基于人眼检测的驾驶员疲劳状态识别技术

论文摘要

随着我国居民汽车保有量的不断增长,道路交通安全问题就变得越来越突出。而在各种导致交通事故的因素中,驾驶员的疲劳驾驶是非重要的一种。因此如何能快速有效的判断驾驶员的疲劳状态就成了解决这一问题的重要方法。本文就是通过计算机视觉的方法对驾驶员的眼部状态进行识别,从而判断驾驶员是否疲劳。首先本文利用AdaBoost算法对人脸进行检测,然后结合找到的人脸区域,进一步使用该算法进行人眼的检测。这样可以就解决人眼检测的误识率高的问题。实验证明了这种两次检测相结合的方法要比只使用一次检测方法的效果好,而所增加的代价却很低。尽管AdaBoost算法速度快、误识率低,但其存在的漏检问题会降低检测系统的可靠性。为了解决这一问题,本文在利用AdaBoost算法进行识别的同时还使用了Kanade-Lucas光流算法对人眼区域进行实时跟踪,从而消除了由AdaBoost算法漏检所造成的潜在危险。通过实验证明,该算法可以与AdaBoost算法进行有效的互补,从而提高了系统的鲁棒性,因而使得该系统具有更强的实用性。确定人眼区域后,本文使用阈值分割和Freeman链码的方法对人眼轮廓进行提取,然后对所找到的轮廓进行椭圆拟合。为了确定不同状态下人眼椭圆的临界值,本文进行了大量实验统计,并据此结果来判断人眼的疲劳状态。当检测到人眼处于疲劳或闭合状态时,系统就会触发声音报警装置,并以此提醒驾驶员的注意。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景
• 1.2 课题研究的目的和意义
• 1.3 国内外对疲劳驾驶检测的研究现状及分析
• 1.3.1 国外的研究现状
• 1.3.2 国内的研究现状
• 1.4 基于计算机视觉的疲劳状态检测的主要方法
• 1.5 论文的研究内容及组织
• 第2章 人脸及人眼检测的AdaBoost 算法
• 2.1 图像表示
• 2.1.1 Haar-Like 特征
• 2.1.2 Haar-Like 特征的快速计算
• 2.2 AdaBoost 算法
• 2.2.1 AdaBoost 算法概述
• 2.2.2 AdaBoost 算法的训练过程
• 2.3 级联分类器
• 2.3.1 级联分类器的原理及实现
• 2.3.2 级联分类器的误差分析
• 2.4 检测结果与分析
• 2.4.1 仅对人眼使用AdaBoost 算法检测的结果与分析
• 2.4.2 同时对人脸和人眼使用AdaBoost 算法的检测结果
• 2.5 本章小结
• 第3章 基于Kanade-Lucas 算法的人眼跟踪技术
• 3.1 角点的检测
• 3.1.1 角点的概念
• 3.1.2 角点检测算法
• 3.2 利用K-L 光流算法进行角点跟踪
• 3.3 人眼跟踪实现与分析
• 3.4 本章小结
• 第4章 人眼状态检测
• 4.1 人眼轮廓提取
• 4.1.1 阈值化处理
• 4.1.2 利用Freeman 链码寻找轮廓
• 4.2 基于轮廓的人眼状态分析
• 4.2.1 椭圆拟合
• 4.2.2 人眼状态判断
• 4.3 本章小结
• 第5章 人眼疲劳状态识别实验
• 5.1 实验的系统构成
• 5.1.1 系统软硬件框架构成
• 5.1.2 实验系统软件界面
• 5.2 基于AdaBoost 算法检测实验
• 5.2.1 AdaBoost 级联分类器训练
• 5.2.2 AdaBoost 算法检测的实验结果
• 5.3 人眼跟踪实验
• 5.4 人眼状态检测在汽车安全驾驶中的应用实验
• 5.5 本章小结
• 结论
• 参考文献
• 致谢