【摘要】：近年來(lái),伴隨著汽車數(shù)量以及駕駛?cè)藬?shù)的增加,全世界面臨著更為嚴(yán)峻的交通安全形勢(shì)。數(shù)據(jù)表明,疲勞駕駛約占重大交通事故的10%-15%。疲勞檢測(cè)對(duì)于降低交通事故發(fā)生率,保障交通出行安全,有著重要的意義和應(yīng)用前景。如何獲取駕駛員的疲勞特征,評(píng)估其疲勞程度,已成為國(guó)內(nèi)外研究的熱點(diǎn)。本論文研究了國(guó)內(nèi)外疲勞檢測(cè)算法,并針對(duì)現(xiàn)有算法的特征少,穩(wěn)定性差及準(zhǔn)確度低等弊端,提出了一種基于多視覺(jué)特征的疲勞檢測(cè)算法。首先,為了提高疲勞檢測(cè)的準(zhǔn)確度和穩(wěn)定度,在基于人臉檢測(cè)及關(guān)鍵點(diǎn)定位的基礎(chǔ)上,論文研究給出了多個(gè)視覺(jué)特征來(lái)進(jìn)行疲勞檢測(cè),增加了特征向量的維度。這些特征包括眨眼頻率、閉眼時(shí)長(zhǎng)、打哈欠的頻率、打哈欠的總時(shí)長(zhǎng)、點(diǎn)頭的頻率、點(diǎn)頭的總時(shí)長(zhǎng)、搖頭的頻率以及搖頭的總時(shí)長(zhǎng)。然后,論文通過(guò)各機(jī)器學(xué)習(xí)模型,對(duì)采集到的特征樣本數(shù)據(jù)集進(jìn)行訓(xùn)練和交叉驗(yàn)證,并根據(jù)精確率、準(zhǔn)確率、召回率等指標(biāo),優(yōu)選出邏輯回歸(Logistic Regression,LR)模型,提出了一種基于LR模型的多特征融合的疲勞檢測(cè)算法。最后,論文搭建了實(shí)時(shí)的疲勞檢測(cè)系統(tǒng),以300幀為檢測(cè)滑動(dòng)窗口,實(shí)現(xiàn)每秒一次的疲勞檢測(cè)效果。當(dāng)系統(tǒng)檢測(cè)出駕駛員處于疲勞狀態(tài)時(shí),將立即給予提醒和警告。同時(shí),論文將本文給出的基于LR模型的多特征融合疲勞檢測(cè)算法與現(xiàn)有的P80單特征檢測(cè)及基于模糊系統(tǒng)多特征融合檢測(cè)算法進(jìn)行了性能比較。結(jié)果表明,無(wú)論是在檢測(cè)的準(zhǔn)確率,精確率還是召回率上,本文提出的基于LR模型的多特征融合疲勞檢測(cè)算法都明顯優(yōu)于其它兩種檢測(cè)算法。
[Abstract]:In recent years, with the increase of the number of cars and drivers, the world is facing a more serious traffic safety situation. The data show that fatigue driving accounts for about 10-15 percent of major traffic accidents. Fatigue detection plays an important role in reducing the incidence of traffic accidents and ensuring the safety of traffic travel. How to obtain the fatigue characteristics of drivers and evaluate their fatigue degree has become a hot spot at home and abroad. In this paper, fatigue detection algorithms at home and abroad are studied, and a fatigue detection algorithm based on multi-vision features is proposed to overcome the shortcomings of the existing algorithms, such as few features, poor stability and low accuracy. First, in order to improve the accuracy and stability of fatigue detection, based on face detection and key point location, this paper presents several visual features for fatigue detection, which increases the dimension of feature vector. These features include blink frequency, eye closure time, yawning frequency, total yawning time, nod frequency, total nod duration, frequency of shaking head, and total duration of shaking head. Then, through the machine learning models, the paper trains and cross-validates the collected feature sample data sets, and selects the logical regression (Logistic Regression,LR) model according to the accuracy, recall rate and other indicators. A fatigue detection algorithm based on LR model and multi-feature fusion is proposed. Finally, a real-time fatigue detection system is built, which uses 300 frames as sliding window to realize fatigue detection once a second. Warning and warning will be given immediately when the system detects driver fatigue. At the same time, this paper compares the performance of the proposed multi-feature fusion fatigue detection algorithm based on LR model with the existing P80 single feature detection algorithm and fuzzy system multi-feature fusion detection algorithm. The results show that the proposed multi-feature fusion fatigue detection algorithm based on LR model is obviously superior to the other two detection algorithms in terms of detection accuracy and recall rate.
【學(xué)位授予單位】：北京郵電大學(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

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 翁茂榮;李強(qiáng);花彩霞;;機(jī)動(dòng)車駕駛員疲勞檢測(cè)系統(tǒng)的研究現(xiàn)狀及發(fā)展趨勢(shì)[J];浙江工貿(mào)職業(yè)技術(shù)學(xué)院學(xué)報(bào);2006年01期

2 樊玲;;基于眼動(dòng)跟蹤的駕駛員疲勞檢測(cè)[J];科技創(chuàng)新與應(yīng)用;2012年26期

3 孟子諍;劉金明;劉厚軍;;機(jī)車司機(jī)疲勞檢測(cè)系統(tǒng)研究與應(yīng)用[J];中國(guó)鐵路;2013年05期

4 陳勇;黃琦;劉霞;張昌華;;一種全天候駕駛員疲勞檢測(cè)方法研究[J];儀器儀表學(xué)報(bào);2009年03期

5 高永萍;秦華標(biāo);;駕駛員疲勞檢測(cè)系統(tǒng)[J];儀表技術(shù)與傳感器;2007年01期

6 蘇曉娜;李曉明;;人臉檢測(cè)及眼睛定位在駕駛員疲勞檢測(cè)中的應(yīng)用[J];科學(xué)技術(shù)與工程;2012年17期

7 楊海燕;蔣新華;王雷;;一種基于人臉序列模式的機(jī)車駕駛員疲勞檢測(cè)方法[J];鐵道學(xué)報(bào);2012年05期

8 耿磊,吳曉娟,彭彰;基于TMS320DM642的疲勞檢測(cè)系統(tǒng)硬件設(shè)計(jì)[J];中國(guó)工程科學(xué);2005年11期

9 張祖濤;張家樹(shù);;基于UKF非線性人眼跟蹤的駕駛員疲勞檢測(cè)[J];西南交通大學(xué)學(xué)報(bào);2008年06期

10 苑瑋琦;賈琦;;基于DM6437的駕駛員疲勞檢測(cè)系統(tǒng)[J];儀表技術(shù)與傳感器;2010年05期

相關(guān)會(huì)議論文 前2條

1 張笑非;鄔正義;談?wù)?;基于視覺(jué)的疲勞駕駛檢測(cè)[A];第一屆建立和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2005）論文集[C];2005年

2 胡慶新;張淑鳳;方躍;;弱光環(huán)境下駕駛員的人臉檢測(cè)和眼睛追蹤[A];第六屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集（3）[C];2008年

相關(guān)重要報(bào)紙文章 前1條

1 記者 廖翊;目視判斷裂痕是金屬疲勞[N];新華每日電訊;2002年

相關(guān)博士學(xué)位論文 前1條

1 邸巍;基于視覺(jué)的全天候駕駛員疲勞與精神分散狀態(tài)監(jiān)測(cè)方法研究[D];吉林大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 孫憶晨;基于視覺(jué)特征的疲勞檢測(cè)算法研究[D];北京郵電大學(xué);2016年

2 王豪榮;基于人臉特征融合的疲勞檢測(cè)方法研究[D];長(zhǎng)安大學(xué);2015年

3 王兆偉;基于眼態(tài)識(shí)別的疲勞駕駛檢測(cè)技術(shù)研究[D];長(zhǎng)安大學(xué);2015年

4 蔣文博;基于計(jì)算機(jī)視覺(jué)的疲勞駕駛檢測(cè)技術(shù)研究[D];北京化工大學(xué);2015年

5 張譯心;基于面部特征的駕駛員疲勞算法應(yīng)用研究[D];吉林農(nóng)業(yè)大學(xué);2015年

6 韓吉祥;基于SOPC的駕駛員疲勞檢測(cè)系統(tǒng)設(shè)計(jì)[D];黑龍江大學(xué);2015年

7 王雷;基于人臉檢測(cè)的疲勞駕駛分析[D];合肥工業(yè)大學(xué);2014年

8 陳中勝;基于紅外視頻圖像眼睛信息特征的疲勞檢測(cè)[D];廣西科技大學(xué);2015年

9 趙曉琳;基于面部信息的疲勞駕駛檢測(cè)方法研究[D];吉林大學(xué);2016年

10 王帥;基于圖像處理的哨兵眼部疲勞檢測(cè)方法研究[D];云南大學(xué);2016年

，

本文編號(hào)：2412014