基于眼部特征的驾驶员疲劳检测方法研究

随着汽车保有量的持续增加,随之而来的交通事故也持续增长,大部分的交通事故是由疲劳驾驶引起的.因此研究出一种能够有效检测驾驶员疲劳的方法具有重要意义.论文主要研究了基于级联的Adaboost驾驶员面部检测算法,在检测到人脸的基础上运用SDM算法进行人脸特征点定位,然后根据PERCLOS原理来判断驾驶员是否疲劳,实验表明该方法能够准确地检测驾驶员的疲劳状态.     

基于面部行为分析的驾驶员疲劳检测方法

眼睛和嘴部状态检测是疲劳检测方法的重要步骤,但眼镜遮挡及光照变化使得眼睛状态识别效果不佳。为此,提出一种新的驾驶员疲劳检测方法。使用红外采集设备对驾驶员面部图像进行采集,通过结合AdaBoost与核相关滤波器算法进行人脸检测及跟踪。采用级联回归方法定位特征点,提取眼睛和嘴部区域。运用卷积神经网络进行眼睛和嘴部状态识别,在此基础上计算多个疲劳参数进行疲劳检测。实验结果表明,该方法在多种情况下均能准确地检测眼睛和嘴部状态,可有效地进行疲劳检测。     

基于模糊综合评价的疲劳驾驶检测算法研究

疲劳驾驶是引发交通事故的一个主要原因，对驾驶员疲劳驾驶做出准确、有效的检测和预防，具有重要的社会意义.在研究比较了前人工作的基础上，设计了一种基于机器视觉，图像处理的驾驶员疲劳检测机制.首先将传来的连续帧图像（视频）利用Adaboost算法进行人脸检测，根据人脸"三庭五眼"的分布特征分割出大致的人眼区域.在人眼定位过程中，采用OSTU阈值分割，非线性点运算和积分投影等预处理消除眉毛，并利用模糊综合评价算法对眼睛矩形区域的长宽比、拟合椭圆面积、瞳孔黑色素所占比例这3个影响因子进行分析，判别出眼睛的睁开闭合状态.最后根据PERCLOS原理对驾驶员的疲劳状态做出检测.实验结果表明，所提算法能够准确地判别出眼睛的睁闭状态及对驾驶员的疲劳状态的检测，具有较高的准确性和实用性.     

一种基于Haar小波变换的彩色图像人脸检测方法

本文提出了一种基于Haar小波变换的彩色图像人脸检测方法.首先进行彩色空间的变换,检测出图像中的肤色区域;利用Adaboost算法训练出的基于Haar小波变换的检测器对该区域进行人脸检测;建立眼睛颜色模型,并根据眼睛、嘴在不同分量上的分布特征,将它们从人脸区域中提取出来;最后融合眼睛、嘴候选区域的信息,利用特征不变的方法进行眼睛和嘴的确定.实验结果表明,该方法能够快速有效地检测出人脸,并能够确定眼、嘴的位置.     

基于Adaboost的红外视频图像疲劳检测算法

针对以往疲劳检测算法普遍存在的受光照条件影响大、检测测速度慢以及可靠性差等问题,本文提出了一种基于Adaboost的疲劳表情快速检测算法。本文算法在不同环境光照的情况下,利用红外光源照明采集获得大量人脸红外图像样本。经过人脸检测定位以后,将人脸区域中眼睛、嘴巴这两个表情信息最集中的关键部位分割出来,用PCA方法分别提取两个子图块的形变特征,分别输入Adaboost训练得到两个分类器。检测时,待检测图像眼、嘴的特征分别通过相应分类器进行判别,将两个分类器的输出进行或运算得到最终的检测结果。该方法正确率高,速度快,具有很好的泛化能力和较强的鲁棒性,能够满足实时应用要求。     

疲劳驾驶状态检测系统的设计

司机疲劳驾驶容易引起严重的交通事故,疲劳状态检测系统的研究成为计算机应用研究的重要领域.为了满足疲劳状态检测系统实时性要求,选择实时性较好的Adaboost算法来识别人眼,采用单位时间内眼睛闭合时间所占的百分率来判断疲劳状态,应用该算法后进行疲劳驾驶训练和识别研究.选择DSP移植方案并将疲劳状态检测算法移植到DSP中.经过实时检测实现的系统基本能满足实时检测疲劳驾驶的要求.     

基于Adaboost算法的人眼检测中样本选择研究

人眼检测在表情识别和人脸识别中起着非常重要的作用,是驾驶员疲劳检测的基础。采用了基于Adaboost算法的人眼检测的方法,训练阶段中的样本选择是Adaboost算法的关键,分析和讨论了训练阶段不同特征的正、负样本对最终检测结果的影响,提出了一种新型的负样本选择方法,并实验得到了各种样本训练生成的分类器对人脸库的检测率和误检率,得出用去除眼睛部分余下的人脸作为负样本训练出来的分类器能有效降低误检率,为以后的眼睛分类器训练提供了实验依据。     

基于Adaboost算法的人眼检测中样本选择研究

人眼检测在表情识别和人脸识别中起着非常重要的作用,是驾驶员疲劳检测的基础。采用了基于Adaboost算法的人眼检测的方法,训练阶段中的样本选择是Adaboost算法的关键,分析和讨论了训练阶段不同特征的正、负样本对最终检测结果的影响,提出了一种新型的负样本选择方法,并实验得到了各种样本训练生成的分类器对人脸库的检测率和误检率,得出用去除眼睛部分余下的人脸作为负样本训练出来的分类器能有效降低误检率,为以后的眼睛分类器训练提供了实验依据。     

基于YCbCr肤色检测与Adaboost联级算法的嘴部特征定位*

为了结合面部其它融合特征研究疲劳状态模式识别,本文主要研究了人的嘴部特征的定位及状态分析。首先,对基于YCbCr肤色结合Adaboost联级算法采集帧图像定位人脸;其次,在人脸定位的基础上,基于“三庭五眼”的先验知识对嘴部特征进行粗定位;接着,采用迭代法自适应阈值分割法进行嘴部特征状态分析;最后,利用最小外接法优化了嘴部状态参数。结果表明,本文提出的嘴部特征定位方法具有可行性、实时性。     

复杂背景下人眼的快速定位

采用基于改进Adaboost算法的级联式人脸和人眼分类器检测人脸和眼睛的候选位置,再用支持向量机（SVM）分类器验证并确定人眼的最佳位置;实现了在复杂背景图像中快速、准确的眼睛定位.与传统的Adaboost算法相比,改进的Adaboost算法构建分类器所需的特征数目大大减少,提高了眼睛定位速度;同时利用人脸几何特征的SVM分类器验证,提高了定位精度.实验结果表明该算法具有很好的精确性和实时性.     

基于高斯眼白模型的疲劳驾驶检测

目的 为解决疲劳驾驶检测中人眼状态识别的难点,提出一种基于眼白分割的疲劳检测方法。方法 首先对获取图像进行人脸检测,利用眼白在Cb-Cr上良好的聚类性,基于YCbCr颜色空间建立高斯眼白分割模型;然后在人脸区域图像内做眼白分割,计算眼白面积;最后将眼白面积作为人眼开度指标,结合PERCLOS（percentage of eyelid closure over the pupil over time）判定人的疲劳状态。结果 选取10个短视频进行采帧分析,实验结果表明,高斯眼白分割模型能有效分离眼白,并识别人眼开合状态,准确率可达96.77%。结论 在良好光线条件下,本文方法能取得不错的分割效果;本文所提出的以眼白面积作为判定人眼开度的指标,能准确地判定人的疲劳状态。实验结果证明了该方法的有效性,值得今后做更深入的研究。     

基于Adaboost方法的实时人眼定位

人眼定位在基于机器视觉的疲劳检测系统中起着至关重要的作用。该文介绍了Adaboost方法在人眼定位中的应用,首先描述了Adaboost的基本思想,使用人脸分类器对人脸进行定位,之后在人脸定位的基础上使用人眼分类器最终定位人眼,实现了实时的人眼定位。     

红外图像的疲劳状态识别方法

为了解决光照变化对疲劳检测系统造成的识别准确性不高的问题,提出了一种近红外环境下判断人眼状态的方法,即针对红外光补图像的人眼状态判断;首先,利用Adaboost算法进行人眼区域定位,在网格法标记人眼瞳孔部分的基础上,采用Retinex算法对红外图像进行增强;接着,结合“亮瞳效应”特性,对二值化以及边缘检测后的红外图像分别进行网格法闭合度计算,得到人眼闭合度大小;最后,根据闭合度计算结果设定双阈值并结合PERCLOS准则来判断人眼特征状态;另外,在DM642硬件平台上进行疲劳检测试验,实验结果表明,该方法的人眼状态识别率达到了90%以上,且平均每秒能处理21帧图片;证明了该方法不仅能有效解决光照变化带来的问题,而且满足疲劳状态检测系统的快速性、准确性和有效性等要求。     

基于Adaboost算法的人眼状态检测

人眼检测在表情识别和人脸识别中起着非常重要的作用,作为一种预处理的手段,人眼检测和定位可以有效地提高表情识别和人脸识别的识别率.提出了一种基于Adaboost算法的实时人眼状态检测的方法.Adaboost是一个构造准确分类器的学习方法.它将一簇弱分类器通过一定的规则结合成为一个强分类器,再把这些强分类器级联成为一个快速、准确的分类器.分析和讨论训练阶段不同的人眼特征选择对最终检测的影响,并实验测试各种特征方法对特定目标的检测率,给出一个理想的分类器.     

驾驶员疲劳驾驶中的眼睛定位创新算法

通过人眼图像来检测驾驶员疲劳驾驶是目前的主流方向,面部及眼睛定位是其中关键的环节。提出了一种新颖的精确定位眼睛的方法。该方法由两部分组成：第一部分,通过肤色聚类分割算法将人脸区域分割,对分割图进行几何过滤,对得到的候选人脸区域中的孔洞计算质心点找到可能的人眼对;第二部分,在检测到人脸区域和眼睛大致位置的基础上,结合提出的眼睛模型,采用新的Hough变换椭圆检测算法精确定位人眼的位置。实验证明所提出的算法是快速可靠的。     

一种基于Haar小波变换的彩色图像人脸检测方法

本文提出了一种基于Haar小波变换的彩色图像人脸检测方法。首先进行彩色空间的变换,检测出图像中的肤色区域;利用Adaboost算法训练出的基于Haar小波变换的检测器对该区域进行人脸检测;建立眼睛颜色模型,并根据眼睛!嘴在不同分量上的分布特征,将它们从人脸区域中提取出来;最后融合眼睛!嘴候选区域的信息,利用特征不变的方法进行眼睛和嘴的确定。实验结果表明,该方法能够快速有效地检测出人脸,并能够确定眼!嘴的位置。     

一种改进的Adaboost人脸检测方法

针对现有基于粒子群（PSO）策略的Adaboost人脸检测方法没有考虑到PSO容易陷入局部最优且后期收敛速度较慢的问题,提出一种改进的Adaboost人脸检测方法。该方法将自适应逃逸粒子群（AEPSO）~I入传统Adaboost人脸检测中,利用粒子表达Haar-Like矩形特征,从而将特征选择和分类器构建转化为AEPSO问题进行解决。基于Matlab仿真实验的结果表明,改进后的方法具有较好的检测性能。     

基于眼部特征的疲劳检测算法

PERCLOS值因其良好的非接触性和准确性而被广泛应用于疲劳检测,但通常只采用一种PERCLOS标准.针对这种情况,该文提出眼睛持续闭合时间和动态 PERCLOS 值两个参数进行疲劳检测.该算法首先利用Haar-like 分类器和 Adaboost 算法进行人脸检测和定位;然后利用人脸结构特征缩小人眼的搜索区域,进一步利用 Adaboost 算法定位人眼,避免了眉毛的影响;最后采用图像形态学等图像处理方法获取人眼的垂直高度即上下眼帘的距离,判断人眼是否闭合.在疲劳预测阶段,分时间段采用不同的 PERCLOS 值标准进行判断.该算法对每秒10帧视频帧中的人眼定位准确率达到86.14%,并达到实时性要求,能够提高预测疲劳驾驶的准确性.