司机疲劳监测系统中眼睛检测与跟踪研究

论文摘要

疲劳驾驶一直被认为是引发交通事故的重要原因之一,为减少此类事情的发生,本文将眼睛作为判定司机疲劳驾驶的主要参数,重点研究了司机眼睛的定位与跟踪技术。本文主要做了以下几个方面的工作:1.在对司机眼睛的定位算法上,本文提出将图像处理知识和支持向量机(SVM)相结合的方法。首先在人脸区域中寻找出眼睛候选区域,然后采用支持向量机眼睛对分类器检测出真正的眼睛。在提前检测出人脸区域的情况下,这种算法提高了眼睛检测的速度和准确率。2.在跟踪算法上,本文提出将Kalman滤波和Mean Shift算法相结合的方法,实现眼睛的实时跟踪与眼睛模板的更新。首先在初始帧中定位眼睛的位置,构造眼睛模板,然后根据图像的运动信息由Kalman滤波估计出被跟踪目标在下一帧的状态,再运用Mean Shift算法确定出被跟踪目标。这种方法对于头部偏转小于15°的情况具有很好的跟踪效果。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题研究背景及其意义
• 1.2 国内外研究现状
• 1.2.1 国外的研究状况
• 1.2.2 国内的研究状况
• 1.3 论文的内容安排
• 第二章 驾驶员脸部的检测
• 2.1 人脸检测技术简介
• 2.2 基于肤色的人脸检测
• 2.2.1 颜色空间
• 2.2.2 肤色模型的建立
• 2.2.3 人脸的检测、分割与合并
• 第三章 驾驶员眼睛的定位
• 3.1 眼睛检测算法简介
• 3.2 基于支持向量机（SVM）的眼睛定位方法
• 3.2.1 支持向量机（SVM）理论背景
• 3.2.2 支持向量机方法介绍
• 3.3 基于SVM的眼睛定位算法
• 3.3.1 确定眼睛候选区域
• 3.3.2 SVM眼睛对分类器
• 3.3.3 眼睛检测结果与分析
• 第四章 驾驶员眼睛的跟踪
• 4.1 卡尔曼滤波理论
• 4.1.1 卡尔曼滤波算法的发展
• 4.1.2 离散Kalman滤波基本算法与分析
• 4.2 Mean Shift算法
• 4.2.1 Mean Shift向量
• 4.2.2 核函数概念
• 4.2.3 Mean Shift算法与其收敛性分析
• 4.3 基于Kalman滤波与Mean shift算法相结合的眼睛实时跟踪算法
• 4.3.1 Kalman滤波预测建模
• 4.3.2 Mean Shift跟踪算法
• 4.4 实验结果
• 第五章 总结与展望
• 5.1 总结
• 5.2 对未来的展望
• 致谢
• 参考文献
• 研究成果