基于眼部和嘴部特征融合的驾驶员疲劳检测方法研究

论文摘要

驾驶员疲劳状态检测与预警方法的研究已经引起广泛关注。国内外有不少研究机构对驾驶员疲劳状态检测方法进行了研究,经过多年的发展,相关的研究已取得不少成果,也有一些产品投入应用。但测试和实践经验表明,目前的驾驶员疲劳检测方法在实际应用中仍存在局限性：如测量准确度不高、应用场景受限制较多、鲁棒性不强、很难实现实时监控等。所以研究一种更具实用性的驾驶员疲劳状态检测预警方法具有重要的意义。本文拟通过融合眼部和嘴部等多种疲劳相关的特征来提高疲劳检测的准确率。为了对驾驶员状态进行全天候的监控分析,本文通过红外摄像头实时获取驾驶员图像,然后提取眼部和嘴部的视觉特征,最后通过分析眼睛的开闭状态以及嘴部是否打哈欠等特征,进行疲劳状态的分析和判断。文中所做的主要工作如下：(1)改进人脸眼部和嘴部特征点定位策略。针对直接从视频图像中进行左右眼睛和嘴部特征点定位存在检测率低、误差大的问题,本文提出首先利用经典的AdaBoost算法定位出人脸所在区域,然后在人脸区域内定位其他相关的特征区域。(2)改进人脸检测器搜索策略。为达到实时检测的目的,结合正常情况下驾驶员头部活动范围比较小的特点,本文根据前一帧定位到人脸位置估算下一帧人脸大概位置,从而缩小搜索范围,提高人脸检测效率。(3)针对驾驶员有睁眼睡觉或频繁眨眼习惯时导致系统误报率高的问题,本文联合PERCLOS、眨眼频率、眨眼持续时间三个眼部疲劳特征参数进行疲劳判断。当驾驶员睁眼睡觉时,PERCLOS和眨眼频率都比较小；若驾驶员有频繁眨眼习惯,则其眨眼频率很高,眨眼持续时间比较短。实验结果表明,本文提出的方法在实时性、准确性上都有一定提高。本文采用Visual Studio 2005构建的驾驶员疲劳检测预警演示系统,不仅适合作为后续研究的实验平台,而且也为将来开发实际应用软件奠定了良好的基础。

论文目录

• 摘要
• ABSTRACT
• 目录
• 1 绪论
• 1.1 研究的背景与意义
• 1.2 疲劳驾驶检测方法研究现状
• 1.2.1 国外的驾驶员疲劳检测研究现状
• 1.2.2 国内的驾驶员疲劳检测研究现状
• 1.2.3 基于红外图像的疲劳驾驶检测技术研究现状
• 1.2.4 论文主要研究内容
• 1.2.5 本文组织结构
• 2 驾驶疲劳的生理特征
• 2.1 疲劳及驾驶疲劳相关概念
• 2.1.1 疲劳的定义及分类
• 2.1.2 驾驶疲劳
• 2.2 疲劳时的生理特征及其在个体间的差异
• 2.2.1 疲劳时的生理特征
• 2.2.2 疲劳时的生理特征在个体间的差异性
• 2.3 各种驾驶疲劳检测方法比较
• 3 驾驶员疲劳状态检测系统组成
• 3.1 红外人脸图像特性
• 3.2 红外CCD摄像机介绍
• 3.3 本文算法流程
• 4 眼部和嘴部特征定位与实验分析
• 4.1 引言
• 4.2 人眼检测
• 4.3 嘴巴检测
• 4.4 AdaBoost算法
• 4.4.1 Haar-like特征
• 4.4.2 Haar-like特征值的快速计算
• 4.4.3 AdaBoost算法的训练过程
• 4.4.4 AdaBoost算法的检测过程
• 4.5 实验结果分析
• 4.5.1 人脸检测实验分析
• 4.5.2 眼部和嘴部特征定位实验分析
• 5 驾驶员疲劳状态分析与实验
• 5.1 眼部疲劳特征参数提取
• 5.1.1 眼睛状态检测技术简述
• 5.1.2 眼睛状态检测
• 5.1.3 眼部特征参数提取
• 5.2 嘴部疲劳特征参数提取
• 5.2.1 嘴部状态检测
• 5.2.2 嘴部特征参数提取
• 5.3 疲劳状态分析
• 5.4 实验结果分析
• 6 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 攻读学位期间取得的研究成果
• 致谢