發(fā)布時(shí)間：2021-02-23 19:11

　　隨著經(jīng)濟(jì)飛速發(fā)展,國(guó)內(nèi)機(jī)動(dòng)車保有量超過三億輛,給社會(huì)帶來便捷的同時(shí),也因大量交通事故造成了巨大損失。相關(guān)研究和統(tǒng)計(jì)報(bào)告表明,交通事故主要起因是駕駛員警惕性降低,因此,駕駛員警惕性檢測(cè)的研究,對(duì)于改善交通道路安全具有重大意義。警惕性包含注意力程度和疲勞狀態(tài)兩個(gè)主要因素,然而傳統(tǒng)的警惕性研究中,通常只考慮了其中之一。為全面檢測(cè)駕駛員警惕性,本文基于面部信息融合的方法,圍繞面部特征點(diǎn)定位方法、關(guān)鍵特征點(diǎn)跟蹤方法、警惕性檢測(cè)模型搭建等核心問題展開研究。具體研究工作如下:1、駕駛員面部特征點(diǎn)定位。針對(duì)簡(jiǎn)單的特征點(diǎn)定位方法精度和魯棒性不足的問題,提出基于修正主動(dòng)形狀模型（ASM）的人臉特征點(diǎn)定位方法。首先建立了包含26個(gè)特征點(diǎn)的人臉ASM,其次通過將面部結(jié)構(gòu)約束引入平均合成精確濾波器（ASEF）,抑制不合理輸出,并利用旋轉(zhuǎn)并聯(lián)的方法進(jìn)一步增強(qiáng)了魯棒性,然后將改進(jìn)ASEF用于修正人臉ASM。最后通過實(shí)驗(yàn),驗(yàn)證了所提方法能夠有效提高特征點(diǎn)的定位精度。2、駕駛員面部特征點(diǎn)跟蹤。針對(duì)特征點(diǎn)定位難以適應(yīng)頭部姿態(tài)變化所產(chǎn)生的檢測(cè)視線方向困難的問題,提出基于自適應(yīng)ASEF相關(guān)濾波的特征點(diǎn)跟蹤方法。首先,通過將多... 

【文章來源】：中國(guó)礦業(yè)大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：74 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

駕駛員注意力分散示意圖

盤的轉(zhuǎn)動(dòng)、剎車和油門的松和踩等，分析車低，并進(jìn)一步得到駕駛員警惕性狀態(tài)。等在方向盤位置安裝傳感器，檢測(cè)駕駛員對(duì)方惕性降低，產(chǎn)生疲勞時(shí)，方向盤精度顯著下態(tài)下的八十多組數(shù)據(jù)分析，車道偏移量參數(shù)量與方向盤之間存在一定的轉(zhuǎn)換關(guān)系；FrieK-近鄰、貝葉斯和神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于對(duì)駕駛84%的準(zhǔn)確率獲得了最高精度；毛喆[31]等在隨著疲勞狀態(tài)的加深，駕駛員對(duì)車速的控制準(zhǔn)差小；石堅(jiān)[32]等將模糊神經(jīng)網(wǎng)絡(luò)和 BP 神駕駛員警惕性狀狀態(tài)。綜合車速、行程、發(fā)動(dòng)機(jī)狀態(tài)、橫向加速度、轉(zhuǎn)向轉(zhuǎn)矩、車內(nèi)溫度等共十多個(gè)參數(shù)，判性下降后，則會(huì)通過聲音、提示燈等參數(shù)提

圖 2-2 攝像頭的 5 個(gè)方位Figure 2-2 Position of the 5 cameras，5 個(gè)方向中缺少?gòu)淖髠?cè)采集的照片，根據(jù)的照片水平翻轉(zhuǎn)，得到的照片可當(dāng)作從左側(cè)方 7 個(gè)方向、10 種光照、276 個(gè)不同人物的 525對(duì)應(yīng) 7 個(gè)不同方向的照片，其中 f、g 分別由f a b c 圖 2-3 擴(kuò)充后的 MUCT 的人臉數(shù)據(jù)集Figure 2-3 Expanded MUCT face dataset的定位結(jié)果，特征點(diǎn)定位主要針對(duì)駕駛員正面

【參考文獻(xiàn)】：
期刊論文
[1]基于腦電信號(hào)的情緒特征提取與分類[J]. 柳長(zhǎng)源,李文強(qiáng),畢曉君.  傳感技術(shù)學(xué)報(bào). 2019(01)
[2]基于ASM的駕駛員面部疲勞狀態(tài)識(shí)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)
[3]基于多面部特征融合的駕駛員疲勞檢測(cè)算法[J]. 劉煒煌,錢錦浩,姚增偉,焦新濤,潘家輝.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2018(10)
[4]功能性近紅外光譜成像技術(shù)在腦功能成像中的應(yīng)用研究進(jìn)展[J]. 曹朝霞,張彥峰,韓雅迪,趙中亭,嚴(yán)興科.  甘肅中醫(yī)藥大學(xué)學(xué)報(bào). 2018(03)
[5]哈欠檢測(cè)研究綜述[J]. 鄭偉超,袁平,殷鋒.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2018(07)
[6]基于功能性近紅外光譜技術(shù)的腦機(jī)接口[J]. 焦學(xué)軍,張朕,姜?jiǎng)?王春慧,楊涵鈞,徐鳳剛,曹勇,傅嘉豪.  上海交通大學(xué)學(xué)報(bào). 2017(12)
[7]智能交通系統(tǒng)（ITS）的意義與運(yùn)用[J]. 李辰祺.  中國(guó)戰(zhàn)略新興產(chǎn)業(yè). 2017(44)
[8]基于面部行為分析的駕駛員疲勞檢測(cè)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)
[9]基于TGAM模塊的疲勞駕駛監(jiān)測(cè)系統(tǒng)[J]. 杜冠宏,李慶之,董正心.  新型工業(yè)化. 2016(08)
[10]駕駛?cè)俗⒁饬Ψ稚⒌膱D像檢測(cè)與分級(jí)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)

博士論文
[1]基于機(jī)器視覺的復(fù)雜工況下駕駛?cè)似跔顟B(tài)檢測(cè)方法研究[D]. 張波.清華大學(xué) 2015
[2]基于信息融合的疲勞駕駛檢測(cè)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]高魯棒性駕駛員疲勞檢測(cè)方法研究[D]. 楊倩.北京郵電大學(xué) 2017
[3]基于表情與頭部狀態(tài)識(shí)別的疲勞駕駛檢測(cè)算法的研究[D]. 鄒昕彤.吉林大學(xué) 2017
[4]駕駛?cè)艘曈X注意力分散檢測(cè)方法研究[D]. 李勝江.吉林大學(xué) 2015
[5]基于PERCLOS的列車司機(jī)駕駛疲勞檢測(cè)研究[D]. 李強(qiáng).北京交通大學(xué) 2014
[6]心率變異性在汽車司機(jī)駕駛疲勞監(jiān)測(cè)中應(yīng)用的研究[D]. 劉靈.重慶大學(xué) 2007
[7]基于人體生理信號(hào)的駕駛疲勞研究方法及其應(yīng)用[D]. 張祖懷.哈爾濱工業(yè)大學(xué) 2006
[8]基于駕駛員生理特征分析的駕駛疲勞狀態(tài)識(shí)別方法研究[D]. 毛喆.武漢理工大學(xué) 2006



本文編號(hào)：3048087