基于AAM的驾驶员疲劳检测系统的研究与实现

论文摘要

基于计算机视觉的辅助驾驶系统,在提高汽车的主动安全性能和减少交通事故方面有着广阔的应用前景。驾驶员疲劳检测系统从避免疲劳驾驶入手,能够有效的检测驾驶员疲劳程度,进而进行预警,从而减少交通事故,保障行驶安全,具有重要的现实意义。本文基于视觉就驾驶员疲劳检测技术展开研究,在对国内外有关疲劳检测技术的现状进行了系统分析的基础上,设计了一种基于主动表观模型AAM (Active Appearance Model)模型的驾驶员疲劳检测系统。本文在对输入图像进行肤色过滤之后,运用Adaboost算法检测出人脸和眼睛,再运用AAM模型定位出面部特征点,然后对面部特征点运用LK光流算法进行跟踪。在跟踪过程中,使用AAM模型来对跟踪结果进行调整,消除跟踪算法产生的累计跟踪飘移。在特征提取阶段,本文选取了眼睛和嘴部提取特征,确定眼睛边缘后,计算上下眼睑高度差,然后确定眼睛的睁闭状态,最后根据眼睛状态计算PERCLOS值等相关指标,同时根据AAM中嘴部的特征点,记录打哈欠次数。最后根据这些指标判断是否产生疲劳。最后本文实现了原型系统,并使用典型视频数据进行了测试,测试结果表明：采用AAM和Adaboost联合的方法的驾驶员疲劳检测系统能够准确地检测出驾驶员的疲劳。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题提出的背景及意义
• 1.2 疲劳驾驶相关研究介绍
• 1.2.1 疲劳预防
• 1.2.2 疲劳检测
• 1.3 疲劳检测国内外研究现状及发展趋势
• 1.3.1 国外研究现状
• 1.3.2 国内研究现状
• 1.3.3 发展趋势
• 1.4 疲劳检测技术难点和论文主要内容
• 1.4.1 疲劳检测技术难点
• 1.4.2 论文主要内容
• 1.5 论文组织结构
• 第2章 疲劳检测相关技术
• 2.1 相关领域理论基础
• 2.1.1 数字图像处理
• 2.1.2 机器视觉
• 2.1.3 机器学习
• 2.2 基于视觉的疲劳检测常用方法
• 2.2.1 人脸检测方法概述
• 2.2.2 人眼检测方法
• 2.2.3 Adaboost算法简介
• 2.3 本章小结
• 第3章 基于视觉的疲劳检测关键技术研究
• 3.1 基于肤色分割和Adaboost算法的人脸检测
• 3.1.1 肤色分割
• 3.1.2 基于Adaboost算法的人脸检测
• 3.2 基于AAM的眼睛区域提取和嘴部状态提取
• 3.2.1 AAM算法起源
• 3.2.2 基于AAM的面部表观模型的建立
• 3.2.3 基于AAM的面部拟合匹配
• 3.2.4 反向合成算法在面部拟合匹配中的应用
• 3.2.5 眼睛区域提取和嘴部状态提取
• 3.3 基于边缘图像的眼睛状态提取
• 3.3.1 对数变换在边缘提取中的作用
• 3.3.2 提取眼睛边缘和确定眼睑高度差
• 3.4 本章小结
• 第4章 原型系统的设计与实现
• 4.1 原型系统设计
• 4.1.1 原型系统结构
• 4.1.2 原型系统算法流程
• 4.2 图像预处理
• 4.2.1 彩色图像人脸粗定位
• 4.2.2 灰度图像直方图均衡化
• 4.3 面部特征点定位
• 4.3.1 人脸检测
• 4.3.2 人眼检测
• 4.3.3 AAM面部拟合匹配定位
• 4.4 面部特征点跟踪
• 4.4.1 基于图像金字塔光流方法的面部特征点跟踪
• 4.4.2 特征点跟踪的实现
• 4.5 疲劳程度判定
• 4.5.1 判断疲劳的指标
• 4.5.2 眼睛睁闭状态确定
• 4.5.3 嘴部状态确定
• 4.5.4 疲劳判定方法
• 4.5.5 丢失帧对疲劳判断的影响
• 4.6 本章小结
• 第5章 实验结果与分析
• 5.1 检测率和误检率测试
• 5.1.1 不同光照条件下的检测率和误检率
• 5.1.2 不同头部姿态下的检测率和误检率
• 5.2 性能测试
• 5.3 疲劳判断测试
• 5.4 本章小结
• 第6章 总结与展望
• 6.1 本文工作总结
• 6.2 未来工作展望
• 参考文献
• 致谢