駕駛員在疲勞狀態(tài)下時(shí)會(huì)出現(xiàn)連續(xù)眨眼和打哈欠等疲勞行為,所以本文通過檢測(cè)眨眼頻率和打哈欠頻率并進(jìn)行信息融合的方式來檢測(cè)駕駛員疲勞狀態(tài)。同時(shí)針對(duì)佩戴眼鏡而導(dǎo)致眨眼檢測(cè)準(zhǔn)確率降低的問題進(jìn)行了駕駛員眼鏡摘除算法研究,具體工作如下:1.分析各類人臉檢測(cè)算法的準(zhǔn)確性和實(shí)效性,設(shè)計(jì)了一種高斯分布模型對(duì)輸入圖像的皮膚區(qū)域進(jìn)行分割,再通過模板匹配算法精確定位駕駛員面部區(qū)域,提出了一種基于膚色分割和模板匹配的人臉檢測(cè)算法用于駕駛員疲勞檢測(cè)。2.針對(duì)駕駛員佩戴眼鏡而導(dǎo)致疲勞檢測(cè)算法準(zhǔn)確率降低的問題,本文提出了一種基于PCA/ICA迭代補(bǔ)償?shù)难坨R摘除算法對(duì)駕駛員進(jìn)行眼鏡摘除。通過PCA和ICA相結(jié)合的方式對(duì)無眼鏡人臉圖像進(jìn)行重建,利用迭代補(bǔ)償算法消除原始眼鏡區(qū)域與面部其他區(qū)域的灰度邊界,使合成后的無眼鏡人臉圖像更加接近于原始圖像。3.分析MB-LBP特征相比傳統(tǒng)LBP特征和Haar-like特征的優(yōu)點(diǎn),提出了一種基于MB-LBP和Adaboost的駕駛員面部關(guān)鍵點(diǎn)檢測(cè)算法。利用所訓(xùn)練的分類器在駕駛員人臉檢測(cè)結(jié)果中精確定位24個(gè)眼睛和嘴巴關(guān)鍵點(diǎn)坐標(biāo)。4.結(jié)合PERCLOS特征參數(shù)與模糊推理系統(tǒng),本文將駕駛員的疲... 

【文章來源】：蘭州理工大學(xué)甘肅省

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景及意義
    1.2 相關(guān)技術(shù)國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 基于生理信號(hào)的疲勞檢測(cè)算法
        1.2.2 基于車輛行為的疲勞檢測(cè)算法
        1.2.3 基于面部表情的疲勞檢測(cè)算法
    1.3 本文主要研究?jī)?nèi)容與創(chuàng)新點(diǎn)
    1.4 結(jié)構(gòu)安排
    1.5 本章小結(jié)
第2章 基于膚色分割和模板匹配的人臉檢測(cè)算法
    2.1 引言
    2.2 人臉檢測(cè)方法概述
    2.3 基于高斯分布的膚色分割
        2.3.1 人臉圖像光照補(bǔ)償
        2.3.2 人臉膚色高斯模型
        2.3.3 膚色分割
    2.4 模板匹配
    2.5 實(shí)驗(yàn)仿真及結(jié)果評(píng)價(jià)
    2.6 本章小結(jié)
第3章 基于PCA/ICA迭代補(bǔ)償?shù)难坨R摘除算法
    3.1 引言
    3.2 眼鏡摘除方法概述
    3.3 無眼鏡人臉重建
        3.3.1 PCA重建算法
        3.3.2 ICA重建算法
        3.3.3 PCA/ICA人臉重建
    3.4 眼鏡區(qū)域提取
    3.5 迭代補(bǔ)償去除灰度邊界
    3.6 試驗(yàn)仿真及結(jié)果評(píng)價(jià)
    3.7 本章小結(jié)
第4章 基于MBP-LBP和 Adaboost的面部關(guān)鍵點(diǎn)檢測(cè)算法
    4.1 引言
    4.2 MB-LBP特征概述
        4.2.1 傳統(tǒng)Haar-like特征
        4.2.2 傳統(tǒng)LBP特征
        4.2.3 MB-LBP特征
    4.3 Adaboost算法概述
    4.4 駕駛員面部關(guān)鍵點(diǎn)分類器的構(gòu)造
    4.5 試驗(yàn)仿真及結(jié)果評(píng)價(jià)
    4.6 本章小結(jié)
第5章 駕駛員疲勞狀態(tài)判定
    5.1 引言
    5.2 駕駛員疲勞行為檢測(cè)
        5.2.1 PERCLOS疲勞參數(shù)概述
        5.2.2 眨眼閾值和打哈欠閾值
    5.3 模糊推理系統(tǒng)
    5.4 實(shí)驗(yàn)仿真及結(jié)果評(píng)價(jià)
    5.5 本章小結(jié)
結(jié)論與展望
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于模糊綜合評(píng)價(jià)的疲勞駕駛檢測(cè)算法研究[J]. 潘志庚,劉榮飛,張明敏.  軟件學(xué)報(bào). 2019(10)
[2]一種基于多傳感器融合的疲勞駕駛檢測(cè)方法[J]. 張長(zhǎng)隆.  汽車實(shí)用技術(shù). 2018(24)
[3]基于膚色匹配和積分投影結(jié)合的人眼定位方法研究[J]. 荔小虎,唐晶磊.  自動(dòng)化應(yīng)用. 2018(12)
[4]高海拔地區(qū)駕駛員疲勞特性分析[J]. 田林,許金良,賈興利,房建宏.  公路交通科技. 2018(11)
[5]基于多生理信息及遷移學(xué)習(xí)的駕駛疲勞評(píng)估[J]. 謝平,齊孟松,張園園,劉兆軍,程生翠.  儀器儀表學(xué)報(bào). 2018(10)
[6]基于語音心理聲學(xué)分析的駕駛疲勞檢測(cè)[J]. 李響,李國(guó)正,石俊剛,彭理群.  儀器儀表學(xué)報(bào). 2018(10)
[7]地鐵駕駛員駕駛疲勞狀態(tài)監(jiān)測(cè)[J]. 姜興宇,徐海峰,吳善春,趙地.  中國(guó)安全科學(xué)學(xué)報(bào). 2018(06)
[8]草原公路長(zhǎng)時(shí)程行車時(shí)駕駛?cè)说哪X電特征分析[J]. 柴家發(fā),戚春華,朱守林,高明星,王玉化.  科學(xué)技術(shù)與工程. 2018(14)
[9]基于車輛行駛數(shù)據(jù)的駕駛?cè)诵袨樽V分析方法[J]. 陳鏡任,吳業(yè)福,吳冰.  計(jì)算機(jī)應(yīng)用. 2018(07)
[10]SR-CNN融合決策的眼部狀態(tài)識(shí)別方法[J]. 黃斌,陳仁文,周秦邦,唐杰.  哈爾濱工程大學(xué)學(xué)報(bào). 2018(07)

博士論文
[1]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]基于瞳孔霍夫變換的司機(jī)疲勞檢測(cè)算法研究與實(shí)現(xiàn)[D]. 高瑩.西安理工大學(xué) 2018
[2]基于圖像的非接觸式人體測(cè)量與建模技術(shù)研究[D]. 王力.西安工程大學(xué) 2018
[3]基于自然駕駛數(shù)據(jù)的UBI定價(jià)模型研究[D]. 王欣.北京交通大學(xué) 2018
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的駕駛員疲勞檢測(cè)[D]. 張智騰.湖南大學(xué) 2018
[5]基于主動(dòng)形狀模型的多特征融合駕駛員疲勞檢測(cè)算法研究[D]. 劉瀏.湖南大學(xué) 2017
[6]基于人臉特征的駕駛員疲勞檢測(cè)算法與實(shí)現(xiàn)[D]. 黃斌.南京航空航天大學(xué) 2017
[7]基于生理與操作行為典型參數(shù)的駕駛疲勞程度研究[D]. 黃姣.華南理工大學(xué) 2016
[8]基于DSP的駕駛疲勞檢測(cè)系統(tǒng)的研究與實(shí)現(xiàn)[D]. 王光娟.江蘇大學(xué) 2007
[9]駕駛員疲勞監(jiān)控系統(tǒng)中人臉檢測(cè)與識(shí)別研究[D]. 盛敬.東北大學(xué) 2006



本文編號(hào)：3159762