驾驶员眼睛疲劳状态检测技术研究

在判断驾驶员疲劳状态时,应首先对眼睛进行精确定位,再根据眼睛面积的减小程度、持续闭合的时间、闭合频率来判断眼睛疲劳状态。在进行人眼定位时,采用在RGB空间进行肤色分割、去除与边界连通的区域的方法,再结合形状验证法逐步减小眼睛区域候选范围,然后,计算眼睛区域的面积、持续闭合时间。实验证明:这种方法在定位人眼时,简单快速,且不受人脸背景、人脸肤色、姿态的影响。     

基于DSP的疲劳驾驶实时监测系统研究

较为理想的非接触式检测眼睛疲劳程度的方法是通过摄像技术获取眼部的动态图像，利用累积差分帧和Hough变换等实时图像处理技术来检测、跟踪眼睛，分析眼睛的状态和提取眼睛的特征参数，在一定的时间内连续统计眼睛的闭合时间，计算出PERCLOS值来判断疲劳程度并采取相应的措施。把眼睛检测及跟踪算法移植到专用DSP上，最终开发出疲劳驾驶的嵌入式实时监测系统。实验结果表明，本系统的算法简单、快速、鲁棒性强。     

基于DSP的疲劳驾驶实时监测系统研究

较为理想的非接触式检测眼睛疲劳程度的方法是通过摄像技术获取眼部的动态图像,利用累积差分帧和Hough变换等实时图像处理技术来检测、跟踪眼睛,分析眼睛的状态和提取眼睛的特征参数,在一定的时间内连续统计眼睛的闭合时间,计算出PERCLOS值来判断疲劳程度并采取相应的措施。把眼睛检测及跟踪算法移植到专用DSP上,最终开发出疲劳驾驶的嵌入式实时监测系统。实验结果表明,本系统的算法简单、快速、鲁棒性强。     

一种眼睛定位和状态分析方法

基于计算机视觉处理的方式大多都是通过分析眼睛的状态来判断驾驶员的疲劳状态,其中,眼睛的精确定位和眼睛状态的准确分析是关键环节。提出一种有效的眼睛精确定位和眼睛状态分析方法,通过在自然环境下先检测出人脸,然后进行眼睛的精准定位和眼睛状态分析。首先,使用等亮度线方法进行眼睛区域精确定位和图像预处理,然后使用数学形态学方法分析眼睛的状态。实验结果表明,该方法能很好地反应出眼睛的变化状态,有较高的准确性,能满足疲劳检测的应用要求。     

Kalman滤波和Mean Shift算法在疲劳预警系统中的应用

为了预防交通事故的发生,针对驾驶员在驾驶过程中出现疲劳现象,重点对驾驶员眼睛的检测与跟踪的算法进行了研究与改进。通过人的肤色检测出人脸,通过AdBoost算法检测到眼睛,基于Kalman滤波和Mean Shift算法相结合的方法,能够在眼睛部分被遮挡或者眼睛闭合的情况下,在疲劳预警系统中实时地跟踪驾驶员眼睛,准确地判断眼睛的位置。     

基于深度学习和面部多特征融合的驾驶员疲劳检测研究

驾驶员疲劳驾驶是造成交通事故的重要原因之一。本文提出了基于深度学习和面部多特征融合的驾驶员疲劳检测研究方法。首先采用多任务级联卷积神经网络MTCNN（Multi-task convolutional neural network)结构进行面部检测和特征点定位,并利用Dlib工具包中的面部68个地标,提取驾驶员面部的特征参数;其次,基于眼睛纵横比（EAR）,眼睛闭合百分比（PECLORS）和嘴巴高宽比（ MAR）的值按不同的权值相加得到参数M,在一定时间内累加M>0.605的帧数判断驾驶员疲劳的程度。最后,试验结果表明：本方法能够有效地利用视频图像实时检测驾驶员疲劳状态,其准确率和灵敏度分别为93.1%和90.2%,对于保护驾驶员及车辆行驶安全具有重大意义。     

驾驶员疲劳检测系统研究综述

实时检测驾驶员的状态,可以避免大量交通事故的发生.通过机器视觉技术可以识别出驾驶员眼睛张开闭合状态,判断驾驶员是否疲劳.基于视频图像分析的驾驶员疲劳检测方法成为当前研究的一个重要方向.本文对国内外驾驶员疲劳检测方法及发展趋势进行了综述.     

基于TMS320DM6446和Adaboost算法的防疲劳驾驶系统的研究

本文设计了一种基于TMS320DM6446的防疲劳驾驶报警系统,考虑到防疲劳驾驶报警系统实时性的要求,此处选择实时性较好的Adaboost算法来识别定位人眼,进而分析眼睛的状态和提取眼睛的特征参数。最后,根据单位时间内眼睛闭合时间所占得百分比的PERCLOS值方法来判断驾驶员的疲劳程度,用蜂鸣器来报警,以提醒驾驶员。实验表明,该报警系统简单实用,实时性和准确性较好,能有效地进行防疲劳驾驶报警。     

基于眼部自商图—梯度图共生矩阵的疲劳驾驶检测

目的 疲劳驾驶是引发车辆交通事故的主要原因之一,针对现有方法在驾驶员面部遮挡情况下对眼睛状态识别效果不佳的问题,提出了一种基于自商图—梯度图共生矩阵的驾驶员眼部疲劳检测方法。方法 利用以残差网络（residual network,ResNet）为前置网络的SSD（single shot multibox detector）人脸检测器来获取视频中的有效人脸区域,并通过人脸关键点检测算法分割出眼睛局部区域图像;建立驾驶员眼部的自商图与梯度图共生矩阵模型,分析共生矩阵的数字统计特征,选取效果较好的特征用以判定人眼的开闭状态;结合眼睛闭合时间百分比（percentage of eyelid closure,PERCLOS）与最长闭眼持续时间（maximum closing duration,MCD）两个疲劳指标来判别驾驶员的疲劳状态。结果 在六自由度汽车性能虚拟仿真实验平台上模拟汽车驾驶,采集并分析驾驶员面部视频,本文方法能够有效识别驾驶员面部遮挡时眼睛的开闭状态,准确率高达99.12%,面部未遮挡时的识别精度为98.73%,算法处理视频的速度约为32帧/s。对比方法1采用方向梯度直方图特征与支持向量机分类器相结合的人脸检测算法,并以眼睛纵横比判定开闭眼状态,在面部遮挡时识别较弱;以卷积神经网络（convolutional neural network,CNN）判别眼睛状态的对比方法2虽然在面部遮挡情况下的准确率高达98.02%,但眨眼检测准确率效果不佳。结论 基于自商图—梯度图共生矩阵的疲劳检测方法能够有效识别面部遮挡时眼睛的开闭情况和驾驶员的疲劳状态,具有较快的检测速度与较高的准确率。     

视频图像中的视觉疲劳实时检测方法研究

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。     

基于Adaboost算法的人脸疲劳检测

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.     

基于ASM和肤色模型的疲劳驾驶检测

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%。     

基于DM642的嵌入式疲劳驾驶监测系统的实现

针对基于DM642的嵌入式疲劳驾驶监测系统，讨论了系统的总体结构，提出了采用可控光源、奇偶差分帧和人眼跟踪的人眼检测方法。在与奇偶帧图像采集同步的内外圈光源的照射下，利用近轴光源的红眼效应，引起图像奇帧暗瞳孔、偶帧亮瞳孔，由奇偶差分帧快速实现人眼检测与跟踪。同时分析眼睛的特征参数，在一定时间内连续统计眼睛的闭合时间，计算眼睛累计闭合持续时间占某特定时间的百分率（PERCLOS）值来判断疲劳程度并报警。该系统疲劳监测准确率较高，可在汽车驾驶中进行实时疲劳驾驶监测。     

融合人眼特征与深度学习的疲劳驾驶检测模型

针对现有疲劳驾驶检测技术不能有效平衡准确性和实时性的问题,通过融合人眼特征与深度学习,构建一种新的疲劳驾驶检测模型。设计GP-VGG16网络进行眼部状态识别,通过将人工先验信息集成到轻量级深度网络中,提高眼部状态识别的准确性、稳定性和实时性。在此基础上,利用眼部特征-疲劳等级模型将疲劳状态划分为9个等级,定量估计驾驶员状态,同时基于少样本学习建立高效的自动标签生成网络,减少对大量无标签驾驶数据的语义标注。实验结果表明,该模型的准确率达到97.1%,运行速度达到39.96 frame/s,能够有效提高驾驶员疲劳状态识别的准确性与时效性。     

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。     

用于复杂环境下的疲劳检测系统人眼检测方法

针对光照、眼镜等对驾驶员人眼检测的影响,提出采用霍夫变换和神经网络分类器进行人眼检测.通过应用虹膜几何信息和对称性,选择可能包含人眼的两个候选区域.运用边缘检测算子和 MAE 进行人眼粗定位.然后在此基础上采用B-P神经网络进行人眼精确定位.针对三种不同情况,即不同光照、不同背景和不同肤色的人拍摄6组视频图像,采用matlab7.0进行3组仿真实验,实验结果表明该算法对复杂情况的人眼检测具有较强的鲁棒性.大大提高人眼检测准确率.     

基于眼睛状态的驾驶员疲劳模糊识别研究

首先介绍了当前国内外各种驾驶员疲劳识别方法,并分析其优缺点后,通过对驾驶员眼睛状态的定位和跟踪,提取眼睑距离来得到眨眼的频率和间隔,提出了驾驶员疲劳的模糊识别算法判定驾驶员的疲劳程度,并利用摄像机实时拍摄驾驶员的脸部,试验表明,提出的模糊识别方法能快速、准确地判断甚至预测瞌睡的发生,对于一般驾驶时目标检测正确率可以达到95%,当驾驶员头部开始转动时,正确率会下降至87%,但仍在可以判别范围内,具有较快的响应速度和鲁棒性.     

基于马氏图与区域混合投影的眼睛定位方法

提出了一种基于肤色信息的眼睛定位方法，构造了区域混合投影函数。根据肤色信息计算出图像的马氏距离图，并分割了皮肤区域。将皮肤区域作为可能的人脸区域，对马氏距离图进行了区域混合投影，检测并定位了眼睛位置，确定了人脸的准确位置。实验结果表明，这种方法是有效的。