1 系统总体原理与硬件设计

系统总体原理如图1所示，采用三星公司的高端ARMCortex—A8 S5PV210处理器作为主控芯片。通过对布置在驾驶员前段的光学图像采集器获取驾驶员面部图像，位于前端的S5PV210芯片处理器对该图像进行运算处理，利用一种基于稀疏表示的表情特征数值分类方法，识别出驾驶员的实时表情，根据表情映射出此时驾驶员的情绪状态。通过计算机视觉的方法，通过对布置在驾驶员前段的光学图像采集器，对驾驶人面部特征进行实时监测处理，当出现预设情况时给予警示，比如系统判断出驾驶员处于疲倦或者生气的表情时，驾驶员工作状态就判定为不利于驾驶的状态，给予报警提示，并将实时数据通过WIFI通信网络发送回管理中心服务器、管理中心对所有驾驶员数据进行分析处理，对管理者提供决策数据，或者根据设定规则向管理者提供建议，决策后向驾驶员端发出管理命令，始终让驾驶员处于高效率的工作状态。

基于S5PV210芯片的驾驶员情绪感知系统的硬件部件主要包括LCD、WIFI、USB、摄像头、SD卡、电源等资源，如图2所示。内部通过I2C总线将S5PV210与显示屏、电源模块、连接在一起，S5PV210的I/O端口接报警器，存储器端口分别接DDR和NAND，XMMC端口接SD 卡，MMC端口接WIFI模块，另外LCD端口接LCD，USB端口接摄像头。

2 系统识别算法

采用一种基于稀疏表示的表情特征数值分类方法，获得驾驶员人脸表情特征数值。基于稀疏表示的驾驶员面部表情识别算法的基本思想是，首先将所有的训练集图像和待测试图像均经过预处理操作后进行特征提取，得到已标记好的各类别的训练集，然后通过基于稀疏表示的分类算法识别出测试图像的所属类别。具体步骤整理如下：

算法流程如图3所示。

3 仿真实验

采用天嵌计算机科技有限公司的TQ210开发板作为实验平台，该平台使用Samsung Cortex—A8 S5PV210芯片。采用两种验证方式：Person—dependent验证方法和Person—independent验证方法，对表情识别率进行测试。Person—dependent验证是指训练集与测试集中允许出现相同人物的表情图像，因此，这种验证方法比较容易，得出的结果也会更好。 Person—independent验证是指训练集与测试集中人物没有重叠，这样实际上就是加大识别的难度，但是这种验证方法更贴近与实际。实验分别在 JAFFE(The Japanese Fem ale Facial Expression)人脸表情数据库和AR人脸数据库分别进行。文献提出面部表情编码系统(FACS)，用44个运动单元来描述人脸表情变化，并定义了 6种基本情感类别：悲伤、恐惧、厌恶、愤怒、高兴、惊奇，本文将此6类表情均包括。

3.1 JAFFE表情库

JAFFE日本数据库包含了213幅(每幅图像的分辨率：256像素x256像素)日本女性的人脸表情图像，每幅图像都有原始的表情定义。表情库中共有 10个人.每个人有7种表情，分别为中性、高兴、悲伤、惊奇、愤怒、厌恶、恐惧，每种表情2～3张图像。表1是Person—dependent在 JAFFE库的实验结果。

从实验结果可以看出，中性，高兴，愤怒，惊奇4种表情的识别正确率达到了80%以上。总体识别正确率也达到了80%。

3.2 AR库

AR人脸数据库是西班牙巴塞罗那计算机视觉中心创建完成的，它包含了126名志愿者(70名男性和56名女性)的超过4 000张的彩色人脸图像，每幅图像的分辨率为256像素x256像素。该数据库采集了所有志愿者，在不同的光照条件下的不同面部表情以及不同遮挡物(太阳镜和围巾)的正面人脸图像。文中选取120名个体的中性，高兴，生气，吃惊4种表情图像。在Person—dependent验证中以所有480个表情为训练集，测试集选取了23个人的中性.高兴，生气，吃惊各40个表情为测试集;在Person—independent验证中100

人的表情是训练集，其余20人的表情为测试集。实验结果如表2所示。

从实验结果可以看出，在Person—dependent验证中识别正确率为75.25%，较为满意，但是在Person—independent验证中，识别正确率不足50%，有待方法的改进。

4 结论

系统采用S5PV210芯片处理器.加载Linux2.6.30内核，利用稀疏表示表情分类方法，实现了驾驶员情绪状态的计算机自动识别和结果发送，从而有利用管理中心掌握驾驶员的情绪状态，并给出改善措施，降低了交通事故发生的概率。