本文關鍵詞：基于視覺的駕駛員疲勞檢測算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著物質條件的不斷提高,汽車在日常生活中越來越普及。雖然汽車帶給人們很多便利,但是也帶來了越來越多的交通事故,使得廣大家庭和社會遭受巨大傷害和損失。據統(tǒng)計,在所有的交通事故中,疲勞駕駛導致的事故數(shù)量占了很大的比例。因此,來自不同國家不同領域的眾多研究人員都展開了對駕駛員疲勞檢測的研究,取得了很大成果�？紤]疲勞檢測應該同時滿足準確性、實時性、魯棒性、舒適性的要求,所以本文研究了基于視覺的駕駛員疲勞檢測算法,并驗證了這是一種無接觸的、實時性好的、高準確性的算法。本文遵從由大到小,逐步縮小定位的原則,采用數(shù)字圖像處理、計算機視覺和模式識別技術提取駕駛員眼部特征然后通過結合PERCLOS疲勞判定標準和眨眼頻率的方法來判定駕駛員是否疲勞。論文所做的主要工作如下：1.采用中值濾波去噪,基于直方圖均衡化和“參考白”結合的方法進行光補償。通過簡單操作對圖像進行預處理,可以使得后續(xù)步驟的處理更加方便,提高了系統(tǒng)的準確性和魯棒性。2.利用膚色在YCbCr模型中的聚類特性,在原始圖像中提取出人臉候選區(qū)域,減少后續(xù)檢測目標區(qū)域,提高系統(tǒng)的速度,實時性更好。3.采用Adaboost算法來檢測人臉區(qū)域,先分別采用Haar特征和LBP特征來訓練人臉分類器,然后使用兩種人臉分類器進行測試并對比結果,最終選擇速度更快,效果更好的基于LBP特征的Adaboost分類器。4.基于“三庭五眼”的先驗知識在人臉區(qū)域粗定位人眼,再使用Adaboost人眼分類器進行精確定位。然后通過對人眼圖像進行Otsu二值分割和形態(tài)學操作提取到人眼輪廓,再計算出人眼的高寬比,通過高寬比的大小來識別人眼狀態(tài)。5.對提取的人眼特征,采用基于PERCLOS-P80和眨眼頻率相結合的方法來判定駕駛員是否疲勞,該方法具有準確度高、實時性好、魯棒性強的優(yōu)點。能夠有效的對駕駛員疲勞狀態(tài)進行判定和預警。本文在VS2013開發(fā)環(huán)境,使用C++語言并結合OpenCV2.49計算機視覺庫完成疲勞檢測算法的仿真和實現(xiàn)。通過在駕駛室模擬靜態(tài)駕駛員行車環(huán)境,進行了不同光照,不同遮擋及不同轉向角度下的測試,結果表明本文方法在靜態(tài)駕駛環(huán)境中,系統(tǒng)各個階段都能實時準確實現(xiàn),有效的檢測到駕駛員的疲勞狀態(tài),并發(fā)出預警,避免因疲勞駕駛造成的交通事故。
【關鍵詞】：疲勞檢測 Adaboost 人臉檢測 人眼定位 MB-LBP PERCLOS
【學位授予單位】：湖南大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：U463.6;TP391.41
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-18
• 1.1 課題研究背景及意義10-11
• 1.2 疲勞駕駛檢測技術分類11-14
• 1.2.1 基于生理信號的檢測方法11-12
• 1.2.2 基于車輛行為的檢測方法12-13
• 1.2.3 基于駕駛員行為的檢測方法13-14
• 1.3 疲勞駕駛檢測國內外現(xiàn)狀14-15
• 1.3.1 國外疲勞檢測研究現(xiàn)狀14
• 1.3.2 國內疲勞檢測研究現(xiàn)狀14-15
• 1.4 基于視覺的駕駛員疲勞檢測15-16
• 1.5 論文的主要內容和組織結構16-18
• 第2章 疲勞檢測預處理與膚色分割18-31
• 2.1 疲勞檢測預處理18-21
• 2.1.1 圖像去噪18-19
• 2.1.2 圖像光補償19-21
• 2.2 膚色分割21-30
• 2.2.1 色彩空間21-25
• 2.2.2 膚色模型25-27
• 2.2.3 形態(tài)學圖像處理27-30
• 2.3 本章小結30-31
• 第3章 Adaboost人臉檢測算法31-52
• 3.1 矩形特征31-36
• 3.1.1 haar矩形特征31-34
• 3.1.2 LBP矩形特征34-36
• 3.2 積分圖36-38
• 3.3 haar特征的Adaboost算法38-41
• 3.4 改進LBP特征的Adaboost算法41-45
• 3.5 MB-LBP特征與其它特征的效果對比45-47
• 3.5.1 速度上的提升45-47
• 3.5.2 效果上的提升47
• 3.6 實驗結果分析47-51
• 3.7 本章小結51-52
• 第4章 駕駛員人眼定位與識別52-63
• 4.1 人眼定位52-56
• 4.1.1 人眼定位方法概述52-53
• 4.1.2 改進的基于知識和統(tǒng)計結合的人眼定位53-56
• 4.2 人眼識別56-59
• 4.2.1 人眼識別方法概述56-57
• 4.2.2 改進的基于人眼高寬比人眼識別57-59
• 4.3 實驗結果分析59-62
• 本章小結62-63
• 第5章 疲勞分析63-70
• 5.1 基于視覺的疲勞檢測方法概述63-64
• 5.2 基于眨眼頻率與PERCLOS結合的疲勞判定64-68
• 5.2.1 PERCLOS參數(shù)提取65-66
• 5.2.2 眨眼頻率參數(shù)提取66-67
• 5.2.3 疲勞判定的閾值67-68
• 5.3 實驗結果分析68-69
• 5.4 本章小結69-70
• 總結與展望70-72
• 致謝72-73
• 參考文獻73-78
• 附錄A (攻讀學位期間的研究成果)78-79
• 附錄B (攻讀學位期間參與的科研項目)79

【相似文獻】

中國期刊全文數(shù)據庫 前10條

1 樊玲;;基于眼動跟蹤的駕駛員疲勞檢測[J];科技創(chuàng)新與應用;2012年26期

2 孟子諍;劉金明;劉厚軍;;機車司機疲勞檢測系統(tǒng)研究與應用[J];中國鐵路;2013年05期

3 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];儀器儀表學報;2009年03期

4 高永萍;秦華標;;駕駛員疲勞檢測系統(tǒng)[J];儀表技術與傳感器;2007年01期

5 蘇曉娜;李曉明;;人臉檢測及眼睛定位在駕駛員疲勞檢測中的應用[J];科學技術與工程;2012年17期

6 楊海燕;蔣新華;王雷;;一種基于人臉序列模式的機車駕駛員疲勞檢測方法[J];鐵道學報;2012年05期

7 耿磊,吳曉娟,彭彰;基于TMS320DM642的疲勞檢測系統(tǒng)硬件設計[J];中國工程科學;2005年11期

8 張祖濤;張家樹;;基于UKF非線性人眼跟蹤的駕駛員疲勞檢測[J];西南交通大學學報;2008年06期

9 苑瑋琦;賈琦;;基于DM6437的駕駛員疲勞檢測系統(tǒng)[J];儀表技術與傳感器;2010年05期

10 陳旭;肖洪兵;;基于面部綜合信息的疲勞駕駛判別研究[J];科學技術與工程;2014年11期

中國重要會議論文全文數(shù)據庫 前2條

1 張笑非;鄔正義;談正;;基于視覺的疲勞駕駛檢測[A];第一屆建立和諧人機環(huán)境聯(lián)合學術會議（HHME2005）論文集[C];2005年

2 胡慶新;張淑鳳;方躍;;弱光環(huán)境下駕駛員的人臉檢測和眼睛追蹤[A];第六屆全國信息獲取與處理學術會議論文集（3）[C];2008年

中國重要報紙全文數(shù)據庫 前1條

1 記者 廖翊;目視判斷裂痕是金屬疲勞[N];新華每日電訊;2002年

中國博士學位論文全文數(shù)據庫 前1條

1 邸巍;基于視覺的全天候駕駛員疲勞與精神分散狀態(tài)監(jiān)測方法研究[D];吉林大學;2010年

中國碩士學位論文全文數(shù)據庫 前10條

1 王豪榮;基于人臉特征融合的疲勞檢測方法研究[D];長安大學;2015年

2 王兆偉;基于眼態(tài)識別的疲勞駕駛檢測技術研究[D];長安大學;2015年

3 蔣文博;基于計算機視覺的疲勞駕駛檢測技術研究[D];北京化工大學;2015年

4 張譯心;基于面部特征的駕駛員疲勞算法應用研究[D];吉林農業(yè)大學;2015年

5 韓吉祥;基于SOPC的駕駛員疲勞檢測系統(tǒng)設計[D];黑龍江大學;2015年

6 王雷;基于人臉檢測的疲勞駕駛分析[D];合肥工業(yè)大學;2014年

7 朱學敏;基于卷積神經網絡的眼電信號疲勞檢測[D];上海交通大學;2015年

8 陳中勝;基于紅外視頻圖像眼睛信息特征的疲勞檢測[D];廣西科技大學;2015年

9 趙曉琳;基于面部信息的疲勞駕駛檢測方法研究[D];吉林大學;2016年

10 王帥;基于圖像處理的哨兵眼部疲勞檢測方法研究[D];云南大學;2016年

  本文關鍵詞：基于視覺的駕駛員疲勞檢測算法研究，，由筆耕文化傳播整理發(fā)布。

本文編號：265263