基于非接触式驾驶人疲劳实时检测方法研究

论文摘要

驾驶人疲劳驾驶是引发交通事故的一个重要原因,研究出一套能够实时检测驾驶人疲劳并且给出报警的方法有着巨大的现实意义和应用前景。在生物识别技术、机器视觉技术的基础上,本文从疲劳的生理特征出发,对驾驶人的疲劳程度进行了分级,并通过驾驶人的眼睛状态对驾驶人的疲劳状态程度进行检测,而后进行相应的报警,并设计和搭建了驾驶人疲劳状态检测系统。首先建立多种光照环境和精神状态下不同驾驶人的疲劳视频库,通过对视频实验的分析建立疲劳分级模型,而后通过对驾驶人视频帧的处理提取驾驶人眼部的轮廓形状特征(伪Zernike矩特征、小波描述子特征和Procrustes形状特征),采用基于格贴近度的多种类型特征融合的方法对人眼状态进行判断,之后采用信息融合技术将多种疲劳指标(PERCLOS、平均眨眼频率、持续闭眼时间、持续睁眼时间、平均睁闭眼的占空比、闭眼时间的方差均值)相互融合,对驾驶人的疲劳状态做出判断;最后,根据疲劳程度的级别及时给出相应级别的语音和视觉的报警,并对相应的参量进行保存。经实验表明,系统能够实时准确地定位人眼及检测眼睛的开闭状态,有效地检测驾驶人的疲劳程度,同时给出相应级别的语音和视觉的报警,计算速度可以满足视频信息处理的需要。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景及问题的提出
• 1.2 认知疲劳
• 1.2.1 疲劳的概念
• 1.2.2 疲劳的外在表现
• 1.2.3 驾驶人的疲劳及其主要原因
• 1.2.4 疲劳测定的基本要求
• 1.2.5 疲劳驾驶
• 1.3 疲劳的研究现状
• 1.3.1 基于眼部状态的疲劳检测方法
• 1.3.2 基于非眼部状态的疲劳检测方法
• 1.4 现有研究存在的问题
• 2 系统设计
• 2.1 本文的研究内容
• 2.2 系统设计
• 2.2.1 系统流程图
• 2.2.2 硬件环境
• 2.2.3 软件环境
• 3 人眼状态的判断
• 3.1 图像特征提取的分析
• 3.2 人眼状态研究现状
• 3.3 本文人眼状态方法的提出
• 3.4 图像预处理
• 3.4.1 本文的预处理方案
• 3.4.2 灰度化
• 3.4.3 高斯去噪
• 3.4.4 边缘检测
• 3.4.5 迭代极小误差平方和二值化
• 3.4.6 行列扫描线轮廓检测
• 3.5 人眼状态的特征提取
• 3.5.1 小波描述子特征
• 3.5.2 伪Zernike矩特征
• 3.5.3 Procrustes形状特征
• 3.6 人眼状态的判断
• 3.6.1 人眼内部形状空间域特征
• 3.6.2 格贴近度
• 3.6.3 欧氏距离特征的计算
• 3.6.4 特征的均值
• 3.6.5 多特征融合人眼状态判断
• 3.7 试验结论与分析
• 4 疲劳的检测
• 4.1 疲劳实验素材的获取
• 4.2 疲劳等级划分
• 4.3 疲劳参数
• 4.3.1 PERCLOS
• 4.3.2 平均眨眼频率（AECF）
• 4.3.3 持续闭眼时间（TClose）
• 4.3.4 持续睁眼时间（TOpen）
• 4.3.5 平均睁闭眼的占空比（DutyCycle）
• 4.3.6 闭眼时间的方差均值（AECCov）
• 4.4 疲劳的判定
• 4.5 疲劳实验实例
• 4.6 疲劳报警
• 4.6.1 语音报警
• 4.6.2 视觉报警
• 5 系统的实验分析与性能提升
• 5.1 系统功能介绍
• 5.1.1 图像处理模块
• 5.1.2 视频处理模块
• 5.2 系统实验分析与存在的不足
• 5.3 多线程与系统性能的提升
• 5.3.1 进程与线程
• 5.3.2 MFC多线程和线程同步
• 5.3.3 多线程与系统的性能提升
• 6 总结与展望
• 6.1 工作总结
• 6.2 工作展望
• 致谢
• 参考文献