瞳孔直径检测：疲劳与认知负荷的生理指标

引言

瞳孔直径变化是反映人体认知状态的重要生理指标。近年研究表明，瞳孔直径与认知疲劳、心理负荷呈显著相关性。在驾驶员监控系统中，瞳孔测量（Pupillometry）正成为继眨眼、PERCLOS之后的又一关键监测维度。本文将深入探讨瞳孔直径检测的原理、影响因素及在DMS中的实现方案。

检测原理

1. 瞳孔调控机制

瞳孔直径受自主神经系统调控：

神经系统	作用	触发条件
交感神经	扩瞳（瞳孔放大）	应激、兴奋、高认知负荷
副交感神经	缩瞳（瞳孔缩小）	放松、疲劳、休息

2. 认知负荷与瞳孔的关系

研究表明：

• 高认知负荷 → 瞳孔扩张（任务诱发瞳孔反应，TEPR）
• 认知疲劳 → 基线瞳孔直径下降
• 任务难度增加 → 瞳孔直径变化增大

LC-NE系统关联：瞳孔直径与蓝斑核-去甲肾上腺素（LC-NE）系统活动密切相关，该系统负责调控注意力与认知控制。

3. 疲劳检测机制

正常状态 ─→ 瞳孔直径稳定，波动正常
     │
     ▼
轻度疲劳 ─→ 基线直径下降10-15%，波动减小
     │
     ▼
重度疲劳 ─→ 基线直径下降20%+，反应迟钝

影响因素

1. 光照条件

因素	影响	补偿方法
环境亮度	最主要因素	相对变化率而非绝对值
光源闪烁	测量噪声	高帧率采样+滤波
红外照明	瞳孔扩张	标定IR强度

2. 个体差异

• 年龄：老年人瞳孔较小，反应速度下降
• 药物影响：某些药物会导致瞳孔变化
• 生理状态：疲劳、疾病影响基线

3. 情绪因素

• 恐惧、兴奋 → 瞳孔扩张
• 放松、困倦 → 瞳孔缩小

代码实现

import cv2
import numpy as np
from scipy import signal
from collections import deque

class PupilDiameterMonitor:
    """瞳孔直径监测器"""
    
    def __init__(self, 
                 history_length=300,  # 10秒@30fps
                 fatigue_threshold=0.15):
        """初始化
        
        Args:
            history_length: 历史数据长度
            fatigue_threshold: 疲劳阈值（相对下降比例）
        """
        self.history = deque(maxlen=history_length)
        self.baseline = None
        self.fatigue_threshold = fatigue_threshold
        
        # 眼部检测器
        self.eye_cascade = cv2.CascadeClassifier(
            cv2.data.haarcascades + 'haarcascade_eye.xml'
        )
        
    def detect_pupil(self, eye_roi):
        """检测瞳孔
        
        Args:
            eye_roi: 眼部区域图像
            
        Returns:
            pupil_diameter: 瞳孔直径（像素）
            confidence: 检测置信度
        """
        gray = cv2.cvtColor(eye_roi, cv2.COLOR_BGR2GRAY) if len(eye_roi.shape) == 3 else eye_roi
        
        # 高斯模糊减少噪声
        blurred = cv2.GaussianBlur(gray, (5, 5), 0)
        
        # 反向阈值（瞳孔是暗区域）
        _, thresh = cv2.threshold(blurred, 50, 255, cv2.THRESH_BINARY_INV)
        
        # 形态学操作
        kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))
        thresh = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel)
        thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)
        
        # 查找轮廓
        contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
        
        if not contours:
            return None, 0
            
        # 选择最大的圆形轮廓（瞳孔）
        best_contour = max(contours, key=lambda c: cv2.contourArea(c))
        area = cv2.contourArea(best_contour)
        
        if area < 10:  # 过小的区域
            return None, 0
            
        # 计算等效直径
        diameter = 2 * np.sqrt(area / np.pi)
        
        # 计算圆度作为置信度
        perimeter = cv2.arcLength(best_contour, True)
        if perimeter == 0:
            return None, 0
        circularity = 4 * np.pi * area / (perimeter ** 2)
        
        return diameter, circularity
    
    def update_baseline(self, diameter):
        """更新基线
        
        Args:
            diameter: 当前瞳孔直径
        """
        self.history.append(diameter)
        
        if len(self.history) >= 100:  # 至少3秒数据
            self.baseline = np.mean(list(self.history)[-100:])
            
    def assess_fatigue(self, current_diameter):
        """评估疲劳程度
        
        Args:
            current_diameter: 当前瞳孔直径
            
        Returns:
            fatigue_level: 疲劳等级 (0-3)
            ratio: 相对基线变化比例
        """
        if self.baseline is None:
            return 0, 0
            
        ratio = (self.baseline - current_diameter) / self.baseline
        
        if ratio > 0.25:
            return 3, ratio  # 重度疲劳
        elif ratio > 0.15:
            return 2, ratio  # 中度疲劳
        elif ratio > 0.08:
            return 1, ratio  # 轻度疲劳
        else:
            return 0, ratio  # 正常
            
    def calculate_cognitive_load(self, time_window=30):
        """计算认知负荷指标
        
        基于瞳孔直径波动分析
        
        Args:
            time_window: 时间窗口（帧数）
            
        Returns:
            load_index: 认知负荷指数
        """
        if len(self.history) < time_window:
            return 0
            
        recent = np.array(list(self.history)[-time_window:])
        
        # 使用Savitzky-Golay滤波器平滑
        if len(recent) >= 11:
            smoothed = signal.savgol_filter(recent, 11, 3)
            
            # 计算变化幅度
            variation = np.std(smoothed) / np.mean(smoothed)
            
            # 归一化为负荷指数
            load_index = min(variation * 10, 1.0)
            
            return load_index
            
        return 0

class PupilBasedFatigueDetector:
    """基于瞳孔的疲劳检测系统"""
    
    def __init__(self):
        self.pupil_monitor = PupilDiameterMonitor()
        self.warning_count = 0
        
    def process_frame(self, frame):
        """处理单帧图像
        
        Args:
            frame: BGR图像
            
        Returns:
            result: 检测结果字典
        """
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        
        # 检测面部
        face_cascade = cv2.CascadeClassifier(
            cv2.data.haarcascades + 'haarcascade_frontalface_default.xml'
        )
        faces = face_cascade.detectMultiScale(gray, 1.3, 5)
        
        results = {
            'pupil_detected': False,
            'diameter': None,
            'fatigue_level': 0,
            'cognitive_load': 0,
            'warning': None
        }
        
        for (x, y, w, h) in faces:
            roi_gray = gray[y:y+h, x:x+w]
            eyes = self.pupil_monitor.eye_cascade.detectMultiScale(roi_gray)
            
            for (ex, ey, ew, eh) in eyes:
                eye_roi = roi_gray[ey:ey+eh, ex:ex+ew]
                diameter, confidence = self.pupil_monitor.detect_pupil(
                    cv2.cvtColor(frame[y+ey:y+ey+eh, x+ex:x+ex+ew], cv2.COLOR_BGR2GRAY)
                )
                
                if diameter and confidence > 0.5:
                    results['pupil_detected'] = True
                    results['diameter'] = diameter
                    
                    # 更新基线
                    self.pupil_monitor.update_baseline(diameter)
                    
                    # 评估疲劳
                    fatigue, ratio = self.pupil_monitor.assess_fatigue(diameter)
                    results['fatigue_level'] = fatigue
                    
                    # 计算认知负荷
                    results['cognitive_load'] = self.pupil_monitor.calculate_cognitive_load()
                    
                    # 生成警告
                    if fatigue >= 2:
                        results['warning'] = f"疲劳警告：瞳孔直径下降{ratio*100:.1f}%"
                        self.warning_count += 1
                    elif fatigue == 1:
                        results['warning'] = "轻度疲劳，请保持警觉"
                        
        return results

# 使用示例
if __name__ == "__main__":
    detector = PupilBasedFatigueDetector()
    
    # 模拟视频处理
    for i in range(100):
        frame = np.random.randint(0, 255, (480, 640, 3), dtype=np.uint8)
        result = detector.process_frame(frame)
        
        if result['pupil_detected']:
            print(f"帧{i}: 直径={result['diameter']:.1f}, "
                  f"疲劳={result['fatigue_level']}, "
                  f"负荷={result['cognitive_load']:.2f}")

方法对比

方法	检测原理	优点	缺点	适用场景
基线比较法	相对基线变化	简单、个体化	需校准期	长时驾驶
TEPR分析	任务诱发反应	评估实时负荷	干扰因素多	复杂路况
波动分析	变异系数	抗光照干扰	需要足够数据	实时监测
多指标融合	瞳孔+眨眼+PERCLOS	高可靠性	实现复杂	生产级方案

IMS开发建议

1. 传感器选型

传感器类型	瞳孔检测精度	成本	推荐场景
IR摄像头（940nm）	高	中	量产首选
RGB-IR融合	很高	高	高端车型
ToF深度相机	中	高	多功能融合

2. 算法优化

# 光照归一化处理
def normalize_pupil_diameter(diameter, ambient_light):
    """光照归一化
    
    Args:
        diameter: 原始直径
        ambient_light: 环境光照度
        
    Returns:
        normalized: 归一化后的直径变化
    """
    # 基于光照-瞳孔关系的经验公式
    # 瞳孔直径 ≈ k / log(lux + 1)
    expected = 5.0 / np.log(ambient_light + 1)
    normalized = (diameter - expected) / expected
    return normalized

3. 融合策略

瞳孔指标 ─┬─ 疲劳评估 ─┐
          │            │
眨眼指标 ─┼─ 疲劳评估 ─┼─→ 综合疲劳指数
          │            │
PERCLOS ──┴─ 疲劳评估 ─┘

4. Euro NCAP合规

当前Euro NCAP未强制瞳孔检测，但建议：

• 将瞳孔指标作为疲劳评估的辅助特征
• 建立瞳孔-疲劳的个体化模型
• 与眨眼、PERCLOS形成多维度验证

总结

瞳孔直径检测为DMS系统提供了认知层面的监测能力，是对传统视觉行为监测的重要补充。虽然存在光照干扰等挑战，但通过合理的算法设计和多指标融合，瞳孔测量可有效提升疲劳检测的准确性和鲁棒性。

---

参考文献：

1. PLOS One - Eye tracking cognitive load using pupil diameter
2. MDPI - Measuring Mental Effort in Real Time Using Pupillometry
3. PsyPost - Pupil size revealed to be a key indicator of cognitive fatigue
4. Wikipedia - Task-invoked pupillary response