首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到19条相似文献,搜索用时 136 毫秒
1.
对拍摄得到的驾驶员视频帧图像,使用复合肤色模型检测人脸;通过自适应边缘检测、图像增强等方法处理得到特征图像,经特征区域筛选,依据人脸先验知识匹配得到最佳人眼对;提取眼部特征向量,结合LVQ神经网络进行模式识别检测眼部状态,为判断驾驶员是否处于疲劳状态提供判据。  相似文献   

2.
利用驾驶员眼睛的状态判断驾驶员的疲劳状况是一种实时的、非接触式的方法。首先对眼睛进行精确定位,再根据眼睛面积的减小程度来判断眼睛的睁开或闭合状态,进一步通过记录眼睛闭合的次数、眼睛持续闭合的时间来检测驾驶员是否处于疲劳状态。本文采用肤色分割、去除与边界连通的区域、逐步减小眼睛区域候选范围的方法来定位人眼,再计算眼睛区域的面积,眼睛闭合时间,此方法不受复杂背景影响,对各种肤色、各种姿态的人脸均适用。  相似文献   

3.
眼睛状态是人体疲劳最主要和最明显的特征.本文采用肤色和Adaboost方法相结合来进行人脸检测,并在此基础上结合人脸结构的边缘特征及Adaboost方法对眼睛进行精确定位,运用自适应二值化和数学形态学的方法对检测出的图像进行处理提取眼睛状态特征,结合PERCLOS规则及点头率来进行疲劳状态的判定,实验表明,该方法鲁棒性强,速度快,满足人脸疲劳检测的实时性要求.  相似文献   

4.
基于面部表情识别的学习疲劳识别和干预方法   总被引:1,自引:0,他引:1  
针对网络学习者经常出现的身体或心理上的疲劳或疲惫情绪状态即"学习疲劳"状态,提出了一种基于面部表情识别的学习疲劳识别和干预方法.考虑到网络学习的特点,定义了专注、疲劳和中性3种与学习相关的表情,利用一种基于肤色分割和模版匹配相结合的人脸检测算法检测出网络学习者的人脸区域,然后根据建立的人脸表情面部模型对学习者的面部特征进行提取,主要包括眼睛特征和嘴巴特征,最后采用基于规则的表情分类方法,识别出学习者是否处于学习疲劳状态,并采取相应的情感干预措施.实验结果表明,该方法能够快速识别网络学习者是否处于学习疲劳状态,实现实时学习疲劳干预.  相似文献   

5.
人眼特征点的快速准确提取是利用视觉方法对驾驶员的驾驶状态进行监测和警告的重要环节.本文利用ASM(主动形状模型)找到进行人眼特征提取的感兴趣区域,对此区域进行肤色分割并提取人眼特征点.实验结果表明,该方法具有很好的可靠性和实时性,为驾驶员疲劳检测的研究奠定了良好的基础.  相似文献   

6.
针对车载疲劳驾驶检测的应用,设计了基于TMS320DM642嵌入式平台的疲劳检测系统。首先在YCbCr空间进行肤色分割,之后采用基于人眼特征的改进混合投影算法定位人眼区域,然后计算人眼区域的高度并判断人眼的睁闭状态,最后利用PERCLOS算法对疲劳程度做出检测。实验结果表明,该系统准确率高、实时性好,能很好地满足车载疲劳驾驶检测的需要。  相似文献   

7.
使用预先训练得到的肤色高斯模型进行肤色检测,容易受到环境影响.为了提高肤色检测的性能和精度,提出一种与局部模型相结合的自适应肤色模型检测方法.在YCgCr颜色空间中使用高斯模型对图像进行肤色分割,并利用初次检测到的肤色区域像素数据建立局部模型,估计出模型参数.把局部模型与预先训练得到的参数相结合,得到自适应的肤色模型.实验表明,该方法和单独的肤色高斯模型相比,提高了在不同背景和光照下肤色检测正确率.  相似文献   

8.
司机疲劳驾驶实时检测系统设计   总被引:1,自引:0,他引:1  
司机疲劳驾驶实时检测系统在实际应用中有很重要的意义.设计了一个利用图像分析的方法,通过测量PERCLOS指标值来进行疲劳判断的该类系统.系统首先对图像进行预处理,然后采用基于YCbCr颜色空间肤色模型进行人脸粗定位,根据人脸特征,逐次进行人眼区域缩小;最后通过对边缘信息进行先验知识结合积分投影的方法进行人眼定位和闭合度测量.考虑到视频图像序列帧与帧之间的相关性,采用线性运动预测的方法对人眼进行跟踪,减少了系统的运算量.实验结果表明系统能实时、准确地反映司机的疲劳状态.  相似文献   

9.
基于肤色检测的人耳图像去噪方法   总被引:1,自引:0,他引:1  
针对人耳图像中存在的噪声问题,提出一种基于肤色检测的人耳图像去噪方法.利用在HSI色彩空间下的肤色检测将人耳图像分割成肤色区域和非肤色区域,将被肤色区域包围的非肤色区域判别为噪声区域,并利用修复算法修复此区域.实验结果表明,该方法可以有效去除噪声,能较好保留边缘等重要信息,并具有算法简单、处理速度快等优点.  相似文献   

10.
提出一种新的适用于驾驶中视觉疲劳实时检测的人脸定位及眼睛状态分析算法。采用差分法快速找到视频图像中的目标运动区域,结合YCbCr色彩空间进行肤色分割定位人脸。对脸部区域进行灰度积分投影并结合Hough变换检测眼睑。对检测到的眼睑进行数据分析,得到眼睛开闭情况,结合眨眼分析,获得EOD值来判断驾驶员是否疲劳。实验结果显示该方法能在复杂背景下快速定位人脸,检测到眼睛睁开时的EOD值,满足视觉疲劳检测的实时需要。  相似文献   

11.
本文将卷积神经网络(Convolutional Neural Network,CNN)应用到视频理解中,提出一种基于多面部特征融合的驾驶员疲劳检测算法.本文使用多任务级联卷积网络(Multi-Task Cascaded Convolutional Networks,MTCNN)定位驾驶员的嘴部、左眼,使用CNN从驾驶员嘴部、左眼图像中提取静态特征,结合CNN从嘴部、左眼光流图中提取动态特征进行训练分类.实验结果表明,该算法比只使用静态图像进行驾驶员疲劳检测效果更好,准确率达到87.4%,而且可以很好地区别在静态图像中很相似的打哈欠和讲话动作.  相似文献   

12.
驾驶员的疲劳驾驶是造成交通事故的重要因素,为了实时有效地检测驾驶员的驾驶状态,设计了一种融合多种疲劳特征进行疲劳状态判定的检测算法,并构建了车载的基于现场可编程门阵列(FPGA)的嵌入式检测平台。该多检测算法融合了眼睛和嘴巴的疲劳特征,当某一特征的检测受到影响时可以使用另外的特征进行疲劳状态的判定,较传统的单一特征疲劳检测算法拥有更高的检测效率。实验结果表明:系统的算法简单、可靠、实时性强。  相似文献   

13.
针对现有疲劳驾驶检测算法实用性差或准确率低的问题,本文提出了一种基于深度学习的疲劳驾驶检测算法.首先,使用HOG (Histogram of Oriented Gradient)特征算子检测人脸的存在;其次,利用特征点模型实现人脸的对齐,同时实现眼睛、嘴巴区域的分割;最后通过深度卷积神经网络提取驾驶员的眼部疲劳特征,并融合驾驶员嘴部的疲劳特征进行疲劳预警.大量的实验表明,该方法在疲劳驾驶检测的准确率、实时性等方面都取得明显的性能提升.  相似文献   

14.
娄平  杨欣  胡辑伟  萧筝  严俊伟 《计算机工程》2021,47(7):13-20,29
现有疲劳驾驶检测方法通常将驾驶过程中采集的数据传输至云端进行分析,然而在车辆移动过程中网络覆盖范围、响应速度等因素会造成检测实时性差。为在车载嵌入式设备上对驾驶人疲劳状态进行准确预警,提出一种基于边缘计算的疲劳驾驶检测方法。通过改进的多任务卷积神经网络确定人脸区域,根据人脸的面部比例关系定位驾驶人的眼部与嘴部区域,利用基于Ghost模块的轻量化AlexNet分类检测眼部与嘴部的开闭状态,并结合PERCLOS和PMOT指标值实现疲劳检测。在NHTU-DDD数据集上的实验结果表明,该方法在树莓派4B开发板上的检测准确率达到93.5%且单帧平均检测时间为180 ms,在保障检测准确率的同时大幅降低了计算量,能较好地满足疲劳驾驶的实时检测需求。  相似文献   

15.
疲劳驾驶研究中,面部关键特征精确定位与跟踪是个难点。提出了一种基于主动形状模型ASM和肤色模型的疲劳驾驶检测方法。首先,利用肤色模型检测到人脸区域为ASM提供初始定位;然后基于ASM进行人眼和嘴巴跟踪获得眼睛与嘴巴区域;再利用Canny算子对两个区域精确定位,获得疲劳检测参数;最后根据PERCLOS方法实现疲劳检测。考虑到基于HSV颜色模型的人脸检测不受姿势和角度的影响,但容易受到背景干扰,而ASM的优点是人脸关键点跟踪效果好,但初始定位困难,将二者结合实现了眼睛与嘴巴精确定位与跟踪。实验表明,眼睛检测准确率可以达到90.7%,哈欠检测准确率可以达到83.3%,疲劳检测准确率达到91.4%。  相似文献   

16.
目前疲劳预警算法多采用实时监测报警的方式,这在高速行驶中具有很大的安全隐患。鉴于人类疲劳状态的时序相关性,提出一种基于面部动作时空特征提取的预警算法。首先,构建加入空间变换结构的卷积神经网络,识别人脸区域,对脸部特征点进行检测标记;其次,建立时空特征提取网络,利用采集的人脸图像序列,对未来图像序列进行预测并输出;最后,在输出的图像序列中根据眼部、嘴部综合状态判断是否发出警告。实验结果表明,以15 fps的速率采集图像,预测未来2 s 30帧图像的方式下,该算法能以90%以上的准确率提前26帧(约1.5 s)预警,且提前15帧(1 s)预警的准确率达到97%。在我国高速公路平均100 km/h的车速下,相当于提前40 m预警,能进一步减少交通事故的发生。  相似文献   

17.
通过网络摄像头获取驾驶员面部视频输入网络进行检测的方法主要通过分析驾驶员口型等面部表情来判断是否疲劳驾驶,但说话等很多类似的状态也被误检为疲劳。针对以上问题提出了一种基于时序性面部动作信息的检测框架,对驾驶员状态进行检测,从而提高检测准确率、降低误检率。该框架通过检测视频中的脸部轮廓,提取脸部的多种特征,形成面部动作单元;通过训练对应的LSTM网络,形成时序性的面部动作单元,根据其相关性进行多种动作单元融合,检测最终驾驶员的状态。在公共YawDD数据集上的检测结果表明,相比于现有的方法,该检测方法的准确率提高到了93.1%,同时大幅降低了疲劳状态的误检率。  相似文献   

18.
疲劳驾驶检测具有重要的警示作用,对检测方法的准确性和实时性均有较高要求。为此,提出了一种基于卷积神经网络的疲劳驾驶检测方法。首先,针对车内特定使用环境,对MTCNN算法进行了加速优化,在保证高准确率的同时检测速度提升高达27倍。其次,在实现人脸特征点精确定位基础上,提出了一种基于稀少特征点快速准确提取目标区域图像的ERFP(extracting images based on rare feature points)方法。再次,利用构建的眼、嘴数据集EMSD(eye and mouth state date sets)完成了眼、嘴部状态分类模型的训练。最终,利用训练得到的模型,结合相应的判定算法,实现了疲劳驾驶的检测判定。实验结果表明,该方法在实车环境下对瞌睡和哈欠行为的判定准确率均达到了96%以上,且每秒可完成约50帧图像的检测,具备良好的实时性。  相似文献   

19.
针对疲劳分析中哈欠检测具有嘴角点定位困难、嘴巴张开大小及持续时间因人而异的特点,提出一种基于嘴巴内轮廓角点检测与曲线拟合的哈欠检测方法。首先利用角点检测获取嘴巴内轮廓上的若干点,对这些点进行曲线拟合建立嘴唇内轮廓数学模型;然后再对张口度曲线进行时间维度的分析,对哈欠进行二次判决。实验结果表明,该方法不仅能够更精确地获取开口度的大小,而且还能够降低哈欠的误检率。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号