隨著經(jīng)濟的快速發(fā)展,機動車輛迅猛增加,交通條件與交通流量之間的矛盾日益突出,交通事故頻繁發(fā)生,人員傷亡和財產(chǎn)損失慘重。研究者普遍認為道路交通事故約80%以上是由駕駛員錯誤駕駛行為導致的,因此對駕駛員的駕駛行為及姿態(tài)進行監(jiān)控與識別以及時糾正或干預駕駛員正在實施的危險行為顯得尤為重要。鑒于此,本文研究基于圖像的駕駛員姿態(tài)識別方法,以增強車輛主動安全系統(tǒng)和駕駛安全預警系統(tǒng)的事故預防能力。首先,研究了基于可變形部件模型的駕駛姿態(tài)區(qū)域檢測方法,并對比分析了基于方向梯度直方圖特征及支持向量機的檢測方法、基于Haar特征及Adaboost的檢測方法和基于局部二值模式特征及Adaboost的檢測方法,實驗結果表明基于可變形部件模型的駕駛姿態(tài)區(qū)域檢測優(yōu)于其他三種檢測方法,其檢測精度達到97.5%。其次,研究了基于全局可變形部件模型特征的駕駛員姿態(tài)識別方法,并對比分析了基于膚色特征及隨機森林的識別方法、方向梯度直方圖特征及支持向量機的識別方法、Gabor特征及支持向量機的識別方法和局部二值模式特征及支持向量機的識別方法,實驗結果表明基于全局可變形部件模型特征的駕駛員姿態(tài)識別方法優(yōu)于其他四種方法,其識別精度... 

【文章來源】：東南大學江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【部分圖文】：

Kaggle駕駛員圖像集示例圖像

(i) (j) (k) (l)(m) (n) (o) (p)圖2-2 東南大學駕駛員數(shù)據(jù)示例圖像2.2 基于 DPM 的駕駛姿態(tài)區(qū)域檢測方法2.2.1 駕駛姿態(tài)區(qū)域目標識別中通常會將整個目標作為訓練對象，而在對姿態(tài)進行識別時不需要總是將整個駕駛員作為訓練對象，而是考慮姿態(tài)在駕駛員身上的覆蓋范圍。本文研究的對象是駕駛員姿態(tài)，在收集整理駕駛員圖像過程中觀察發(fā)現(xiàn)，駕駛室環(huán)境中駕駛員的下肢體被遮擋，所以駕駛員的上半身動作決定了駕駛員姿態(tài)。因此在特征提取時，與駕駛員姿態(tài)無關的背景以及腿部都屬于冗余信息。本文定義駕駛姿態(tài)區(qū)域(Driving PostureArea, DPA)的概念，目的是用盡量少的信息來描述與駕駛行為相關的駕駛員身體部分和交互物品，

(a) Kaggle 圖像 DPA 示例 (b) 東南大學圖像 DPA 示例圖2-3 駕駛姿態(tài)區(qū)域 DPA 示例圖像本章分別對 4000 張 Kaggle 圖像集和 640 張 SEU 圖像集進行駕駛姿態(tài)區(qū)域的標注，構建 Kaggle 駕駛姿態(tài)區(qū)域圖像集和 SEU 駕駛姿態(tài)區(qū)域圖像集，并分別將圖像像素大小歸一化為 160×128 和 128×128。2.2.2 可變形部件模型理論分析可變形部件模型（Deformable Part Model, DPM）是由 Felzenszwalb 等人[57-60]提出的目標檢測模型�？勺冃尾考Ｐ陀扇糠纸M成：一個粗糙的根濾波器、若干高分辨率的部件濾波器以及各部件相對于根的空間位置模型。根濾波器覆蓋圖像中整個目標，用于描述目標的整體特征；部件濾波器覆蓋目標中較小部件，分辨率為根濾波器的兩倍，用于描述更為精細的目標局部區(qū)域的細節(jié)特征；空間位置模型用來描述根濾波器和部件濾波器之間的位置關系以及部件濾波器的可移動范圍。對于擁有多種尺度類型的目標，或者同一類型但具有多種形態(tài)的目標，單一星型模型無法滿足建模需要，因此可以利用由若干星型模型組成的混合模型進行描述，目標的不同尺度形態(tài)通過每個星型模型不同尺度的根濾波器描述。DPM 的基石是由 Dalal 和 Triggs[61]提出的具有光照不變性和局部旋轉不變性的HOG 特征


本文編號：3274727