CN104269028A - 一种疲劳驾驶检测方法及*** - Google Patents

Abstract

本发明公开一种疲劳驾驶检测方法及***，其中疲劳驾驶检测方法包括如下步骤：S1、采集图像和预处理；S2、人脸定位和检测；S3、人脸跟踪；S4、眼睛检测和状态识别；S5、计算疲劳PERCLOS值；S6、将得到的PERCLOS值与预设的阈值进行比较，判定驾驶员是否疲劳驾驶。采用本发明的设计，能够自动捕捉驾驶员的脸部微观变化，通过科学的概率计算判别驾驶员状态，并及时警示处于疲劳驾驶状态的驾驶员，保证行车安全。

Description

一种疲劳驾驶检测方法及***

技术领域

本发明设计汽车安全技术领域，特别设计一种疲劳驾驶检测方法及***。

背景技术

随着经济社会的发展，机动车辆急剧增加，因此疲劳驾驶导致的交通事故也越来越多。针对这一问题，产生了许多疲劳驾驶检测技术，归纳起来有三种。

(1)基于生理信号的检测技术，根据驾驶员的血压，脑电波等生理信号判断是否疲劳，需要有高精度的检测仪器，而且接触驾驶员，对驾驶员有一定的影响且成本高。

(2)基于行车信息的疲劳检测技术，当方向盘长时间未修正方向，或者车辆左右摇晃频率或幅度过大，车速不稳定就判断为疲劳驾驶，但是针对不同驾驶习惯的驾驶员，以及不同道路上的行车状况，难以行车统一标准，精确度不高。

(3)基于生理特征的疲劳检测技术，当驾驶员疲劳时候，会表现出低头和闭眼频率增加等生理特征。通过机器视觉的方法，检测驾驶员的上述生理特征，可以判断驾驶员是否疲劳。基于机器视觉检测驾驶员生理特征的方法，具有非接触，成本低等，精确度高等优点，被广泛采用于目前的疲劳检测***。

上述三种方法中，第三种方法明显优于前两种方法。但它也有缺点，目前第三种方法大多通过图像处理技术，定位人脸，再在人脸的范围内分析眼睛的状态，判断是否疲劳。其中定位人脸是为了缩小眼睛的搜索范围，提高处理效率，是疲劳检测关键的一步。其中定位人脸和眼睛常用的方法有两种，一种是基于图像形态学的方法，一种是基于机器学习即分类器的方法。前者计算量大，速度慢，受光照影响大。后者计算速度快，受光照影响小，被广泛采用与人脸定位技术中。但是目前采用的分类器定位人脸的技术中，当驾驶员头部动作过大，无法采集到正脸图像时，不能正确定位人脸位置，存在疲劳检测算法失效问题。

发明内容

为了解决上述技术问题，本发明公开一种疲劳驾驶检测方法及***，本发明采用如下技术方案来解决上述技术问题：

一种疲劳驾驶检测方法，包括如下步骤：

S1、采集图像和预处理，通过图像采集接口采集驾驶员图像信息并传输至中枢处理器，中枢处理器对采集图像进行预处理；

S2、人脸定位和检测，采用基于Haar特征的人脸分类器，检测驾驶员人脸区域；

S3、人脸跟踪，采用卡尔曼滤波器算法的人脸跟踪算法，跟踪人脸；

S4、眼睛检测和状态识别，采用睁眼分类器定位驾驶员眼睛并识别眼睛状态，记录识别结果；

S5、计算疲劳PERCLOS值，得到眼睛的状态识别结果后，通过计算单位时间内眼睛闭合时间所占的百分比即PERCLOS(Percentage of Eyelid ClosureOver Time)：

S6、将得到的PERCLOS值与预设的阈值进行比较，判定驾驶员是否疲劳驾驶。

优选的，在上述的一种疲劳驾驶检测方法中，所述步骤S2具体包括步骤A，采用基于卡尔曼滤波器算法参数跟踪人脸：

A1、建立***状态方程；

X_(k+1)＝A_(k)X_(k)+W_(k)

A2、建立***观测方程；

Z_(k)＝H_(k)X_(k)+V_(k)

A3、预测人脸位置，根据卡尔曼滤波器的预测方程组，滤波器使用上一阶段状态的估计，做出对当前状态的估计；

预测方程组：

(1)预测状态

X_(k|k-1)＝A_(k)X_(k|k-1)

(2)预测估计协方差矩阵

P_(k|k-1)＝A_(k)P_(k-1|k-1)A^T _(k)+Q_(k)

A4、检测实际人脸位置，在预测了当前人脸所在的位置后，调用Haar分类器在预测区域内检测人脸，获取当前状态信息；当在预测区域检测不到人脸，就在全图检测人脸；当在全图也检测不到人脸的时候，说明驾驶员头部动作过大，无法检测到人脸；

A5、通过更新方程组使用当前的实际人脸位置来更新卡尔曼滤波器，让卡尔曼滤波器的预测值与真实值越来越接近，达到跟踪的效果；

更新方程组：

(3)最优卡尔曼增益

K_(k)＝P_(k|k-1)H^T _k[H_(k)P_(k|k-1)H^T _(k)+R_(k)]^-1

(4)更新的状态估计

X_(k|k)＝X_(k|k-1)+K_(k)[Z_(k+1)-H_(k)X]_(k|k-1)

(5)更新的协方差估计

P_(k|k)＝[E-K_(k)H_(k)]P_(k|k-1)

A6、在输入图像中标记出人脸区域。

其中X_k为在人脸在k时刻的状态估计，A_(k)是作用在X_(k)上的状态转移矩阵，H_(k)是***的观测矩阵，Z_(k)是***的观测变量，W_(k)是过程噪声，并假设其符合均值为零协方差矩阵为Q_(k)的高斯分布，即W_k～N(0，Q_(k))；V_(k)是观测噪声，亦假设其符合均值为零协方差矩阵为R_(k)的高斯分布，即V_k～N(0，R_(k))；P_k为误差相关矩阵，度量估计值的精确程度；

优选的，在上述的一种疲劳驾驶检测方法中，所述步骤S3中的睁眼分类器经如下步骤训练：

B1、收集人脸的样本源，截取人脸样本源的人眼区域和非人眼区域，即为正样本和负样本；

B2、使用机器学习算法训练睁眼分类器。

优选的，在上述的一种疲劳驾驶检测方法中，步骤S5中，PERCLOS值采用如下公式计算：

PERCLOS值＝(眼睛闭合的帧数/固定帧数)*100％

优选的，在上述的一种疲劳驾驶检测方法中，所述步骤B2包括：

B21、生成正负样本描述文件；

B22、生成正样本的向量描述文件；

B23、使用OpenCV自带的可执行文件进行训练。

与现有技术相比，本发明具有如下技术效果：

采用本发明的设计，能够自动捕捉驾驶员的脸部微观变化，通过科学的概率计算判别驾驶员状态，并及时警示处于疲劳驾驶状态的驾驶员，保证行车安全。同时本发明使用卡尔曼滤波器及相关算法经过不断的预测，更新，将使得预测值和真实值越来越接近，在容许的误差范围内，可将预测值视为真实值。当驾驶员头部动作过大，无法通过分类器定位人脸位置的时候，使用卡尔曼滤波器跟踪，用预测的人脸位置代替真实的人脸位置，继续疲劳驾驶检测，避免了无法定位人脸，疲劳检测算法失效的问题。

附图说明

图1为本发明原理示意图；

图2为本发明中人脸跟踪原理示意图；

图3为本发明中卡尔曼滤波器递推过程；

图4为本发明中睁眼分类器的训练方法流程。

具体实施方式

下面结合附图对本发明作进一步详细说明，但是本发明不仅仅局限于以下实施例，如图1、图2、图3所示：

本发明所述的一种疲劳驾驶检测方法，包括如下步骤：

S1、采集图像和预处理，通过图像采集接口采集驾驶员图像信息并传输至中枢处理器，中枢处理器对采集图像进行灰度化、直方图均衡化等预处理；

S2、人脸定位和检测，采用基于Haar特征的人脸分类器，检测驾驶员人脸区域；

S3、人脸跟踪，采用卡尔曼滤波器算法的人脸跟踪算法，跟踪人脸，具体包括如下步骤：

A1、建立***状态方程；

X_(k+1)＝A_(k)X_(k)+W_(k)

A2、建立***观测方程；

Z_(k)＝H_(k)X_(k)+V_(k)

A3、预测人脸位置，根据卡尔曼滤波器的预测方程组，滤波器使用上一阶段状态的估计，做出对当前状态的估计；

预测方程组：

(1)预测状态

X_(k|k-1)＝A_(k)X_(k|k-1)

(2)预测估计协方差矩阵

P_(k|k-1)＝A_(k)P_(k-1|k-1)A^T _(k)+Q_(k)

A4、检测实际人脸位置，在预测了当前人脸所在的位置后，调用Haar分类器在预测区域内检测人脸，获取当前状态信息；当在预测区域检测不到人脸，就在全图检测人脸；当在全图也检测不到人脸的时候，说明驾驶员头部动作过大，无法检测到人脸；

A5、通过更新方程组使用当前的实际人脸位置来更新卡尔曼滤波器，让卡尔曼滤波器的预测值与真实值越来越接近，达到跟踪的效果；

更新方程组：

(3)最优卡尔曼增益

K_(k)＝P_(k|k-1)H^T _k[H_(k)P_(k|k-1)H^T _(k)+R_(k)]^-1

(4)更新的状态估计

X_(k|k)＝X_(k|k-1)+K_(k)[Z_(k+1)-H_(k)X]_(k|k-1)

(5)更新的协方差估计

P_(k|k)＝[E-K_(k)H_(k)]P_(k|k-1)

A6、在输入图像中标记出人脸区域。

其中X_k为在人脸在k时刻的状态估计，A_(k)是作用在X_(k)上的状态转移矩阵，H_(k)是***的观测矩阵，Z_(k)是***的观测变量，W_(k)是过程噪声，并假设其符合均值为零协方差矩阵为Q_(k)的高斯分布，即W_k～N(0，Q_(k))；V_(k)是观测噪声，亦假设其符合均值为零协方差矩阵为R_(k)的高斯分布，即V_k～N(0，R_(k))；P_k为误差相关矩阵，度量估计值的精确程度；

直接用分类器进行人脸定位，存在计算量大，耗时久，误检测高等问题。为了提高人脸定位的速度和正确率，本发明采用基于卡尔曼滤波器的人脸的跟踪算法。

但是卡尔曼滤波器算法适用于线性***，实际中几乎所有的***都是非线性的，只有将实际***近似为线性***，才能使用卡尔曼滤波器算法。考虑到视频中每两帧之间，时间间隔短，目标的速度和位置在两帧之间基本一致，这样可将人脸的运动近似为匀速直线运动，符合卡尔曼滤波器对***的线性假设。

利用卡尔曼滤波器算法跟踪目标，首先需要建立***模型，再通过滤波器算法跟踪目标。

1.1建立线性***模型：

卡尔曼滤波器的状态由以下两个变量表示：X_(k)为k时刻的状态的估计；P_k为误差相关矩阵，用来度量估计值的精确程度；

***的一般数学模型为：X_(k+1)＝A_(k)X_(k)+W_(k)(***状态方程)、Z_(k)＝H_(k)X_(k)+V_(k)(***观测方程)。X_(k)是K时刻的***状态变量序列，X_(k)＝{x，y，w，h，v_x，v_y，v_w，v_h)^T，本发明选取的状态序列为脸部区域几何中心的坐标(x，y)和速度(v_x，v_y)，脸部外接矩形的宽和高(w，h)，以及宽和高的变化速度(v_w，v_h)。A_(k)是作用在X_(k)上的状态转移矩阵；H_(k)是***的观测矩阵；Z_(k)是***的观测变量；W_(k)是过程噪声，并假设其符合均值为零，协方差矩阵为Q_(k)的高斯分布，即W_k～N(0，Q_(k))。V_(k)是观测噪声，亦假设其符合均值为零，协方差矩阵为R_(k)的高斯分布，即V_k～N(0，R_(k))。

建立***模型，需要建立***状态方程，和观测方程。

(1)建立***状态方程：

由于视频中每两帧之间时间间隔短，下一帧中目标的位置(x_(k+1)，y_(k+1))和速度(v_x(k+1)，v_y(k+1))，宽和高(w_(k+1)，h_k+1))，以及宽和高的变化速度(v_w(k+1)，v_h(k+1))都不会有太大变化，则可以近似得到下列方程：

$\left\{\begin{array}{c}{x}_{(k+1)}=x_{\left(k\right)}+v_{x\left(k\right)}\\ y_{(k+1)}=y_{\left(k\right)}+v_{y\left(k\right)}\\ w_{(k+1)}=w_{\left(k\right)}+v_{w\left(k\right)}\\ h_{(K+1)}=h_{\left(k\right)}+v_{h\left(k\right)}\\ v_{x(k+1)}=+v_{x\left(k\right)}\\ v_{y(k+1)}={+v}_{y\left(k\right)}\\ v_{w(k+1)}=+v_w\left(k\right)\\ v_{h(k+1)}=+v_h\left(k\right)\end{array}\right.$                             式(1)

又因为前面令K时刻的状态变量为：

X_(k)＝{x_(k) y_(k) w_(k) h_(k) v_x(k) v_y(k) v_w(k) v_h(k)}^T

下一时刻的状态变量为X_(k+1)，则方程组(1)可以转化为：

$X_{(k+1)}=\left[\begin{array}{cccccccc}1& 0& 0& 0& 1& 0& 0& 0\\ 0& 1& 0& 0& 0& 1& 0& 0\\ 0& 0& 1& 0& 0& 0& 1& 0\\ 0& 0& 0& 1& 0& 0& 0& 1\\ 0& 0& 0& 0& 1& 0& 0& 0\\ 0& 0& 0& 0& 0& 1& 0& 0\\ 0& 0& 0& 0& 0& 0& 1& 0\\ 0& 0& 0& 0& 0& 0& 0& 1\end{array}\right]X_{\left(k\right)}$     式(2)

则方程组(2)可以转换为：

X_(k+1)＝A_(k)·X_(k)

由于这只是近似的线性运动，所以不是完全可信，存在一定误差，这个误差是个随机值，也叫做过程噪声。卡尔曼滤波器假设***的随机误差符合均值为0的高斯分布。设过程噪声W_(k)符合均值为零，协方差矩阵为Q_(k)的高斯分布，即W_k～N(0，Q_(k))，通过多次试验取经验值Q(k)＝0.01×E，E为8*8的单位矩阵。则考虑噪声后的***状态方程变为：

X_(k+1)＝A_(k)X_(k)+W_(k)

(2)建立***观测方程：

这么多***状态变量中，我们最终只关心目标的位置(x，y)宽高(w，h)的值，即观测向量Z_(k)＝{x y w h}^T。所以得到方程组：

$Z_{\left(k\right)}=\left[\begin{array}{cccccccc}1& 0& 0& 0& 0& 0& 0& 0\\ 0& 1& 0& 0& 0& 0& 0& 0\\ 0& 0& 1& 0& 0& 0& 0& 0\\ 0& 0& 0& 1& 0& 0& 0& 0\end{array}\right]X_{\left(k\right)}$        式(3)

式(3)可表示为：Z_(k)＝H_(k)·X_(k)

和***状态方程一样，***的观测变量也是存在随机误差的，叫做观测噪声，卡尔曼滤波器假设观测噪声也服从均值为0的高斯分布。设观测噪声V_(k)符合均值为零，协方差矩阵为Q_(k)的高斯分布，即V_k～N(0，R_(k))，通过多次试验取经验值R_(k)＝0.1×E，E为8*8的单位矩阵。则考虑噪声后的***状态方程变为：

Z_(k)＝H_(k)X_(k)+V_(k)

1.2卡尔曼滤波器的跟踪过程：

卡尔曼滤波器的操作包括预测与更新两个阶段。在预测阶段，滤波器使用上一状态的估计，做出对当前状态的估计。在更新阶段，滤波器利用对当前状态的观测值优化在预测阶段获得的预测值，以获得一个更精确的新估计值。

预测方程组：(a)预测状态

X_(k|k-1)＝A_(k)X_(k|k-1)

(b)预测估计协方差矩阵

P_(k|k-1)＝A_(k)P_(k-1|k-1)A^T _(k)+Q_(k)

更新方程组：(c)最优卡尔曼增益

K_(k)＝P_(k|k-1)H^T _k[H_(k)P_(k|k-1)H^T _(k)+R_(k)]^-1

(d)更新的状态估计

X_(k|k)＝X_(k|k-1)+K_(k)[Z_(k+1)-H_(k)X]_(k|k-1)

(e)更新的协方差估计

P_(k|k)＝[E-K_(k)H_(k)]P_(k|k-1)

通过式(a)，可以预测得到目标在下一时刻的状态X_(1|0)。当下一时刻到来后，在预测位置附近，对图像进行局部检测，检测出目标的实际状态X₍₁₎，通过式(b)至式(e)完成对卡尔曼滤波器的更新，为预测再下一时刻的目标状态做好准备。如此不断的递推，可以不断预测下一时刻运动目标的状态，如图3所示。

由上述步骤可看出，卡尔曼滤波器经过不断的预测，更新，将使得预测值和真实值越来越接近，在容许的误差范围内，可将预测值视为真实值。当驾驶员头部动作过大，无法通过分类器定位人脸位置的时候，可使用卡尔曼滤波器跟踪，用预测的人脸位置代替真实的人脸位置，继续疲劳驾驶检测。这样就避免了无法定位人脸，疲劳检测算法失效的问题

S4、眼睛检测和状态识别，采用睁眼分类器定位驾驶员眼睛并识别眼睛状态，记录识别结果，使用的睁眼分类器经如下方法训练，如图4所示：

B1、尽可能多的采集样本，包括正负样本，其中正样本为睁开状态的人眼，负样本为闭合状态的人眼和其他非睁眼区域；

B21、生成正负样本描述文件；

B22、生成正样本的向量描述文件；

B23、使用OpenCV自带的可执行文件进行训练。

根据图4的三个步骤即可进行分类器的训练。

第一步的生成样本的描述文件，主要指的是描述正样本的路径以及目标图像-睁眼图像在图像中的个数以及位置。负样本仅需描述其样本的路径即可。因此正样本的格式如下，

<样本的文件路径><目标图像的个数><目标图像的在图像中的位置>。

其余正样本格式以此类推。

负样本仅需描述样本在图像中的路径，其格式如下：

<样本的图像中的位置>

其余负样本的描述格式以此类推

第二步的生成正样本的向量描述文件，调用相关的文件。

第三步的使用OpenCV自带的可执行文件进行训练。

本发明按照AdaBoost的方法训练分类器，规定训练每一层强分类器的检测率为0.998，误检率为0.5。最开始是使用收集的样本，包括正负样本共25000个样本集，进行训练，训练的过程中，每层强分类器必须满足0.998的检测率以及0.5的误检率，从而使得训练得到分类器效果可以满足***的要求。

使用AdaBoost算法预先训练好睁眼分类器进行目标检测，相比其它的检测方法，处理的速度快，收光照的影响小，准确率高。并且直接训练睁眼分类器，在定位眼睛的同时就能判断出眼睛处于睁开状态，当没有检测到眼睛都时候，都视为闭眼状态，这样将眼睛的定位和状态检测结合起来，提高了检测效率。

S5、计算疲劳PERCLOS值，得到眼睛的状态识别结果后，通过计算单位时间内眼睛闭合时间所占的百分比即PERCLOS(Percentage of Eyelid ClosureOver Time)；

S6、将得到的PERCLOS值与预设的阈值进行比较，判定驾驶员是否疲劳驾驶。

步骤S4中，PERCLOS值即单位时间内眼睛闭合时间所占的百分比，使用PERCLOS值判别驾驶员的疲劳状态是目前公认的最有效的方法，其计算公式如下：

PERCLOS值＝(眼睛闭合时间/固定时间)*100％

为了便于编程，上式左边的分子分母同时除以每次检测的平均时间，得到下式：

PERCLOS值＝(眼睛闭合的帧数/固定帧数)*100％

步骤S5中，预设的阈值通常根据大量的实验数据及行车环境根据经验预设，将得到的PERCLOS值与预设的阈值进行比较，当PERCLOS值大于等于预设阈值时，***判定驾驶员为疲劳驾驶并驱使***发出警报，提醒驾驶员休息，以保证行车安全。

采用本发明的设计，能够自动捕捉驾驶员的脸部微观变化，通过科学的概率计算判别驾驶员状态，并及时警示处于疲劳驾驶状态的驾驶员，保证行车安全。同时本发明使用卡尔曼滤波器及相关算法经过不断的预测，更新，将使得预测值和真实值越来越接近，在容许的误差范围内，可将预测值视为真实值。当驾驶员头部动作过大，无法通过分类器定位人脸位置的时候，使用卡尔曼滤波器跟踪，用预测的人脸位置代替真实的人脸位置，继续疲劳驾驶检测，避免了无法定位人脸，疲劳检测算法失效的问题。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种疲劳驾驶检测方法，其特征在于，包括如下步骤： 

S1、采集图像和预处理，通过图像采集接口采集驾驶员图像信息并传输至中枢处理器，中枢处理器对采集图像进行预处理； 

S2、人脸定位和检测，采用基于Haar特征的人脸分类器，检测驾驶员人脸区域； 

S3、人脸跟踪，采用卡尔曼滤波器算法的人脸跟踪算法，跟踪人脸； 

S4、眼睛检测和状态识别，采用睁眼分类器定位驾驶员眼睛并识别眼睛状态，记录识别结果； 

S5、计算疲劳PERCLOS值，得到眼睛的状态识别结果后，通过计算单位时间内眼睛闭合时间所占的百分比即PERCLOS(Percentage of Eyelid Closure Over Time)； 

S6、将得到的PERCLOS值与预设的阈值进行比较，判定驾驶员是否疲劳驾驶。 

2.根据权利要求1所述的一种疲劳驾驶检测方法，其特征在于，所述步骤S2具体包括步骤A，采用基于卡尔曼滤波器算法参数跟踪人脸: 

A1、建立***状态方程； 

X_(k+1)＝A_(k)X_(k)+W_(k)

A2、建立***观测方程； 

Z_(k)＝H_(k)X_(k)+V_(k)

A3、预测人脸位置，根据卡尔曼滤波器的预测方程组，滤波器使用上一阶段状态的估计，做出对当前状态的估计； 

预测方程组： 

(1)预测状态 

X_(k|k-1)＝A_(k)X_(k|k-1)

(2)预测估计协方差矩阵 

P_(k|k-1)＝A_(k)P_(k-1|k-1)A^T _(k)+Q_(k)

A4、检测实际人脸位置，在预测了当前人脸所在的位置后，调用Haar分类器在预测区域内检测人脸，获取当前状态信息；当在预测区域检测不到人脸，就在全图检测人脸；当在全图也检测不到人脸的时候，说明驾驶员头部动作过大，无法检测到人脸； 

A5、通过更新方程组使用当前的实际人脸位置来更新卡尔曼滤波器，让卡尔曼滤波器的预测值与真实值越来越接近，达到跟踪的效果； 

更新方程组： 

(3)最优卡尔曼增益 

K_(k)＝P_(k|k-1)H^T _k[H_(k)P_(k|k-1)H^T _(k)+R_(k)]^-1

(4)更新的状态估计 

X_(k|k)＝X_(k|k-1)+K_(k)[Z_(k+1)-H_(k)X]_(k|k-1)

(5)更新的协方差估计 

P_(k|k)＝[E-K_(k)H_(k)]P_(k|k-1)

A6、在输入图像中标记出人脸区域。 

其中X_k为在人脸在k时刻的状态估计，A_(k)是作用在X_(k)上的状态转移矩阵，H_(k)是***的观测矩阵，Z_(k)是***的观测变量，W_(k)是过程噪声，并假设其符合均值为零协方差矩阵为Q_(k)的高斯分布，即W_k～N(0，Q_(k))；V_(k)是观测噪声，亦假设其符合均值为零协方差矩阵为R_(k)的高斯分布，即V_k～N(0，R_(k))；P_K为误差相关矩阵，度量估计值的精确程度； 

状态转移矩阵

***观测矩阵

3.根据权利要求1所述的一种疲劳驾驶检测方法，其特征在于：所述步 骤S3中的睁眼分类器经如下步骤训练： 

B1、收集人脸的样本源，截取人脸样本源的人眼区域和非人眼区域，即为正样本和负样本； 

B2、使用机器学习算法训练睁眼分类器。 

4.根据权利要求1所述的一种疲劳驾驶检测方法，其特征在于：步骤S5中，PERCLOS值采用如下公式计算： 

PERCLOS值＝(眼睛闭合的帧数/固定帧数)*100％。 

5.根据权利要求3所述的一种疲劳驾驶检测方法，其特征在于，所述步骤B2包括： 

B21、生成正负样本描述文件； 

B22、生成正样本的向量描述文件； 

B23、使用OpenCV自带的可执行文件进行训练。