針對駕駛員警惕性研究中分析注意力程度的重要性,提出基于修正主動形狀模型（ASM）的駕駛員警惕性識別方法。首先建立包含26個特征點(diǎn)的人臉ASM,其次結(jié)合面部結(jié)構(gòu)約束構(gòu)建了雙眼平均合成精確濾波器（ASEF）,并通過旋轉(zhuǎn)進(jìn)一步增強(qiáng)魯棒性,然后用改進(jìn)ASEF修正人臉ASM;采用左右瞳孔和鼻子特征點(diǎn)建立三角形視線模型,并分析駕駛員注意力程度,利用左右眼角特征點(diǎn)距離對眼睛閉合程度進(jìn)行歸一化,最后利用支持向量機(jī)（SVM）分類得到警惕性程度。利用Visual Studio 2017平臺進(jìn)行實(shí)驗(yàn),結(jié)果顯示,改進(jìn)ASEF濾波器的準(zhǔn)確率達(dá)到95. 16%,SVM對警惕性程度的分類準(zhǔn)確率達(dá)到93. 8%,每幀平均耗時49. 13 ms,表明提出的方法能夠有效地識別駕駛員的注意力程度以及警惕性程度。 

【文章來源】：計(jì)算機(jī)應(yīng)用研究. 2020,37(07)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

26個特征點(diǎn)的人臉ASM

圖1 26個特征點(diǎn)的人臉ASM同理建立右眼ASEF。本文將單眼ASEF拓展為雙眼ASEF，利用面部結(jié)構(gòu)約束使其更加穩(wěn)定，構(gòu)建方法如圖3(a)所示。圖3(b)是測試圖像與雙眼ASEF的相關(guān)性圖，選取相關(guān)性圖中最大和次大極值點(diǎn)作為雙眼虹膜的位置。

同理建立右眼ASEF。本文將單眼ASEF拓展為雙眼ASEF，利用面部結(jié)構(gòu)約束使其更加穩(wěn)定，構(gòu)建方法如圖3(a)所示。圖3(b)是測試圖像與雙眼ASEF的相關(guān)性圖，選取相關(guān)性圖中最大和次大極值點(diǎn)作為雙眼虹膜的位置。正面時，雙眼濾波器性能可靠，然而當(dāng)面對不同的頭部轉(zhuǎn)角、面部表情、環(huán)境光照時準(zhǔn)確率有所下降，對此本文進(jìn)一步改進(jìn)雙眼ASEF濾波器:不另外增加轉(zhuǎn)頭和面部表情訓(xùn)練集情況下，將訓(xùn)練得到的平均濾波器分別旋轉(zhuǎn)-10°、-5°、+5°、+10°，由原濾波器和旋轉(zhuǎn)得到的共五個ASEF濾波器組建成一個并聯(lián)濾波器，選取每個濾波結(jié)果中最大和次大極值，并根據(jù)相對位置標(biāo)記左右，然后分別從左右五個輸出結(jié)果中選取最大值作為最后輸出結(jié)果，工作流程如圖4所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于ASM的駕駛員面部疲勞狀態(tài)識別方法[J]. 閆河,楊曉龍,張楊,董鶯艷,王鵬.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(10)
[2]基于面部行為分析的駕駛員疲勞檢測方法[J]. 耿磊,袁菲,肖志濤,張芳,吳駿,李月龍.  計(jì)算機(jī)工程. 2018(01)
[3]基于ASM的改進(jìn)型人臉特征點(diǎn)定位方法[J]. 王洋,李俊.  桂林電子科技大學(xué)學(xué)報(bào). 2016(06)
[4]駕駛?cè)俗⒁饬Ψ稚⒌膱D像檢測與分級預(yù)警[J]. 程文冬,付銳,袁偉,劉卓凡,張名芳,劉通.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2016(08)
[5]基于ASM和膚色模型的疲勞駕駛檢測[J]. 何俊,房靈芝,蔡建峰,何忠文.  計(jì)算機(jī)工程與科學(xué). 2016(07)

博士論文
[1]基于信息融合的疲勞駕駛檢測方法研究[D]. 牛清寧.吉林大學(xué) 2014

碩士論文
[1]基于近紅外光譜技術(shù)的駕駛員注意力分散態(tài)腦功能連接特性分析[D]. 徐功鋮.山東大學(xué) 2018
[2]基于表情與頭部狀態(tài)識別的疲勞駕駛檢測算法的研究[D]. 鄒昕彤.吉林大學(xué) 2017
[3]駕駛?cè)艘曈X注意力分散檢測方法研究[D]. 李勝江.吉林大學(xué) 2015
[4]基于眼部識別的駕駛員疲勞檢測方法研究[D]. 崔堅(jiān).大連海事大學(xué) 2013
[5]基于雙目視覺的駕駛?cè)俗⒁饬Ψ稚⒈O(jiān)測方法研究[D]. 孫海燕.吉林大學(xué) 2012



本文編號：3031216