發展，本文提出了基于ZigBee無線傳感網絡技術與信息融合決策技術相結合的疲勞監測警示系統。通過ZigBee技術組建的網絡有如下特性：監測方式由于單一而導致系統性能欠佳，而系統的擴展又受到車身空間布線、成本等各方面的限制。因此利用ZigBee技術無線、安全、可靠、低功耗等特點，將單片機控制技術與之結合，引入到車輛傳感器的設計中，不僅可以省去通信電纜的安裝，降低安裝工程量，還可以安全可靠地實現數據傳輸和網絡互聯，從而開發出適用性更強的車輛傳感器。另外ZigBee技術低功耗、低成本的特點非常適合行車途中。
2疲勞檢測系統架構與原理
2.1ZigBee網絡的組建與通信
基于車內各節點通信距離比較短，無需路由器擴展網絡覆蓋面，本模型采用Zigbee星形網絡結構，只需要協調器和各傳感器設備即可構成網絡，從而降低整個系統的組網復雜程度。中間的協調器負責發起和維護網絡，并將收集到得信息交給高性能處理器完成信息的融合決策，再由處理器把疲勞判斷結果傳給警示器。
（1）車道偏離檢測、眼睛頻率檢測、眼睛閉合時間檢測、打哈欠這4處先由傳感器收集原始圖像的信息，再將信息傳給各自的DSP芯片去處理，得到疲勞信息，最后將采集信號處理的結果傳輸給ZiBeeSoC模塊。這里采用TI公司的CC2430，單個CC2430芯片上整合了ZigBee射頻（RF）前端、內存和微控制器。在接收和發射模式下，電流損耗分別低于27mA或25mA。CC2430對于車載系統要求非常長電池壽命的要求來說是比較適合的。這4處的信息最后都由CC2430發送給協調器。具體的實現框架流程圖見圖1。
（2）Coordinator負責組網和管理各終端傳感器，組網基本流程為：首先進行能量掃描和激活掃描信道，如果發現合適的信道，則創建一個唯一的16位網絡PANID，在ZigBee網絡系統中Coordinator的網絡短地址固定設置為0，然后開始向四周廣播網絡信息，并接受處理其網絡覆蓋范圍內的加入網絡的請求，然后加入新節點的信息。組網流程圖如下，見圖2。
從流程圖我們可以看到協調器并不處理和保存傳感器節點發來的信息，它直接將疲勞信息交給高性能處理器處理，這樣協調器能更好地管理網絡。處理器負責實現多個疲勞特征的融合判斷。該模型將協調器與信號匯聚節點（網關）統一設計，協調器/網關負責與各個終端設備的通信與外網的通信。如果駕駛員疲勞駕駛情況嚴重，易于造成交通事故的時候，協調器將駕駛員信息送入網關，然后轉化成外部網絡的信息格式，最后通過GSM/GPRS方式與公路安全網通信，發往遠程監控設備。
2.2傳感信息獲取技術
駕駛員面部圖像通過紅外攝像機和LED來獲取，其中用于照明的LED能夠發出光譜分別為850nm和950nm的光線。當使用不同紅外光譜的時候，眼睛瞳孔會呈現出不同顏色。當用850nm紅外光照明，瞳孔呈現出紅色，即俗稱的紅眼效應；而用950nm紅外光照明，瞳孔卻呈現出黑色。兩幅圖像除了瞳孔以外，臉部其它部位都是一樣的。通過比較這兩幅圖像，就可以很容易定位到眼部，再通過一系列圖像處理來得到面部的參數和實現眼部跟蹤。另外，使用紅外LED在減少周圍光線干擾確保圖像質量的同時，還能減少對駕駛員視覺的干擾，因為它的光線幾乎是看不到的。眼部對比情況如圖3：
為了能夠同時得到圖3的(a)、(b)兩幅圖像，可以采用圖4所示的紅外攝像頭裝置，當入射光照到中間的分光片（它可以將入射激光線分離為反射/透射比為1的兩束光線)的時候，能將入射光線平行分成兩束，再分別經過850nm和950nm的濾光片進入到攝像頭中，這樣在同一時刻得到的兩幅圖像除了瞳孔顏色不同，其它的都是一樣的。為了在有限的時間內完成大量圖像數據的處理，DSP圖像處理芯片采用TMS320DM642，它的圖像處理速度能達到每秒25幀以上，也就是能在40ms內完成對一幀圖像的運算處理，再加上CCD攝像頭是PAL制每秒25幀的，這些設備足夠完成實時的圖像處理，完成對駕駛員眨眼頻率加快、眼睛閉合緩慢、打哈欠的疲勞特征的提取和計算。
車道偏移檢測即基于車輛的行為來間接地反應司機的疲勞跡象。我們將CCD攝像頭朝向汽車行駛方向，監測車輛的行駛方向，同時監測轉向燈。如果汽車方向改變而轉向燈沒有開啟，則認為駕駛員有進入疲勞駕駛的可能。車輛行為的檢測不是基于人為表現活動，這樣能互補面部檢測的不足和人為差異，同時在駕駛員不是由于疲勞而是因為其他因素（如手機、音樂、小孩）造成注意力不集中判斷錯誤的時候，也能給予一定得提醒。
2.3傳感器融合
我們以120ms為一個小周期，因為本系統能在40ms內采集到一幀的圖像，則后80ms用于圖像處理，這樣在一分鐘內共有500幀的圖像。通過這些圖像來分析駕駛員的疲勞情況。根據人體工程學原理，人體出現疲勞的時候，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，進入更深層次疲勞時就會出現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)，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：
（1）輸入及輸出變量隸屬度函數的建立：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），分別定義三種不同程度的模糊集合，對每一個變量，選擇適當的隸屬度函數。其說明如下：眨眼頻率={快、中、慢}；眨眼時間={短、中、長}；疲勞狀態={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，采用三角形隸屬度函數。
（2）模糊化與模糊推理規則的建立：模糊化是把精確的測量值經歸一化轉換到輸入變量對應的論域中，再經由所定義的隸屬度函數，將其轉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，我們采集的圖像經過處理后得到眼睛睜閉的情況，并將眨眼頻率轉換為眨眼頻率快、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出來。文中選用質心法，其計算公式如下。R：模糊控制器輸出量；k：規則數；xi：第i個規則的隸屬度；Fi：第i個規則隸屬度函數的質心值。疲勞狀態數值越高表示越疲勞，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。
實驗結果對比：我們對采集的50段駕駛員處于疲勞狀態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，實驗結果顯示融合后正確率明顯提高。同理，當出現打哈欠、車道路線偏移等疲勞特征時，我們用同樣的方法進行融合，系統的正確率達到95%。
3結論
全文對基于ZigBee技術的疲勞監測警示系統進行了全面的介紹，并給出了系統設計中的關鍵技術，整個系統具有獨特的優點:(1)采用了基于ZigBee無線傳感網絡技術技術的，避免了車身布線成本高和干擾嚴重的問題;(2)采用了多傳感器信息融合技術，能夠較好的分析決策駕駛員疲勞行為。因此，基于ZigBee技術的汽車疲勞駕駛監測系統對降低因疲勞引發的交通事故具有一定的借鑒意義和較好的應用前景。本文創新點：提出并實現了ZigBee網絡與多傳感器融合技術相結合的疲勞監測系統，適于車載運行且擴展性好，有效地提高疲勞判斷的準確性和增強系統的魯棒性。