面向夜间疲劳驾驶检测的改进Zero-DCE低光增强算法

为了提高夜间疲劳驾驶检测的准确率,在现有低光增强算法Zero-DCE(Zero-Reference Deep Curve Estimation)的基础上,提出改进Zero-DCE的低光增强算法.首先,引入上下采样结构,减少噪声影响.同时,引入注意力门控机制,提高网络对图像中人脸区域的敏感性,有效提高网络的检测率.然后,针对噪声相关问题,提出改进的核选择模块.进一步,使用MobileNet的深度可分离卷积替换Zero-DCE的标准卷积,提高网络的检测速度.最后,通过人脸关键点检测网络和分类网络,判断驾驶员的疲劳状态.实验表明,在夜间环境下,相比现有的疲劳驾驶检测算法,文中算法在人脸检测的准确率和眼睛状态的识别率上都有所提升,取得较令人满意的检测效果.     

基于多尺度池化卷积神经网络的疲劳检测方法研究

针对视觉特征分析疲劳检测问题,设计了一种级联深度学习的检测系统结构,并提出基于多尺度池化的卷积神经网络疲劳状态检测模型。首先通过深度学习模型MTCNN进行人脸检测,提取出眼睛和嘴巴区域;针对眼睛和嘴巴的状态表征和识别问题,提出一种基于ResNet的多尺度池化模型（MSP）对眼睛和嘴巴状态进行训练;实时检测时,将眼睛嘴巴区域通过训练好的卷积神经网络模型进行状态识别,最后基于PERCLOS和提出的嘴巴张合频率（FOM）对驾驶员进行疲劳判定。实验结果表明,该算法具有较高的检测准确率,同时满足实时性要求,且对复杂环境具有较高的鲁棒性。     

基于面部表情识别的学习疲劳识别和干预方法

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.     

基于低光增强的夜间疲劳驾驶检测算法

司机疲劳驾车会影响车辆的正常行驶,严重时会威胁司机和乘客的生命安全,因此检测司机是否出现疲劳现象可以有效保障人们的出行安全.在现实生活中,一般在夜间光照强度较弱的情况下,司机出现疲劳驾驶的次数较多,但是现有的相关检测算法无法处理灯光问题,导致其在夜间检测时准确率较低.针对此问题,本文提出了基于低光增强的夜间疲劳驾驶检测算法.首先对人脸图像进行低光增强处理,从而提高图像的曝光度;然后使用人脸关键点检测网络获取图像的眼睛区域;之后使用卷积神经网络对眼睛区域进行睁、闭眼分类;最后统计单位时间内睁、闭眼数量的比值,以此判定司机是否处于疲劳状态.实验结果表明,在夜间环境中,本文提出的检测算法相对现有算法在检测成功率上提升了15.38%,取得了更好的效果.     

驾驶员疲劳检测系统的研究

为了减少由于驾驶员疲劳驾驶引起的交通事故,提出驾驶员疲劳状态检测系统的方案。使用3×3中值滤波去除噪声和光照对图像的影响,通过对AdaBoost算法的强分类器训练算法改进、级联分类器优化实现人脸的快速检测,在检测到的人脸区域,通过积分灰度投影和从粗到细改进的模板匹配方法对人眼进行准确定位;通过PERCLOS、眼睛闭合时间、眼睛眨眼频率、嘴巴张开程度、头部运动的计算,进行驾驶员疲劳程度的综合判定。实验结果表明,该方法准确率高,兼具了良好的实时性和鲁棒性。     

融合全局和局部特征并基于神经网络的表情识别

在表情中含有最多特征信息的是面部眉毛、眼睛和嘴巴这三个区域,为充分利用这些特征,减少图像中无用信息在识别过程中对计算机内存的占用,提高人脸表情识别系统的准确率和速度,首先采用haar 和 adaboost人脸检测算法,对图像中的人脸进行识别,获得人脸图像并提取眉毛、眼睛和嘴巴,生成局部(眉毛、眼睛、嘴巴)二值化图,利用PCA方法对人脸图像降维,降维后的全局和局部灰度特征值组成一个列向量。样本由表情数据库产生,经过神经网络样本训练后,进行表情识别。结果表明,该系统对人脸表情识别速度明显快于Gabor 小波算法;识别的准确率高于单独使用PCA算法和神经网络算法;消耗内存比用Gabor 小波算法少,运行较流畅。得出结论：因为提取出包含表情特征信息集中区的眉毛、眼睛和嘴巴,尽可能地多保留了这些局部特征信息,因而提高了表情识别准确率,同时,采用PCA方法对原始图像进行降维处理,有效的减少了信息冗余。     

基于眼睛和嘴巴状态的驾驶员疲劳检测算法

针对列车驾驶员疲劳检测问题,提出一种基于人眼和嘴巴状态的驾驶员疲劳检测算法。首先采用改进的AdaBoost算法精确定位驾驶员脸部区域。然后通过模板匹配定位人眼,并根据人脸的几何特征定位嘴巴。最后计算每一帧图像的PERCLOS(per-cent eyelid closure)参数和嘴部动作频率,统计单位时间内双参数与对应阈值的关系,作为判断驾驶疲劳的依据。实验结果表明,在正常光照下,综合眼睛和嘴部信息,比采用单参数检测算法减少了误判、漏判的概率,具有较高的准确性和鲁棒性。     

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。     

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%。     

一种改进型KCF的疲劳驾驶检测方法

随着人民生活水平的提高,汽车人均持有量持续上升,从而也就导致了交通事故的增加,根据统计可知,大多数交通事故都是由疲劳驾驶导致的,因此为了减少司机因为疲劳驾驶导致的交通事故,对司机的疲劳程度检测是十分有必要的;目前现有的疲劳检测方法虽然种类较多,但是大多数存在着部署困难、实时性差、检测精度不高等缺点,因此难以在实际生活中应用;为了克服以上缺点,在这里提出了一种基于视觉的实时疲劳检测方法;该方法通过优化KCF算法实现实时人脸跟踪,再利用现有的人脸关键点检测手段,实现对眼睛和嘴巴的状态识别;最后结合SVM实现对驾驶员疲劳状态的检测;实验结果表明,提出的方法具有较好的实时性,并且精度较高,能够满足日常需求。     

基于DSP多特征检测疲劳驾驶监测系统研究

针对疲劳驾驶监测的要求,提出基于DSP红外条件下对眼睛、嘴巴、头部同时检测进行疲劳监测的方法.该方法首先利用人眼红外光源下的红外效应来进行图像差分,以此获取瞳孔来定位眼睛区域;然后用基于个体的模板匹配方法进行特征提取和动态模板匹配方法进行原始迭代跟踪;最后用计算出来的眼睛的闭合程度和是否打哈欠、点头来判断疲劳程度.实验证明该方法综合了驾驶员的三个个体特征.准确率较高、速度较快,可以满足非接触式、全天候、实时监测的要求.     

基于驾驶员面部时序数据的疲劳驾驶检测算法

针对传统疲劳驾驶检测方法识别准确率低、泛化能力差的问题,提出了一种基于CNNs和LSTM的端到端可训练网络,检测驾驶员的疲劳状态。根据驾驶员面部特征点提取ROI,将在其他计算机视觉任务上表现较好的深度网络迁移到疲劳检测任务中,并结合LSTM处理时序数据的能力,提出一种新的疲劳检测网络,该网络能够读入视频流中的时序数据并检测出驾驶员的疲劳状态。实验证明所提方法和模型在公开数据集中具有较高的识别准确率,并且在不同的数据集间具有很好的泛化能力,对于减少路面车祸、保障人身安全具有很重要的意义。     

基于深度学习的疲劳驾驶检测算法

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.     

Fully automated real time fatigue detection of drivers through Fuzzy Expert Systems

This paper presents a non-intrusive fatigue detection system based on the video analysis of drivers. The system relies on multiple visual cues to characterize the level of alertness of the driver. The parameters used for detecting fatigue are: eye closure duration measured through eye state information and yawning analyzed through mouth state information. Initially, the face is located through Viola–Jones face detection method to ensure the presence of driver in video frame. Then, a mouth window is extracted from the face region, in which lips are searched through spatial fuzzy c-means (s-FCM) clustering. Simultaneously, the pupils are also detected in the upper part of the face window on the basis of radii, inter-pupil distance and angle. The monitored information of eyes and mouth are further passed to Fuzzy Expert System (FES) that classifies the true state of the driver. The system has been tested using real data, with different sequences recorded in day and night driving conditions, and with users belonging to different race and gender. The system yielded an average accuracy of 100% on all the videos on which it was tested.     

基于DSP的驾驶员疲劳检测系统

为了能够有效地、实时地对驾驶员进行疲劳检测,构建了以ICETEK-DM6437-B模块为核心、以近红外发光二极管为光源和以电荷耦合器摄像头为图像采集设备的驾驶员疲劳检测系统.提出了以人脸区域定位为检测主体的、在PER-CLOS方法原理基础上改进的PER-NOFACE方法结合多种简单高效的图像处理算法的疲劳检测方案,可有效地检测出驾驶员的疲劳状态.为了保证系统检测的实时性,在DM6437达芬奇处理器上对疲劳检测算法进行了代码优化.实验结果表明,该系统能够较为准确地、实时地对驾驶员进行疲劳状态检测.     

Driver fatigue detection using a genetic algorithm

Nowadays, many traffic accidents occur due to driver fatigue. Driver fatigue detection based on computer vision is one of the most hopeful applications of image recognition technology. There are several factors that reflect driver's fatigue. Many efforts have been made to develop fatigue monitoring, but most of them focus on only a single behavior, a feature of the eyes, or a head motion, or mouth motion, etc. When fatigue monitoring is implemented on a real model, it is difficult to predict the driver fatigue accurately or reliably based only on a single driver behavior. Additionally, the changes in a driver's performance are more complicated and not reliable. In this article, we represent a model that simulates a space in a real car. A web camera as a vision sensor is located to acquire video-images of the driver. Three typical characteristics of driver fatigue are involved, pupil shape, eye blinking frequency, and yawn frequency. As the influences of these characteristics on driver fatigue are quite different from each other, we propose a genetic algorithm (GA)-based neural network (NN) system to fuse these three parameters. We use the GA to determine the structure of the neural network system. Finally, simulation results show that the proposed fatigue monitoring system detects driver fatigue probability more exactly and robustly. This work was presented in part at the 11th International Symposium on Artificial Life and Robotics, Oita, Japan, January 23–25, 2006     

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。     

基于图像处理的驾驶员疲劳检测方法

提出一种基于图像处理的实时检测驾驶疲劳的方法,利用肤色信息、投影和连通域相结合的方法检测眼睛,通过动态模板匹配的方法对眼睛进行跟踪;最后利用上下眼睑距离来判断是否疲劳。实验表明,该方法可使眼睛定位和追踪的平均正确率达98％,疲劳检测的正确率为100％,准确率平均为90％。