作為日漸走入每家每戶的代步工具,汽車帶來便利的同時(shí)也造成了交通事故的頻發(fā),智能駕駛相關(guān)技術(shù)隨之贏來了空前的熱潮,駕駛員疲勞檢測(cè)技術(shù)是其重要組成部分。本文在深入研究相關(guān)方法原理的基礎(chǔ)上,考慮到應(yīng)用推廣性,并為更準(zhǔn)確穩(wěn)定地檢測(cè)駕駛員疲勞程度,提出一種非接觸式疲勞檢測(cè)算法,開發(fā)了基于機(jī)器視覺的多特征融合的駕駛員疲勞檢測(cè)系統(tǒng)。該方法首先利用相機(jī)拍攝駕駛視頻,經(jīng)一系列圖像預(yù)處理后,通過基于MB-LBP特征的AdaBoost算法初步定位人臉,然后利用堆疊主動(dòng)形狀模型Stasm（Stacked Active Shape Model）和相機(jī)位姿測(cè)量提取并計(jì)算疲勞特征,最后通過極限學(xué)習(xí)機(jī)ELM（Extream Learning Machine）分類器判斷駕駛狀態(tài),移植到開發(fā)板Jetson TX2上,實(shí)現(xiàn)車載式疲勞檢測(cè)。本文主要研究?jī)?nèi)容在于:1.針對(duì)經(jīng)典AdaBoost算法使用的haar檢測(cè)特征受光照影響較大的問題,改用具有灰度不變性的MB-LBP特征,在提高人臉檢測(cè)速度的同時(shí)減少光照對(duì)人臉檢測(cè)的影響。2.研究了一種特征點(diǎn)定位及特征提取的方法和一種基于視覺的旋轉(zhuǎn)角度測(cè)量的方法:利用在ASM（Active ... 

【文章來源】：湖南大學(xué)湖南省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：77 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Yale大學(xué)人臉數(shù)據(jù)庫

基于機(jī)器視覺的多特征疲勞檢測(cè)研究10圖2.2不同光照下的人臉圖像進(jìn)一步地，對(duì)圖2.2中不同光照下的四副人臉圖像繪制了各個(gè)灰度級(jí)像素點(diǎn)個(gè)數(shù)的灰度直方圖，完成進(jìn)行直方圖分析。如圖2.3(a)所示，正常光照人臉圖像的灰度直方圖覆蓋了灰度級(jí)較寬的范圍，在各個(gè)灰度級(jí)上分布較均勻，圖像具有多變的灰度色調(diào)和較高的對(duì)比度；如圖2.3(b)所示，正面弱光人臉圖像灰度直方圖的整體灰度級(jí)變小并且集中壓縮至0-150級(jí)了；如圖2.3(c)所示，左側(cè)光使得人臉左亮右黑，使得整體灰度級(jí)進(jìn)一步變小，并向0-160級(jí)集中；如圖2.3(d)所示，右側(cè)光灰度分布與左側(cè)光類似。a)正面正常光照人臉圖像及灰度直方圖b)正面弱光人臉圖像及灰度直方圖c)左側(cè)光人臉圖像及灰度直方圖

碩士學(xué)位論文11d)右側(cè)光人臉圖像及灰度直方圖圖2.3不同光照下人臉圖像及灰度直方圖而在實(shí)際駕駛過程中，白天夜晚光照強(qiáng)度有明顯不同，光照角度的不同使得駕駛位的光線不均勻，使得光照條件已成為影響駕駛員人臉成像的一個(gè)重要因素。對(duì)從Yale大學(xué)人臉數(shù)據(jù)庫中提取的不同光照下的人臉圖像所進(jìn)行的灰度直方圖分析，灰度分布的不均勻很大程度上影響了人臉成像，故對(duì)其進(jìn)行光補(bǔ)償有很大的必要。目前光照補(bǔ)償技術(shù)研究深入并且應(yīng)用廣泛，基于圖像處理的光照補(bǔ)償技術(shù)主要是通過改變圖像的灰度分布使其更均勻，提高圖像的整體可見性與局部細(xì)節(jié)可測(cè)性，為后面的圖像識(shí)別與檢測(cè)提供一個(gè)好的基矗2.2圖像灰度化彩色圖像灰度化作為彩色圖像處理的基礎(chǔ)步驟，能夠?qū)⒍嗤ǖ赖臄?shù)據(jù)綜合成灰度級(jí)別這一個(gè)通道，降維操作在不影響后期特征提取的前提下，大大減少了數(shù)據(jù)運(yùn)算量�；叶葘⒓兒谏鳛榛鶞�(zhǔn)，描述不同飽和度的黑色，從0級(jí)開始到255級(jí)結(jié)束表示從純黑色到純白色灰度值的變化。人眼可觀察到的彩色圖像所構(gòu)成的RGB顏色空間由紅、綠、藍(lán)三種顏色分量組成，每種分量根據(jù)其黑色飽和度有其對(duì)應(yīng)的灰度值[41]。彩色圖像灰度化是用每一個(gè)圖像像素的一個(gè)灰度值來反映該像素的多通道分量，包括分量法、最大值法、平均值法、加權(quán)平均法等等。分量法是指根據(jù)應(yīng)用情況選取R、G、B三分量中某一分量作為灰度化圖像的灰度值；平均值法是求其三分量的平均值來作為最終值；加權(quán)平均法根據(jù)重要性將三分量給以合適權(quán)重再求和平均，現(xiàn)依據(jù)人眼對(duì)顏色的敏感程度，有式如：(,)=0.299×(,)+0.587×(,)+0.114×(,),=1,2,3,（2.1）各個(gè)圖像灰度化方法效果如圖2.4所示。我們可以看到，分量法等單一通道的處理方法片面的處理某一通道的信息，丟低了圖像其他通道的灰度信息

【參考文獻(xiàn)】：
期刊論文
[1]2018年中國汽車市場(chǎng)盤點(diǎn)[J]. 趙黎.  汽車縱橫. 2019(02)
[2]談疲勞駕駛的成因與預(yù)防措施[J]. 谷成利.  農(nóng)機(jī)使用與維修. 2018(09)
[3]基于ASM的多特征融合駕駛員疲勞檢測(cè)方法[J]. 白中浩,劉瀏,焦英豪,曹松.  電子測(cè)量與儀器學(xué)報(bào). 2016(12)
[4]基于眼部特征的疲勞駕駛辨識(shí)方法研究[J]. 劉志強(qiáng),宋雪松,汪彭,周桂良.  重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)). 2016(10)
[5]基于ASM和膚色模型的疲勞駕駛檢測(cè)[J]. 何俊,房靈芝,蔡建峰,何忠文.  計(jì)算機(jī)工程與科學(xué). 2016(07)
[6]基于LBP的眼睛開閉檢測(cè)方法[J]. 姚勝,李曉華,張衛(wèi)華,周激流.  計(jì)算機(jī)應(yīng)用研究. 2015(06)
[7]駕駛狀態(tài)實(shí)時(shí)監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J]. 白金蓬,黃英,江宜舟,馬陽洋,劉平,劉彩霞.  電子測(cè)量與儀器學(xué)報(bào). 2014(09)
[8]噴淋——預(yù)防疲勞駕駛新點(diǎn)子[J]. 王安.  道路交通管理. 2013(10)
[9]一種自適應(yīng)唇區(qū)檢測(cè)及定位方法[J]. 黃永慧,潘保昌,梁堅(jiān),范曉燕.  計(jì)算機(jī)工程與應(yīng)用. 2010(21)
[10]基于方向盤操作的駕駛?cè)似跔顟B(tài)實(shí)時(shí)檢測(cè)方法[J]. 張希波,成波,馮睿嘉.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2010(07)

博士論文
[1]基于心電信號(hào)的駕駛疲勞檢測(cè)方法研究[D]. 吳群.浙江大學(xué) 2008
[2]復(fù)雜光照條件下人臉識(shí)別關(guān)鍵算法研究[D]. 莊連生.中國科學(xué)技術(shù)大學(xué) 2006

碩士論文
[1]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
[2]基于SDM的疲勞駕駛狀態(tài)檢測(cè)方法研究[D]. 文芳.長安大學(xué) 2018
[3]駕駛員疲勞狀態(tài)分析及其預(yù)警算法研究[D]. 于茲文.吉林大學(xué) 2018
[4]機(jī)器視覺與毫米波雷達(dá)融合的前方車輛檢測(cè)方法研究[D]. 譚力凡.湖南大學(xué) 2018
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志分類與識(shí)別研究[D]. 宋靈杰.湖南大學(xué) 2018
[6]基于多信息融合的實(shí)時(shí)疲勞檢測(cè)與預(yù)警系統(tǒng)研究[D]. 唐杰.南京航空航天大學(xué) 2018
[7]駕駛員疲勞檢測(cè)算法研究[D]. 王軍.北京交通大學(xué) 2017
[8]基于視覺的駕駛員疲勞檢測(cè)算法研究[D]. 彭發(fā)超.湖南大學(xué) 2016
[9]基于安卓的多特征疲勞實(shí)時(shí)檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 茍群森.電子科技大學(xué) 2016
[10]基于面部子空間特征的疲勞駕駛檢測(cè)軟件研究[D]. 陳藝丹.長春理工大學(xué) 2012



本文編號(hào)：3497213