本文關(guān)鍵詞：基于眼動(dòng)特征的駕駛員疲勞駕駛檢測(cè)技術(shù)研究

  更多相關(guān)文章： 人臉檢測(cè) 人眼定位 狀態(tài)識(shí)別 疲勞檢測(cè) PERCLOS

【摘要】：隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展,國(guó)民消費(fèi)能力逐年提高,汽車數(shù)量的大幅增加給整個(gè)交通系統(tǒng)帶來(lái)了更多的安全隱患,其中,疲勞駕駛已成為導(dǎo)致重大交通事故的主要因素之一。如果能在駕駛員出現(xiàn)疲勞駕駛之前對(duì)駕駛員進(jìn)行及時(shí)的疲勞預(yù)警可以有效地避免交通事故的發(fā)生,這對(duì)于交通安全來(lái)講具有重要意義。本文是基于駕駛員的眼部狀態(tài)特征進(jìn)行一系列的圖像處理方法和算法,主要包含人臉檢測(cè)、人眼定位、眼睛狀態(tài)判別、疲勞狀態(tài)檢測(cè)四大流程,通過識(shí)別眼睛狀態(tài)并利用PERCLOS的P80標(biāo)準(zhǔn)進(jìn)行疲勞狀態(tài)的檢測(cè)。具體工作內(nèi)容如下:(1)詳細(xì)闡述了基于Adaboost算法的駕駛員人臉檢測(cè)方法,其中包括:Haar特征的選擇和提取、積分圖的計(jì)算、分類器的訓(xùn)練。通過提取樣本的Haar_like特征對(duì)分類器進(jìn)行訓(xùn)練,將訓(xùn)練出來(lái)的所有弱分類器用于組成強(qiáng)分類器,然后使用強(qiáng)分類器進(jìn)行人臉的定位和檢測(cè)。由于樣本的數(shù)量比較大,為了提高檢測(cè)速度,減少?gòu)?qiáng)分類器的搜索范圍,將每個(gè)訓(xùn)練好的弱分類器先確定好位置,然后再進(jìn)行人臉區(qū)域的檢測(cè)。(2)研究了基于幾何特征的人眼定位方法。根據(jù)眼睛在臉部的幾何分布特征,以及二值化后連通域的分布,計(jì)算每個(gè)連通域的質(zhì)心點(diǎn),并確定人眼質(zhì)心的位置坐標(biāo),然后根據(jù)人眼質(zhì)心坐標(biāo)采用雙線性插值法對(duì)傾斜度較大的人臉圖像進(jìn)行矯正,并再次確定人眼的質(zhì)心坐標(biāo)位置。(3)給出了基于PCA主成分析法和灰度投影法兩種方法結(jié)合的人眼狀態(tài)識(shí)別方法。PCA算法是通過尋找最能代表人眼狀態(tài)的特征空間,對(duì)比樣本圖片和測(cè)試圖片的向量距離,用向量差值作為識(shí)別標(biāo)準(zhǔn);灰度投影法是通過人眼灰度分布特點(diǎn)來(lái)確定瞳孔的高度,即通過計(jì)算單幀圖像人眼瞳孔的高度來(lái)確定眼睛的狀態(tài)。PCA用于前期提取睜眼時(shí)最大灰度值和閉眼時(shí)最小灰度值,然后再使用灰度投影法計(jì)算人眼開度,最后根據(jù)疲勞判斷標(biāo)準(zhǔn)進(jìn)行狀態(tài)識(shí)別。(4)在駕駛員疲勞檢測(cè)流程中,采用PERCLOS標(biāo)準(zhǔn)統(tǒng)計(jì)特定時(shí)間段內(nèi)眼睛閉合時(shí)間占特定時(shí)間內(nèi)的百分率,并選用P80作為評(píng)價(jià)指標(biāo)。實(shí)驗(yàn)結(jié)果表明,本文所采用的疲勞檢測(cè)方法具有較好的可靠性和實(shí)時(shí)性。
【關(guān)鍵詞】：人臉檢測(cè) 人眼定位 狀態(tài)識(shí)別 疲勞檢測(cè) PERCLOS
【學(xué)位授予單位】：湖南科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：U463.6;TP391.41
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 緒論10-16
• 1.1 本課題研究背景和意義10
• 1.2 國(guó)內(nèi)外疲勞檢測(cè)研究現(xiàn)狀10-14
• 1.2.1 疲勞駕駛的概念和成因10-12
• 1.2.2 國(guó)外疲勞駕駛檢測(cè)技術(shù)發(fā)展?fàn)顩r12-13
• 1.2.3 國(guó)內(nèi)疲勞駕駛檢測(cè)技術(shù)發(fā)展?fàn)顩r13-14
• 1.3 疲勞駕駛檢測(cè)系統(tǒng)研究難點(diǎn)分析14-15
• 1.4 論文的研究工作及內(nèi)容15-16
• 第二章 基于Adaboost算法的人臉檢測(cè)16-32
• 2.1 引言16
• 2.2 幾種常用人臉檢測(cè)方法16-17
• 2.3 圖像預(yù)處理17-20
• 2.3.1 光照補(bǔ)償處理18-19
• 2.3.2 圖像增強(qiáng)處理19-20
• 2.4 基于Adaboost算法的人臉檢測(cè)20-27
• 2.4.1 Haar矩形特征21-23
• 2.4.2 積分圖的計(jì)算23-24
• 2.4.3 Adaboost算法流程24-27
• 2.4.4 人臉圖像在檢測(cè)與定位中的尺度變換問題27
• 2.5 算法實(shí)驗(yàn)結(jié)果分析27-31
• 2.6 本章小結(jié)31-32
• 第三章 駕駛員人眼區(qū)域的定位32-40
• 3.1 引言32
• 3.2 常用人眼定位方法介紹32-33
• 3.3 人臉區(qū)域預(yù)處理以及人眼檢測(cè)區(qū)域選擇33-34
• 3.4 基于連通域質(zhì)心點(diǎn)的人眼精確定位34-37
• 3.4.1 二值圖像連通域標(biāo)記34-35
• 3.4.2 二值圖像連通域質(zhì)心點(diǎn)的計(jì)算35-37
• 3.5 基于雙線性插值法矯正人臉37-39
• 3.6 本章小結(jié)39-40
• 第四章 駕駛員人眼狀態(tài)的判別40-50
• 4.1 引言40-41
• 4.2 主要人眼狀態(tài)判別方法41-42
• 4.3 基于PCA算法的人眼狀態(tài)判別42-44
• 4.3.1 PCA算法介紹42
• 4.3.2 樣本準(zhǔn)備和訓(xùn)練42-43
• 4.3.3 算法流程43-44
• 4.3.4 PCA算法實(shí)驗(yàn)測(cè)試44
• 4.4 基于灰度投影法的人眼狀態(tài)識(shí)別44-49
• 4.4.1 人眼圖像預(yù)處理44-46
• 4.4.2 人眼圖像二值化46-49
• 4.5 本章小結(jié)49-50
• 第五章 駕駛員疲勞檢測(cè)50-62
• 5.1 基于PERCLOS原理的疲勞檢測(cè)算法50-52
• 5.1.1 PERCLOS原理簡(jiǎn)介50-51
• 5.1.2 PERCLOS測(cè)量原理51-52
• 5.2 人眼開度的計(jì)算52-57
• 5.3 基于P80標(biāo)準(zhǔn)的疲勞程度判斷方法57
• 5.4 實(shí)驗(yàn)數(shù)據(jù)分析57-60
• 5.4.1 PERCLOS理論值計(jì)算57-59
• 5.4.2 不同光照條件下PERCLOS值計(jì)算59
• 5.4.3 系統(tǒng)結(jié)果測(cè)試59-60
• 5.5 疲勞程度檢測(cè)影響因素分析60-61
• 5.6 本章小結(jié)61-62
• 第六章 總結(jié)和展望62-64
• 6.1 工作總結(jié)62-63
• 6.2 未來(lái)工作展望63-64
• 參考 文獻(xiàn)64-68
• 致謝68-70
• 附錄A：攻讀碩士學(xué)位期間參研項(xiàng)目和科研成果70

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前9條

1 黃梅;何寧豐;張亞淑;;基于眼睛狀態(tài)識(shí)別的嬰幼兒睡眠監(jiān)測(cè)[J];計(jì)算機(jī)應(yīng)用與軟件;2012年08期

2 袁翔;孫香梅;;疲勞駕駛檢測(cè)方法研究進(jìn)展[J];汽車工程學(xué)報(bào);2012年03期

3 陳志恒;姜明新;;基于openCV的人臉檢測(cè)系統(tǒng)的設(shè)計(jì)[J];電子設(shè)計(jì)工程;2012年10期

4 李勝;張培林;吳定海;徐超;;基于漸近式權(quán)值小波降噪和Adaboost算法的液壓泵故障診斷[J];中國(guó)機(jī)械工程;2011年09期

5 段喜茹;;S6領(lǐng)軍 比亞迪汽車強(qiáng)勢(shì)出擊上海車展[J];中國(guó)汽車界;2011年08期

6 李都厚;劉群;袁偉;劉浩學(xué);;疲勞駕駛與交通事故關(guān)系[J];交通運(yùn)輸工程學(xué)報(bào);2010年02期

7 孫偉;張為公;張小瑞;陳剛;;疲勞駕駛預(yù)警系統(tǒng)的研究進(jìn)展[J];汽車電器;2009年01期

8 孫顯彬;唐洪偉;文妍;;疲勞駕駛預(yù)警系統(tǒng)的研究現(xiàn)狀和發(fā)展趨勢(shì)[J];青島理工大學(xué)學(xué)報(bào);2007年03期

9 楊降勇;;高速公路疲勞駕駛交通事故的控制[J];中國(guó)安全科學(xué)學(xué)報(bào);2006年01期

，

本文編號(hào)：717520