本文關(guān)鍵詞：疲勞駕駛檢測方法研究與軟件設(shè)計

  更多相關(guān)文章： 粒子群 卡爾曼濾波 PERCLOS C++ Android

【摘要】：近年來,隨著汽車城市化的進(jìn)程越來越快,物流運(yùn)輸業(yè)也在飛速發(fā)展,駕駛員隊伍不斷壯大。與此同時,道路交通事故也越來越多。研究表明,疲勞駕駛是交通事故發(fā)生的重要原因之一。因此,深入研究疲勞駕駛檢測的相關(guān)技術(shù)是十分必要的,且具有極大的社會意義。目前,基于圖像處理的疲勞駕駛檢測技術(shù)因其非接觸、速度快、抗干擾能力強(qiáng)等優(yōu)點,引起了國內(nèi)學(xué)者的極大興趣,迅速成為研究熱點。隨著檢測技術(shù)的不斷進(jìn)步,人們對檢測準(zhǔn)確度的需求也越來越高。本文對其中的一些算法進(jìn)行了深入的研究并作了改進(jìn)工作,同時設(shè)計了基于Android系統(tǒng)的疲勞駕駛檢測軟件。具體的研究內(nèi)容如下:首先,提出了基于非線性粒子群和最小二乘法的人眼輪廓擬合算法。在最小二橢圓擬合中,所有的邊緣點都參與了擬合,但由于一些偏差較大邊緣點的存在,降低了擬合的準(zhǔn)確度。針對這一點,本文以點到待擬合橢圓的代數(shù)距離為目標(biāo)函數(shù),建立優(yōu)化橢圓參數(shù)模型。首先基于優(yōu)化后的邊緣點利用最小二乘法獲得橢圓初始參數(shù)值,然后通過提出的非線性粒子群算法不斷地迭代尋優(yōu),最終得到最佳逼近橢圓。實驗結(jié)果表明改進(jìn)后的算法提高了擬合的準(zhǔn)確度。第二,對卡爾曼濾波跟蹤模型以及MeanShift算法進(jìn)行了深入的研究,針對MeanShift算法在人眼運(yùn)動較快時容易出現(xiàn)丟失幀的問題,本文采用一種基于卡爾曼與Mean Shift相結(jié)合的眼睛跟蹤算法并建立勻變速卡爾曼濾波跟蹤模型。首先,將前兩幀眼睛的中心位置及協(xié)方差作為濾波器的觀測值,并利用濾波器預(yù)測在當(dāng)前幀中眼睛的可能位置,將它作為MeanShift的輸入值。然后,基于眼睛的灰度分布特征,在預(yù)測的鄰域內(nèi)使用MeanShift迭代算法搜索與人眼模板最為相似的目標(biāo)。仿真實驗表明提出的方法有很好的跟蹤效果。本文首先基于Visual Studio 2010和OpenCV完成了算法的驗證。此外,針對現(xiàn)實的需要,本文設(shè)計了一款基于Android系統(tǒng)的疲勞駕駛檢測軟件,測試結(jié)果表明,該軟件實現(xiàn)了對疲勞駕駛的有效檢測,并且后續(xù)疲勞駕駛檢測系統(tǒng)功能的開發(fā)也可在此軟件上進(jìn)行。
【關(guān)鍵詞】：粒子群 卡爾曼濾波 PERCLOS C++ Android
【學(xué)位授予單位】：齊齊哈爾大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：U463.6;TP391.41
【目錄】：

• 摘要4-5
• Abstract5-9
• 1 緒論9-14
• 1.1 選題的背景及意義9-10
• 1.2 國內(nèi)外的研究現(xiàn)狀10-12
• 1.3 論文的主要研究內(nèi)容12-14
• 2 疲勞駕駛檢測系統(tǒng)關(guān)鍵技術(shù)14-18
• 2.1 人臉檢測14
• 2.2 人眼檢測14-15
• 2.3 人眼跟蹤15-16
• 2.4 特征提取16
• 2.5 疲勞判定標(biāo)準(zhǔn)16-17
• 2.6 本章小結(jié)17-18
• 3 需求分析與實現(xiàn)方案18-22
• 3.1 需求分析18
• 3.2 實現(xiàn)方案18-21
• 3.3 本章小結(jié)21-22
• 4 算法設(shè)計與實現(xiàn)22-47
• 4.1 人臉-人眼檢測模塊22-31
• 4.1.1 Haar-like特征與積分圖22-23
• 4.1.2 分類器的構(gòu)造與級聯(lián)23-25
• 4.1.3 構(gòu)造人臉-人眼分類器25-29
• 4.1.4 實驗結(jié)果分析29-31
• 4.2 人眼跟蹤模塊31-35
• 4.2.1 卡爾曼濾波31-32
• 4.2.2 MeanShift32-33
• 4.2.3 勻變速卡爾曼濾波跟蹤模型33-34
• 4.2.4 實驗結(jié)果分析34-35
• 4.3 特征參數(shù)提取模塊35-43
• 4.3.1 擬合前預(yù)處理35-37
• 4.3.2 改進(jìn)最小二乘橢圓擬合算法37-42
• 4.3.3 結(jié)果對比分析42-43
• 4.4 疲勞判定模塊43-46
• 4.4.1 特征參數(shù)歸一化43-44
• 4.4.2 駕駛疲勞判定標(biāo)準(zhǔn)44-45
• 4.4.3 實驗結(jié)果分析45-46
• 4.5 本章小結(jié)46-47
• 5 疲勞駕駛檢測軟件設(shè)計47-57
• 5.1 JNI技術(shù)47
• 5.2 軟件框架設(shè)計47-49
• 5.3 開發(fā)環(huán)境的搭建49-51
• 5.4 應(yīng)用軟件的實現(xiàn)51-55
• 5.5 本章小結(jié)55-57
• 結(jié)論57-58
• 參考文獻(xiàn)58-61
• 攻讀碩士學(xué)位期間學(xué)術(shù)成果情況61-62
• 致謝62

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前6條

1 張希波;成波;馮睿嘉;;基于方向盤操作的駕駛?cè)似跔顟B(tài)實時檢測方法[J];清華大學(xué)學(xué)報(自然科學(xué)版);2010年07期

2 毛科俊;劉小明;趙曉華;榮建;;基于腦電信號的駕駛疲勞預(yù)報關(guān)鍵參數(shù)選取[J];北京工業(yè)大學(xué)學(xué)報;2010年07期

3 毛科俊;趙曉華;劉小明;榮建;;基于腦電分析的駕駛疲勞預(yù)報研究[J];人類工效學(xué);2009年04期

4 成波;馮睿嘉;張偉;李家文;張希波;;基于多源信息融合的駕駛?cè)似跔顟B(tài)監(jiān)測及預(yù)警方法研究[J];公路交通科技;2009年S1期

5 陳勇;黃琦;劉霞;張昌華;;一種全天候駕駛員疲勞檢測方法研究[J];儀器儀表學(xué)報;2009年03期

6 施樹明,金立生,王榮本,童兵亮;基于機(jī)器視覺的駕駛員嘴部狀態(tài)檢測方法[J];吉林大學(xué)學(xué)報(工學(xué)版);2004年02期

，

本文編號：1091687