隨著人類生活水平的提高,機動車使用量逐年增加,伴隨而來的是各類交通事故的發(fā)生,安全駕駛已成為社會關(guān)注的問題之一,其中,因疲勞駕駛而導(dǎo)致的交通事故占很大比例,因此,研究出一套使用方便、實時高效、檢測準確的疲勞駕駛識別算法成為減少事故的重點。在所有的外在特征中,人眼狀態(tài)是最能夠反應(yīng)疲勞狀態(tài)的,所以本文通過對人眼狀態(tài)的檢測來實現(xiàn)疲勞駕駛的判定。本文對疲勞駕駛識別的研究做了以下四部分工作:1)圖像預(yù)處理,首先對圖像進行自動白平衡處理,使得圖像色彩跟物體真實的色彩保持一致,便于計算機識別;再通過基于拉普拉斯算子的圖像增強,使得物體的輪廓更加明顯,人臉更便于識別。2)人臉檢測,在前人研究較成熟的基于Gentle-Adaboost算法的人臉檢測基礎(chǔ)上進行改進,Gentle-Adaboost算法與haar特征識別相結(jié)合,以保證識別率,然后引入均值哈希算法的概念,將人臉信息轉(zhuǎn)換為哈希指紋信息,用哈希指紋信息的對比代替人臉檢測,再利用緩存數(shù)據(jù)庫來存儲相似圖片的哈希指紋,這樣不僅能夠得到臉部的精確定位而且平均識別時間也減少了原檢測時間的80%。3)人眼識別,分為人眼定位和人眼狀態(tài)識別,該部分提出一種基于尋找... 

【文章來源】：河北科技大學(xué)河北省

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

弱分類器組合成強分類器設(shè)原始樣本集S={(x1,y1),...,(xn,yn)}，其中x表示樣本，y表示歸類，比如一個二

.3 Gentle-AdaBoost 算法分類器訓(xùn)練Gentle-AdaBoost 算法通過 opencv_traincascade 程序訓(xùn)練出符合要求的特征類型為 xml，學(xué)習(xí)過程用到的正樣本(face)和負樣本(noface)均采用 MIT 人臉像。依據(jù)自身識別的情況，只需要對正樣本和副樣本的比例作出調(diào)整即可訓(xùn)練過程，正負樣本的分配為 1：1，均是 2706 張。把正負樣本分別放入 poegative 文件夾中，positive 文件夾如圖 2-2 所示，negative 文件夾如圖 2-3 所

正負樣本的分配為 1：1，均是 2706 張。把正負樣本分別放入 poegative 文件夾中，positive 文件夾如圖 2-2 所示，negative 文件夾如圖 2-3 所圖 2-2 positive 文件夾


本文編號：3367618