复杂光照及姿态下的人眼检测与跟踪

论文摘要

大量的数据表明疲劳驾驶在交通事故发生原因中占有相当大的比重。为减少这方面的事故,对驾驶人疲劳监测技术的研究越来越多,主要集中在三个方面的研究:基于驾驶员个体特性的监测方法、基于驾驶人生理参数测量的监测方法和基于车辆参数的监测方法。后两种方法需要一些电线或电极接触驾驶人身体,不受驾驶人欢迎,或者是受车辆的类型、驾驶人驾驶经验和驾驶条件等限制。第一种方法是非接触式的监测方法,最新的研究方向是非接触式基于PERCLOSE的驾驶人疲劳检测方法。由于驾驶人所处环境的复杂性,所设计的基于PERCLOSE的驾驶人疲劳检测系统就必须满足在复杂光照,复杂姿态以及人是否戴眼睛的环境下很好的检测到驾驶人的眼睛。在比较各检测算法后,本文将支持向量机这种基于统计学习理论的方法与人眼检测技术相结合,完成人眼检测部分。本文主要完成驾驶人疲劳检测系统中的人眼检测与跟踪。眼睛的检测是实现本系统的关键,首先对复杂环境下采集的不同人的人眼样本和非人眼样本进行灰度直方图均衡,将结果表示成向量形式,运用序贯最小优化算法进行离线训练,得到一组支持向量以及各支持向量的权重。视频在线检测过程中先利用背景差分法和积分投影法相结合检测出运动的上半人脸部分以缩小人眼的检测范围,再利用支持向量机的训练结果组成支持向量分类器,在人脸的上半区域检测人眼,完成人眼初检。最后用窗口融合的方法去掉误检区域,最终完成人眼检测。从支持向量机算法本身上可以看出此算法速度比较慢,不能满足实时检测的要求。因此,从正确检测后的第二帧开始利用卡尔曼预测与支持向量机相结合的方法缩小检测区域,提高检测速度。实验表明,本方法能基本实时完成人眼的检测,并对复杂光照,人头的复杂姿态以及人是否戴眼睛有一定的适应性。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题研究背景和意义
• 1.2 驾驶人状态监测技术的研究现状
• 1.2.1 国外驾驶人疲劳检测系统的研究现状
• 1.2.2 国内驾驶人疲劳检测系统的研究现状
• 1.2.3 基于PERCLOS的驾驶人疲劳检测方法
• 1.3 论文的研究内容和组织结构
• 2 人眼检测算法概述
• 2.1 基于知识的人眼检测
• 2.1.1 基于积分投影及改进的积分投影法的眼睛定位方法
• 2.1.2 基于模板匹配的方法
• 2.1.3 基于对称变换的人脸图像眼睛定位方法
• 2.2 基于统计的方法
• 2.2.1 隐马尔可夫模型（HMM）
• 2.2.2 神经网络
• 3 支持向量机
• 3.1 统计学习理论的基本问题
• 3.1.1 问题的表示
• 3.1.2 经验风险最小化
• 3.1.3 复杂性与推广能力
• 3.2 统计学习理论的核心内容
• 3.2.1 VC维
• 3.2.2 推广性的界
• 3.2.3 结构风险最小化
• 3.3 支持向量机
• 3.3.1 线性可分情况
• 3.3.2 广义最优分类超平面
• 3.3.3 线性不可分情况
• 4 样本的选取与SVM训练算法
• 4.1 样本选取
• 4.1.1 人眼样本的选取
• 4.1.2 非人眼样本的选取
• 4.2 支持向量机的训练算法
• 4.2.1 块算法
• 4.2.2 固定样本集
• 4.2.3 次序最小优化算法（SMO）
• 4.3 人眼样本训练系统的实现
• 4.3.1 样本预处理
• 4.3.2 基于SMO的人眼样本训练
• 5 基于支持向量机的人眼检测系统的实现
• 5.1 静态图像中的人眼检测
• 5.1.1 人眼检测
• 5.1.2 窗口融合
• 5.1.3 对静态人脸图像的测试
• 5.2 视频中的人眼检测
• 5.2.1 人脸检测
• 5.2.2 人眼检测
• 5.2.3 对视频文件的测试
• 5.3 结果分析
• 6 人眼跟踪
• 6.1 基于Kalman滤波的跟踪窗口预测
• 6.1.1 Kalman预测理论概述
• 6.1.2 Kalman滤波器方程
• 6.1.3 Kalman滤波器在眼睛跟踪中的应用
• 6.2 实验结果与分析
• 7 结论与展望
• 致谢
• 参考文献
• 在校期间发表论文