本文關(guān)鍵詞：多源信息融合在駕駛疲勞檢測中的應(yīng)用

  更多相關(guān)文章： 疲勞檢測 Adaboost算法 PERCLOS算法 信息融合 粗糙集理論

【摘要】：隨著全球經(jīng)濟(jì)的飛速發(fā)展,加快了汽車行業(yè)的前進(jìn)步伐,使得汽車的數(shù)量迅猛增加,而駕駛汽車時(shí)的人身安全相當(dāng)重要,因此汽車的安全性能也日益受到人們的重視。現(xiàn)代車輛制造技術(shù)的快速發(fā)展,車輛本身的安全因素造成的交通事故所占比重越來越小,駕駛員的個(gè)人因素已成為交通事故發(fā)生的主要原因。因而,對駕駛員進(jìn)入疲勞駕駛時(shí)的狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測和有效預(yù)防,能夠大大降低因駕駛員疲勞而導(dǎo)致的交通事故發(fā)生概率,進(jìn)而保護(hù)人身財(cái)產(chǎn)安全。由此可見,本文的研究具有很大的社會(huì)和經(jīng)濟(jì)意義。 首先,本文對國內(nèi)外駕駛疲勞檢測技術(shù)的研究現(xiàn)狀、研究成果以及發(fā)展趨勢進(jìn)行了研究和總結(jié)。論文主要研究了如何在駕駛疲勞的檢測中根據(jù)多種疲勞特征進(jìn)行綜合判斷。 其次,對生理信號(hào)進(jìn)行了詳細(xì)介紹,通過對各生理指標(biāo)在疲勞與非疲勞狀態(tài)下的變化,對能夠有效表示疲勞過程和程度的心電信號(hào)和腦電信號(hào)特征值進(jìn)行了初步的明確。本文在對駕駛員的面部特征進(jìn)行詳細(xì)研究的基礎(chǔ)上,介紹了Adaboost算法這種經(jīng)典的人臉識(shí)別算法,利用此種方法檢測人臉并結(jié)合三庭五眼的人臉標(biāo)準(zhǔn)結(jié)構(gòu),對人眼的大致區(qū)域進(jìn)行了初步定位,然后進(jìn)一步使用此種算法進(jìn)行大致區(qū)域范圍的人眼檢測。在人眼成功定位的基礎(chǔ)上,將眼睛輪廓近似看作為橢圓數(shù)學(xué)模型,根據(jù)橢圓模型的長短軸計(jì)算眼睛睜開百分比,進(jìn)而通過該模型計(jì)算PERCLOS值與眨眼時(shí)間、頻率等參數(shù)。對正常狀態(tài)和駕駛疲勞狀態(tài)下方向盤運(yùn)動(dòng)變化特征對比分析,得出判斷駕駛員是否處在駕駛疲勞狀態(tài)下的兩個(gè)主要特征——方向盤修正頻度和修正幅度。 接下來,本文對信息融合技術(shù)的基本原理、功能結(jié)構(gòu)模型以及其他相關(guān)方面進(jìn)行了研究和總結(jié),在分析和比較信息融合常用算法的基礎(chǔ)上,提出了在實(shí)際應(yīng)用中融合算法選擇需要考慮的問題。 最后,本文對粗糙集理論進(jìn)行了深入的研究,對粗糙及理論的具體應(yīng)用方法進(jìn)行了分析。分析條件屬性離散歸一化的方法與策略,得出檢測特征信息和駕駛員疲勞程度的關(guān)系。由數(shù)據(jù)約簡建立決策規(guī)則,通過這個(gè)決策規(guī)則判斷駕駛員的疲勞程度。在多源數(shù)據(jù)融合的基礎(chǔ)上,根據(jù)駕駛疲勞檢測的特殊性,采用合適的信息融合結(jié)構(gòu),及粗糙集理論,融合多種疲勞特征信息,對駕駛疲勞進(jìn)行綜合判斷。
【關(guān)鍵詞】：疲勞檢測 Adaboost算法 PERCLOS算法 信息融合 粗糙集理論
【學(xué)位授予單位】：安徽理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：U463.6;U492.8;TP18
【目錄】：

• 摘要5-7
• Abstract7-9
• 目錄9-11
• Contents11-13
• 插圖和附表清單13-15
• 1 緒論15-23
• 1.1 研究背景和意義15-16
• 1.1.1 研究背景15-16
• 1.1.2 研究目的及意義16
• 1.2 研究現(xiàn)狀16-21
• 1.2.1 主觀檢測技術(shù)16-17
• 1.2.2 客觀檢測技術(shù)17-21
• 1.3 發(fā)展趨勢21-22
• 1.5 論文研究的主要內(nèi)容22
• 1.6 論文組織結(jié)構(gòu)22-23
• 2 駕駛疲勞特征研究23-37
• 2.1 駕駛疲勞相關(guān)概述23-24
• 2.1.1 駕駛疲勞的特征表現(xiàn)23
• 2.1.2 駕駛疲勞的形成原因23-24
• 2.2 駕駛員生理信號(hào)研究24-26
• 2.2.1 生理信號(hào)的介紹24-25
• 2.2.2 生理信號(hào)在駕駛疲勞狀態(tài)下的特征25-26
• 2.3 駕駛員面部特征研究26-34
• 2.3.1 人臉檢測26-27
• 2.3.2 Adaboost算法介紹27-31
• 2.3.3 人眼定位31-32
• 2.3.4 面部特征在駕駛疲勞狀態(tài)下的特征32-34
• 2.4 方向盤運(yùn)動(dòng)特征研究34-35
• 2.5 本章小結(jié)35-37
• 3 多源信息融合技術(shù)的研究37-49
• 3.1 多源信息融合概念37
• 3.2 信息融合的原理與優(yōu)勢37-39
• 3.2.1 信息融合原理37-38
• 3.2.2 信息融合優(yōu)勢38-39
• 3.3 信息融合技術(shù)應(yīng)用領(lǐng)域39-40
• 3.4 信息融合系統(tǒng)的模型和結(jié)構(gòu)40-46
• 3.4.1 信息融合系統(tǒng)的功能模型41-42
• 3.4.2 信息融合系統(tǒng)的結(jié)構(gòu)模型42-46
• 3.5 信息融合的主要技術(shù)和方法46-48
• 3.6 本章小結(jié)48-49
• 4 基于多源信息融合的駕駛疲勞檢測49-63
• 4.1 粗糙集理論49-51
• 4.1.1 知識(shí)與決策系統(tǒng)49-50
• 4.1.2 粗糙集50
• 4.1.3 屬性的依賴性和重要性50
• 4.1.4 決策表約簡與求核50-51
• 4.2 基于粗糙集理論的駕駛疲勞檢測51-58
• 4.2.1 多種駕駛疲勞特征的檢測51-56
• 4.2.2 多源信息融合下的疲勞程度判斷56
• 4.2.3 檢測數(shù)據(jù)離散化56-57
• 4.2.4 決策表57-58
• 4.3 實(shí)驗(yàn)分析58-61
• 4.4 本章小結(jié)61-63
• 結(jié)論63-65
• 參考文獻(xiàn)65-71
• 致謝71-73
• 作者簡介及讀研期間主要科研成果73

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 彭軍強(qiáng);吳平東;殷罡;;疲勞駕駛的腦電特性探索[J];北京理工大學(xué)學(xué)報(bào);2007年07期

2 王榮本,郭克友,儲(chǔ)江偉,初秀民;適用駕駛員疲勞狀態(tài)監(jiān)測的人眼定位方法研究[J];公路交通科技;2003年05期

3 周建芳;羅曉曙;胡葉容;;腦電信號(hào)的樣本熵分析[J];廣西物理;2007年02期

4 廖傳錦,秦小虎,黃席樾;以人為中心的汽車主動(dòng)安全技術(shù)綜述[J];計(jì)算機(jī)仿真;2004年09期

5 楊海燕;蔣新華;聶作先;;駕駛員疲勞檢測技術(shù)研究綜述[J];計(jì)算機(jī)應(yīng)用研究;2010年05期

6 楊渝書,姚振強(qiáng),李增勇,焦昆;心電圖時(shí)頻域指標(biāo)在駕駛疲勞評價(jià)中的有效性研究[J];機(jī)械設(shè)計(jì)與制造;2002年05期

7 吳福保,李奇,宋文忠;基于粗集理論知識(shí)表達(dá)系統(tǒng)的一種歸納學(xué)習(xí)方法[J];控制與決策;1999年03期

8 鄭培,宋正河,周一鳴;機(jī)動(dòng)車駕駛員駕駛疲勞測評方法的研究狀況及發(fā)展趨勢[J];中國農(nóng)業(yè)大學(xué)學(xué)報(bào);2001年06期

9 馬添翼;成波;;基于面部表情特征的駕駛員疲勞狀態(tài)識(shí)別[J];汽車安全與節(jié)能學(xué)報(bào);2010年03期

10 張希波;成波;馮睿嘉;;基于方向盤操作的駕駛?cè)似跔顟B(tài)實(shí)時(shí)檢測方法[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年07期

，

本文編號(hào)：708939