驾驶员疲劳检测实时控制系统设计

为了实现对驾驶员疲劳状态的在线监测,建立了驾驶员疲劳检测实时控制系统。对该系统所采用的人脸识别、人脸跟踪技术、人眼定位以及疲劳状态判断等进行研究。首先,介绍了系统的构成,以模块化思想构建系统软件。接着,以MB-LBP算法对人脸进行特征分类,结合Adaboost级联算法提取人脸信息,并与经典的人脸识别算法进行了对比。然后,利用人脸跟踪技术提高人脸识别的效率,并成功地实现了人眼定位于检测。最后,使用椭圆拟合算法对检测出来的眼睛区域进行拟合,通过计算驾驶员单次眨眼时间,进行驾驶员疲劳状态判别。试验结果表明:所设计的基于驾驶员面部特征的驾驶员疲劳驾驶检测系统,能够有效地检测驾驶员的疲劳状态,平均正确检测率高于90%。基本满足驾驶员疲劳驾驶非接触检测实时性好、准确性高的要求。     

基于面部识别的驾驶员疲劳危险驾驶检测系统

为了有效降低驾驶员疲劳驾驶、短时间未看道路等危险驾驶的概率,设计了以面部特征为研究对象的人脸识别的检测系统.该系统通过对面部识别以及眼睛和嘴的定位跟踪,提取面部疲劳信息,将跟踪的图像信息传输到OpenCV视觉库进行图像处理,通过一系列的算法对驾驶员疲劳、危险驾驶行为进行判断、疲劳值计算,最后通过安全警报模块对驾驶员给予警报提示.经实验测试,该系统满足车载、实时性、准确性的要求,能够快速的检测驾驶员的危险驾驶状态,具有一定的实用性.     

基于主动形状模型及模糊推理的驾驶疲劳检测

为了提高基于单一特征检测算法的准确率和鲁棒性,提出了一种基于多个特征的驾驶员疲劳融合检测算法。选取能够直接反映驾驶员疲劳程度的2个面部特征(眼睛和嘴巴)对驾驶员状态进行综合判断。针对驾驶员头部多角度变化时导致面部特征定位困难的问题,提出了基于主动形状模型(ASM)人脸特征定位算法,应用12个ASM特征标记点,准确定位出眼睛和嘴部特征。针对疲劳程度三级分类(清醒、疲劳及严重疲劳)难以确定的问题,提出了基于模糊推理系统的疲劳检测算法,根据人的经验,"智能"地判断疲劳程度,从而准确地量化疲劳这一模糊概念。实验结果对比表明,综合眼睛和嘴部信息,比采用单参数检测算法减少了误判的概率,具有较高的准确性和鲁棒性。     

基于肤色模型的机动车驾驶员面部定位的研究

目前,利用驾驶员眼睛的状态来判断驾驶员的驾驶疲劳情况得到了广泛的应用,而驾驶员面部的定位是实现眼睛检测的关键因素之一。本研究将驾驶员图像映射到YCbCr空间,利用肤色在YCbCr空间的分布特性建立肤色模型,分割出肤色并得到人脸的区域。     

驾驶员疲劳检测系统

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。针对驾驶员疲劳检测系统,结合图像处理和模式识别技术,提出一种基于人脸面部特征的人眼定位方法。经实验验证:该方法实时性好,可用于不同背景、光照、旋转和偏转角度,以及睁闭眼、戴眼镜等多种复杂条件下的眼睛定位。     

机动车驾驶员疲劳驾驶检测系统研究

从基于的面部特征检测识别入手,设计疲劳驾驶检测系统。首先对系统的总体设计、硬件和软件设计进行分析,重点介绍Open CV、Dlib库的优点以及图像预处理。最后对驾驶员疲劳状态进行判定进行分析,重点介绍眼部和嘴部分析方式及数据处理方法、疲劳判定准则。试验分析真实该系统可以准确判定机动车驾驶员的疲劳状。     

基于多生理信息及迁移学习的驾驶疲劳评估EI北大核心CSCD

目前基于多生理信号的驾驶疲劳评估方法得到广泛关注。针对驾驶疲劳识别率有待提高且受个体差异性影响的问题,提出了基于脑电、心电和肌电特征融合及迁移学习的驾驶疲劳评估方法。基于模拟驾驶平台同步采集20名健康受试者的脑电信号、心电信号和颈部肌电信号,基于时频分析方法和复杂度分析方法提取各生理信号特征并进行融合;然后,基于特征空间内大间隔映射（LMPROJ）的迁移学习方法实现对单一源域到目标域疲劳状态的初步判别;最后,将上述多个单一源域到目标域疲劳状态的判别结果进行决策级融合,以提高驾驶疲劳识别算法的准确性和鲁棒性。实验结果表明,基于多生理信号特征融合及迁移学习的驾驶疲劳识别率高于传统机器学习方法,且能提高不同受试者驾驶疲劳检测的鲁棒性,为多生理信号驾驶疲劳检测研究提供了新方法。     

基于多生理信息及迁移学习的驾驶疲劳评估

目前基于多生理信号的驾驶疲劳评估方法得到广泛关注。针对驾驶疲劳识别率有待提高且受个体差异性影响的问题,提出了基于脑电、心电和肌电特征融合及迁移学习的驾驶疲劳评估方法。基于模拟驾驶平台同步采集20名健康受试者的脑电信号、心电信号和颈部肌电信号,基于时频分析方法和复杂度分析方法提取各生理信号特征并进行融合;然后,基于特征空间内大间隔映射(LMPROJ)的迁移学习方法实现对单一源域到目标域疲劳状态的初步判别;最后,将上述多个单一源域到目标域疲劳状态的判别结果进行决策级融合,以提高驾驶疲劳识别算法的准确性和鲁棒性。实验结果表明,基于多生理信号特征融合及迁移学习的驾驶疲劳识别率高于传统机器学习方法,且能提高不同受试者驾驶疲劳检测的鲁棒性,为多生理信号驾驶疲劳检测研究提供了新方法。     

基于PERCLOS的驾驶疲劳检测系统

驾驶员的疲劳驾驶是引发交通事故的重要原因之一。描述了一种基于PERCLOS的驾驶员疲劳检测方法,采用1394数字采集卡采集驾驶员图像,经过图像预处理、人脸定位、人眼定位和人眼面积的计算,最终判断出驾驶员疲劳与否。     

基于极限学习机面部识别的疲劳驾驶监测方法的研究

随着汽车保有量的增长,交通事故的数量也不断上升。其中,疲劳驾驶是造成交通事故的一个重要原因。为快速且有效地通过被测对象的面部特征判断被测对象的疲劳状态,本文提出了一种眼部特征的疲劳状态判定的检测算法,并构建了基于极限学习机的模式识别系统实现监测。在本文处理面部特征信号时,首先采用对图像进行灰度及二值处理,之后采用KLT算法实现图像的人脸检测与人眼定位,最后采用极限学习机对疲劳状况进行识别。验证实验结果表明,本系统识别率高、处理速度快、敏捷度优良。     

基于生理信号的疲劳驾驶研究

为确定驾驶员生理信号特征与疲劳驾驶状态间的相关度,通过模拟驾驶实验,采集驾驶员清醒、疲劳时的生理特征信息,以脑电信号为基准,分析脉搏、呼吸、心率与脑电信号之间的相关性,确定了脉搏、呼吸、心率信号的变化均与驾驶状态相关,为疲劳驾驶监测提供了检测依据,对疲劳驾驶建立预警系统具有一定的参考依据。     

长途客车驾驶员疲劳状态脑电特征分析

长途客车驾驶员的驾驶状态关系到旅客和驾驶员的生命安全,对长途客车驾驶员的疲劳驾驶研究具有重大意义.选取真实驾车实验环境,对驾驶员脑电信号进行实时监测.首先对采集的驾驶员脑电信号进行了小波包分解,提取了脑电信号中的θ和β节律,然后对它们的平均功率谱进行了分析,最后通过计算脑电疲劳状态指标F,结合眼电特征与主观调查问卷,研究驾驶员主观与客观数据之间的相关性,分析驾驶员疲劳状态变化与脑电信号特征之间的关系.结果表明,在真实驾驶环境下,通过计算驾驶员的脑电疲劳状态指标F值可以有效地检测驾驶员疲劳状态变化.     

基于面部几何特征及手部运动特征的驾驶员疲劳检测

驾驶员疲劳驾驶是造成交通事故的主要原因之一,为解决该问题,提出一种新的基于机器视觉的驾驶员疲劳状态检测方法。根据驾驶员视频图像特点,采用基于肤色检测的Adaboost算法提取面部以及手部的感兴趣区域(Regionsofinterest,ROIs)。基于尺度不变特征变换(Scale invariant feature transform,SIFT)特征点匹配获取眼、嘴以及手部的SIFT特征点,据此得出面部以及手部特征参数。将Perclos、MClosed、Phdown以及SA 4个特征参数作为模型输入,疲劳度等级作为模型输出,建立三层BP神经网络模型,并应用贝叶斯正则化并结合动量梯度下降法较好地解决了传统BP人工神经网络训练高精度和预测低精度的过拟合现象。试验数据表明,该方法能够克服光照、背景、角度以及个体差异的影响,且疲劳检测的正确识别率达到99.64%。     

基于神经网络深度学习算法的驾驶员疲劳驾驶检测研究

搭建了驾驶员疲劳检测的信息采集系统，采用ARM嵌入式开发，可采集驾驶员的人脸图像、温度、心率、GPS定位等信息，并将相关信息通过Web上传模块上传到后台软件系统，通过后台处理驾驶员疲劳状态图像，得到处理结果并通过LCD屏显示。后台软件系统使用基于深度学习的疲劳驾驶检测算法，利用百度人脸识别模块实现人脸识别确定身份。利用深度学习神经网络模型YOLOv3算法检测出常规摄像头实时采集的驾驶人员人脸图像，利用特征点模型实现眼睛和嘴巴区域的分割，采用金字塔分离特征，采用了Mosaic数据图像增强，使用YawDD作为疲劳驾驶检测模型的数据集，通过循环神经网络（RNN）中的长短记忆网络算法训练模型，最终实现驾驶员疲劳度检测。     

一种应用语音多特征检测驾驶疲劳的方法

根据人体疲劳对发声系统的影响,提出一种基于语音多特征的驾驶疲劳检测方法.在Takens嵌入定理的基础上,对语音混沌吸引子进行相空间重构,建立语音信号非线性动力学模型.为提高驾驶疲劳检测的充分性和客观性,提取了该模型下的语音非线性特征:最大Lyapunov指数、近似熵和分形维数,并与传统激励源-滤波器模型下的语音特征:基音频率、共振峰和Mel频标倒谱系数相结合,从不同角度反映语音中所包含的疲劳信息.最后通过支持向量机技术建立多特征融合分类器,用于驾驶员语音样本的疲劳识别.实验结果表明,该方法采用的语音多特征之间能够形成疲劳信息的互补,有效地提高了语音检测驾驶疲劳的准确性,在预防驾驶疲劳的行车安全领域有着广泛的应用前景.     

基于驾驶行为及意图的汽车主动安全技术研究

针对国内汽车主动安全技术研究的现状,提出了基于驾驶员行为及意图判断的汽车主动安全研究方法,在此汽车主动安全系统中利用采集到的驾驶员各种操作信号及环境信息,进行驾驶员的驾驶行为及意图分析。根据驾驶员的各种操作信息对常见驾驶行为及意图判断的权重的不同,建立了用于判别典型驾驶行为及意图的权重矩阵。通过MATLAB软件编程仿真,建立了八种典型驾驶状态下权重判断矩阵,仿真表明,该权重矩阵设计合理,可以准确地判断和识别出典型的驾驶行为及意图,为未来汽车主动安全技术的研究提供了一种有效的方法。     

一种全天候驾驶员疲劳检测方法研究

针对驾驶员疲劳状态检测问题,本文提出了基于红外图像处理和生理特征-心率的全天候疲劳检测算法,采用模糊神经网络专家系统对驾驶员的疲劳状态识别.假设驾驶员驾驶汽车的初始阶段(前十分钟内)是清醒的,这样在前十分钟内,模糊神经网络处于学习阶段并记忆驾驶员的状态,在十分钟之后模糊神经网络处于离线自学习,在线对驾驶员状态实时识别.通过实验表明该检测方法克服了光线和气候的影响,该识别方法具有较强的自适应能力.     

爱信驾驶员监测系统和自动变速箱技术在中国市场受关注

正在今年北京车展,全球汽车零部件供应商排名第4的爱信展示了驾驶员监测系统技术,该项技术可实现在驾驶过程中如驾驶人员突遇意外而失去意识,在紧急情况时车辆可自行安全退让。它是通过布置在方向盘后侧的摄像头,检测驾驶人员的面部朝向或眼皮的开闭状态,观察驾驶人员的状态。当车辆判断驾驶员处于失去意识或无法正常驾驶的状态时,车辆会自行切换到自动驾驶模式,并退让至路肩处。在自动驾驶途中,如     

机车司机疲劳驾驶监测

本文针对机车驾驶员疲劳驾驶的监测问题,对采集的图象进行预处理之后,首先利用最大类间方差法,将人脸区域分割出来;然后采用灰度积分投影技术对人眼区域准确定位;再利用小波分析对人眼区域进行两层分解,提取各层的近似分量和细节分量的能量,构造为特征向量,并输入到SVM分类器,实现对机车驾驶员眼睛睁开、闭合状态的判断,最后运用PERCLOS原理对驾驶员驾驶状态作出判断。实验数据表明:本文提出的方法能够准确地对机车驾驶员的驾驶状态作出监测。     

基于深度卷积网络和在线学习跟踪的驾驶员打哈欠检测

提出了一种基于多信息融合的驾驶员打哈欠检测方法。首先,建立驾驶员面部图像数据库并训练深度卷积神经网络来依次检测驾驶员的面部和鼻子;然后,采用局部二比特特征和随机森林分类器训练生成在线鼻子检测器,以此来校正光流跟踪器在鼻子跟踪过程中产生的漂移误差等参数;最后,分析鼻子下方嘴部区域的边界梯度变化情况,并结合鼻子跟踪器置信度、面部横向运动等信息来判断驾驶员是否打哈欠。实验结果表明,深度卷积网络相对于其他面部分类方法,可以获得更好的分类检测效果;基于在线学习的跟踪方法可以很好地减小光流跟踪引起的漂移误差;整个算法可以在多种驾驶环境下以较高准确率检测驾驶员打哈欠事件的发生。