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.     

基于Adaboost算法的人眼定位

提出一种新型的基于Adaboost人眼定位算法。该算法首先使用基于Harr特征和Ad—ab00St算法的人脸检测方法寻找人脸候选区域。并对候选区域进行归一化处理。然后使用基于Harr特征和Adaboost算法进行人眼定位。为了减少左右眼差异带来的影响,使用左眼检测器和右眼检测器。实验表明,这种方法具有准确性高和速度快的特点,达到实时人脸检测的性能要求。     

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。     

基于视频的人眼跟踪方法研究

疲劳驾驶是交通事故发生的主要原因之一.在车载的驾驶员疲劳检测系统中,对于人眼的高效、实时、准确检测和跟踪是关键技术之一.本文研究基于视频信息的驾驶员人脸图像中眼睛的跟踪方法.采用Viola-Jones算法和AdaBoost算法设计了Haar级联人脸分类器,根据人脸的几何结构和眼睛的特性,通过两次定位的方法实现了对眼睛的定位和跟踪.实验表明,本文方法具有检测精度高、鲁棒性强的特点.     

基于有限状态自动机的人眼开度PERCLOS实现算法

针对驾驶员驾驶过程中因疲劳引起的眼睛开度变化问题, 在原有PERCLOS(percentage of eyelid closure over the pupil over time)标准的基础上, 提出了一种基于有限状态自动机的人眼开度PERCLOS计算方法, 并将其应用到疲劳驾驶预警系统中。该系统首先采用红外摄像头实时获取驾驶员的脸部视频图像, 使用ASM(active shape models)算法进行人脸检测, 在定位到的人脸范围内搜索人眼区域并计算人眼开度, 为了避免人与摄像头距离变化影响计算结果, 对人眼开度进行归一化处理; 然后依据建立的有限状态自动机模型计算PERCLOS值; 最后根据制定的预警机制实现基于人眼开度的疲劳预警。实验结果表明本方法能够实时监测驾驶员疲劳状况, 具有对光照变化、脸部配饰不敏感的特点。     

基于人眼状态的瞌睡识别算法

已有瞌睡识别算法多数基于机器学习或深度学习,没有考虑到人眼闭合状态序列与瞌睡之间的关系。针对上述问题,提出了一种基于人眼状态的瞌睡识别算法。首先,提出了人眼分割和面积计算模型,基于人脸68个特征点,根据人眼特征点构成的极大多边形分割出眼睛区域,并利用眼睛像素点的总数代表眼睛面积大小;其次,计算极大状态下的人眼面积,并利用关键帧挑选算法挑选出最能代表睁眼程度的4帧,根据这4帧的人眼面积与极大状态下的人眼面积计算睁眼阈值,从而构建眼睛闭合度得分模型来确定人眼闭合状态;最后,根据输入视频的人眼闭合得分序列,构建了基于连续多帧序列分析的瞌睡识别模型。在两个国际常用的打哈欠检测数据集（YawDD）和NTHU-DDD数据集上进行瞌睡状态识别,实验结果表明,所提算法在两个数据集上的识别准确率均在80%以上,尤其是在YawDD数据集上,识别准确率达到94%以上。该算法可应用于驾驶员驾驶状态检测、学习者课中状态分析等。     

一种新颖的人眼跟踪算法

基于视觉的目标跟踪技术有着广泛的实用价值。文章提出了一种基于纹理特征的人眼跟踪算法。该方法以纹理特征为模式特征，采甩粒子滤波算法进行人眼跟踪，为了适应人眼的开闭两种状态，又采用了双状态模型。纹理特征具有较好稳定性，可以不受目标的外形和比例变化的影响；而粒子滤波算法可以快速和有效地进行跟踪。最后，给出了将该方法用于人眼跟踪的测试结果。     

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。     

用于驾驶疲劳检测的人眼定位及状态判别算法

基于驾驶疲劳研究中的视频图像,提出一种新的适用于驾驶疲劳检测的人眼定位及状态判别算法。定位算法利用Gabor小波变换对图像进行预处理,提取基于图像的地形图特征,并利用支持向量机的方法对候选特征区域进行验证,然后在定位区域对人眼状态进行判断。经实验验证,该方法可以定位睁眼及闭眼图像,并可以定性和定量判断人眼状态。采用该方法获得的人眼状态信息将为后续的驾驶疲劳分析提供重要的数据。     

基于人眼鼻孔特征的眼动跟踪方法

提出了一种基于人眼鼻孔特征跟踪眼动的算法。首先利用Adaboost的层叠式分类器定位人脸、眼睛和鼻子;然后采用梯度Hough变换检测圆的方法精确定位瞳孔虹膜;最后利用几何方法建立椭圆跟踪模型,实现瞳孔的快速跟踪。实验结果表明,该方法定位眼睛嘴角快速准确,同时对眼睛的跟踪具有较好的鲁棒性和实时性。     

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.     

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。     

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。     

基于眨眼修正卡尔曼滤波的人眼跟踪研究

眼睛运动容易受到头部姿势变化、外界仿真干扰、实际光照条件等影响,已有眼部跟踪算法的准确率、鲁棒性较低。为此,提出一种基于眨眼修正卡尔曼滤波的人眼跟踪算法。采用垂直积分投影函数和水平积分投影函数得到人脸图像的眼睛区域,运用眼睛区域的颜色熵消除不相关因素,定位出瞳孔的位置,用卡尔曼滤波进行实时眼部跟踪,结合眨眼检测实时修正跟踪结果。实验结果表明,该算法准确率较高,实时性较好。     

视频监控下的人脸跟踪与识别系统

针对智能视频监控系统的要求,设计了一个基于视频监控的自动多人脸跟踪识别系统,该系统的功能是实时跟踪视频监控范围内的人脸并鉴别人脸的身份。针对复杂背景及类似人脸区域的影响,提出了一种Adaboost人脸检测算法和主动形状模型相结合的人脸检测算法,实现人脸的准确检测;针对视频监控范围内人脸偏转、交错以及由于人员不断出入而导致人脸数目发生变化的问题,提出了CamShift和Kalman滤波器相结合的多人脸跟踪算法,同时对跟踪到的人脸进行实时身份识别。实验证明,该系统在视频监控范围内对人脸检测和身份识别准确,跟踪实时性好,是一种建立实时视频监控系统的实用方法。     

基于Adaboost和Camshift的人脸检测

Adaboost算法具有很好的实时性,但是也存在检测过程中鲁棒性不强,遇到遮挡问题检测失效等问题。针对这些问题,提出了基于改进Adaboost的人脸检测算法,该算法结合了Camshift人脸跟踪算法并改进了原算法中的颜色直方图模型。以实际人脸检测与跟踪实验为例,证明了该算法在人脸自动检测跟踪过程中具有速度快、准确度高,能有效克服检测过程中遮挡以及类肤色干扰问题等。     

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。