论文部分内容阅读
在复杂驾驶环境下对驾驶员的疲劳状态进行实时检测,及时做出预警是汽车安全行驶的重要保障。本文将从驾驶员的面部检测与跟踪、眼部检测以及疲劳状态检测四个方面进行研究:(1)面部检测。针对传统的人脸检测算法在驾驶员面部检测过程中容易受到驾驶员的姿态变化,面部遮挡以及光照、天气等外界环境变化影响的问题。提出了利用卷积神经网络结合自适应滑动窗口法,实现对驾驶员面部区域的特征的提取与检测。(2)面部跟踪。对传统的DSST(Discriminative Scale Space Tracker)目标跟踪算法进行改进,使其更好的适应驾驶环境下的驾驶员面部跟踪。此外,对在驾驶环境下的驾驶员面部跟踪数据进行统计,提出了区域搜索策略。将区域搜索策略与改进的DSST跟踪算法相结合,建立驾驶员面部跟踪模型。同时,本文还引入了基于GPU(Graphics Processing Unit)加速的YOLO(You Only Look Once)目标检测跟踪算法,对在复杂驾驶环境下的驾驶员面部区域进行跟踪实验。通过仿真实验,基于区域搜索策略结合改进DSST算法与基于GPU加速的YOLO检测跟踪算法都取得了较好跟踪效果。但是YOLO目标跟踪算法消耗更多的计算资源。因此,本文选择基于区域搜索策略结合改进的DSST算法作为驾驶员的面部跟踪算法模型,实现对驾驶员面部的跟踪。(3)眼部检测。根据人眼位置的先验知识,提出基于粗定位与精确定位相结合的驾驶员眼部检测定位模型。首先根据眼部位置在人脸图像中的大致范围,初步的定位出眼部在面部中的位置区域。然后建立了驾驶员眼部数据库,构建驾驶员眼部识别的卷积神经网络,并且结合滑动窗口法实现对眼部区域的准确定位。(4)疲劳识别。在驾驶员眼部定位模型的基础上,提出基于形态学和基于卷积神经网络的眼部特征参数提取模型,提取驾驶员眼部的高宽比与眼部的闭合百分比,结合PERCLOS(Percentage of Eyelid Closure over the Pupil)的判定原理实现对驾驶员疲劳状态的检测。