论文部分内容阅读
近年来,随着汽车行业迅速发展,人们对快速、舒适、便捷生活需求的不断提升,自驾出行成为了现代家庭首选。但日益增加的汽车拥有量不仅会加重道路负担造成交通阻塞,还直接导致交通事故率上升。其中,由疲劳引发的交通事故数量不断增加,因其带来的严重后果逐渐赶超酒驾、超载等事故原因,疲劳驾驶开始受到人们关注。故为了减少发生恶性交通事故,营造安全舒适的行驶环境,研究有效的疲劳驾驶检测技术至关重要。目前大多数的疲劳驾驶检测方法基于提取单一的特征指标,检准率不高且环境要求严格。基于此,本文提出了一种基于头部特征和姿态估计的多特征融合快速检测驾驶疲劳的新方法。该方法无需借助外接设备,低成本且保证了高检准率和较好的鲁棒性。考虑到人眼易受遮挡,本文加入头部姿态参数评估疲劳程度。首先基于梯度方向直方图特征结合局部约束神经模型算法思想提取驾驶员人脸特征,然后基于EPnP算法思想实现头部姿态估计,接着定义并计算四个评价指标:头部正向点头率、头部姿态异常率、眨眼率、PERCLOS值。最后基于粗糙集理论的多特征指标融合方法实现疲劳驾驶评估。本文方法已通过实验证明其可行性。本文研究内容主要包含以下几个方面:1、实时提取面部五官特征是实现本文方法的前提条件。本文通过摄像头监测驾驶员头部状态,首先基于梯度方向直方图特征实现人脸检测,在获取人脸基础上,基于局部约束神经模型算法思想对人脸特征点进行定位和提取。本文中求取的人脸特征点坐标信息将成为计算各表征疲劳状态评价指标的输入。2、驾驶员头部姿态估计是从二维视频图像到三维空间的转换过程。本文基于具有代表性的12个人脸特征点2D坐标、标准的3D人脸模型坐标以及通过相机标定求出的相机内参这三个参数,基于EPnP算法思想估计驾驶员头部姿态。本文方法可以实时获取驾驶员头部姿势三维偏转角。3、驾驶环境的特殊性导致单一特征不足以反映疲劳程度,故本文提出多特征指标融合方法:基于面部特征坐标和三维头部姿态,引入PERCLOS方法,定义且计算四个评价指标:PERCLOS值、点头率、头部异常率和眨眼率。设定各项特征基于疲劳程度的评估阈值,最后基于粗糙集理论的多特征指标融合方法实现疲劳驾驶程度评估。