本文關(guān)鍵詞：采用ELM的基于眼部狀態(tài)的駕駛員疲勞檢測方法的研究　出處：《東北大學(xué)》2014年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 面部檢測 圖像分割 面部跟蹤 眼部檢測 極限學(xué)習(xí)機(jī)(ELM)

【摘要】：目前,交通安全問題成為世界性的廣泛話題,根據(jù)統(tǒng)計(jì),大約有40%的交通安全問題來自疲勞駕駛。研究駕駛員疲勞監(jiān)測方法,用以預(yù)防交通事故的發(fā)生,具有非常重要的現(xiàn)實(shí)意義。本文在對現(xiàn)有的駕駛員疲勞檢測相關(guān)技術(shù)進(jìn)行深入分析的基礎(chǔ)上,對視頻分析方法進(jìn)行了深入的研究,提出了一種采用ELM(Extreme Learning Mechine,極限學(xué)習(xí)機(jī))技術(shù)的、基于眼部狀態(tài)的駕駛員疲勞監(jiān)測方法。首先,通過基于皮膚顏色的視圖分割方法來進(jìn)行檢測駕駛員的臉部。接著采用KLT(Kanade-Lucas-Tomassi)算法,對臉部檢測數(shù)據(jù)進(jìn)行跟蹤并截取出每幀圖像。然后,通過使用一個(gè)積分映射函數(shù)用來估測眼睛的區(qū)域,以檢測眼睛張開或者閉合的狀態(tài)。進(jìn)而計(jì)算一組幀圖像中的眼睛開閉程度距離,并基于上述數(shù)據(jù)進(jìn)行特征抽取(眨眼頻率和眼睛關(guān)閉時(shí)間)。由于在面向視頻的計(jì)算中進(jìn)行多次迭代計(jì)算,數(shù)據(jù)量將非常龐大而且時(shí)間復(fù)雜度很高。為了降低時(shí)間復(fù)雜度,減少計(jì)算量,引入了滑動(dòng)窗口的數(shù)據(jù)處理方式進(jìn)行實(shí)時(shí)計(jì)算。最后,本文采用提取出的特征數(shù)據(jù)對ELM進(jìn)行訓(xùn)練,從而對駕駛員的疲勞狀況進(jìn)行檢測和分類。本文利用實(shí)際的網(wǎng)絡(luò)攝像頭的實(shí)時(shí)視頻數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)研究,結(jié)果表明,本文所提出的方法在保證實(shí)時(shí)性要求的前提下,能夠有效地提取駕駛員的眼部特征,準(zhǔn)確地判斷駕駛員的工作狀態(tài)。
[Abstract]:At present, traffic safety has become a worldwide topic. According to statistics, about 40% of the traffic safety problems come from fatigue driving. The method of driver fatigue monitoring is studied to prevent traffic accidents. It has very important practical significance. Based on the in-depth analysis of the existing driver fatigue detection technology, the video analysis method is deeply studied in this paper. This paper presents a driver fatigue monitoring method based on eye state using ELM(Extreme Learning Mechine (Ultimate Learning Machine) technology. The skin color based view segmentation method is used to detect the driver's face. Then the KLTT Kanade-Lucas-Tomassian algorithm is used. The face detection data are tracked and each frame image is captured. Then, an integral mapping function is used to estimate the eye region. To detect the state of eye opening or closing, and then calculate the distance of eye opening and closing in a set of frame images. Based on the above data, feature extraction (blink frequency and eye closure time) is carried out. The amount of data will be very large and the time complexity will be very high. In order to reduce the time complexity and reduce the amount of computation, the sliding window data processing method is introduced for real-time computation. In this paper, the extracted feature data is used to train the ELM to detect and classify the driver fatigue. This paper makes use of the real time video data of the webcam to carry on the experimental research. The results show that the proposed method can effectively extract the eye features of the driver and accurately judge the driver's working state on the premise of ensuring the real-time requirement.
【學(xué)位授予單位】：東北大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：U463.6;U495;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前5條

1 李彬;李貽斌;;基于ELM學(xué)習(xí)算法的混沌時(shí)間序列預(yù)測[J];天津大學(xué)學(xué)報(bào);2011年08期

2 朱博;張?zhí)靷b;;基于極限學(xué)習(xí)機(jī)(ELM)的視線落點(diǎn)估計(jì)方法[J];東北大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年03期

3 王之瓊;康雁;于戈;趙英杰;;基于特征選擇ELM的乳腺腫塊檢測算法[J];東北大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年06期

4 王小川;賀國;;基于ELM的動(dòng)力排氣系統(tǒng)噴霧降溫研究[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年02期

5 ;[J];;年期

相關(guān)碩士學(xué)位論文 前6條

1 劉月;基于NIR光譜的半監(jiān)督在線序列ELM回歸算法研究[D];東北大學(xué);2014年

2 郭伯勛;基于ELM的無線傳感網(wǎng)絡(luò)位置指紋定位方法研究[D];蘭州交通大學(xué);2015年

3 王江坤;基于ELM模型的網(wǎng)絡(luò)消費(fèi)行為研究[D];浙江財(cái)經(jīng)大學(xué);2016年

4 顧琳;ELM兩路徑下的電商讓利營銷信息設(shè)計(jì)研究[D];湖南大學(xué);2016年

5 Diallo Abdourahamane（加羅）;采用ELM的基于眼部狀態(tài)的駕駛員疲勞檢測方法的研究[D];東北大學(xué);2014年

6 劉波;基于ELM的圖像分類算法研究[D];中國計(jì)量學(xué)院;2012年

，

本文編號：1376577