论文部分内容阅读
近年来,我国由疲劳驾驶所导致的汽车交通事故高发,且数量逐年增多,这已经严重威胁到了人们的生命健康和财产安全。预判驾驶员的疲劳状态并预警,能从根本上控制交通事故的发生,由于汽车驾驶员的疲劳状态可以直接反映在视觉特征、生理指标和车辆行为上,现已逐渐成为国内外的学术领域和汽车行业的重要技术研究热点。本文针对目前汽车驾驶员疲劳评估方法费时、准确率低、硬件要求高的缺陷,提出一种基于多特征融合进行疲劳驾驶检测的方法。主要研究工作为:1.对视频图像进行预处理。视频图像历经采集、传输、存储,在此过程中其质量会因受到噪声干扰而降低,而且在行车过程中驾驶员的面部区域会被不同光线条件所影响,因此本文预先对视频图像进行下述两种处理,保证能够准确检测人脸:(1)基于双邻域中值滤波去除图像噪声;(2)结合直方图均衡化算法和对数变换均匀图像光照。2.实时人脸检测。综合考虑速度和准确性这两个指标,本文选用HOG特征检测视频图像中的人脸,即在人脸图像上按照不同大小的窗口进行滑动扫描,同时提取该块的FHOG特征,并用SVM训练出的人脸分类器判定当前块是否属于人脸,结束对整幅图像的扫描后,存在同一人脸区域被多次检出的情况,用非极大值抑制对此现象进行处理,然后得到人脸检测的最终结果。经实验,该方法对遮挡、人脸变化具有鲁棒性。根据实际应用需要,本文只进行最大人脸检测。3.高精度面部特征点定位。在正确检出人脸的基础上,本文基于级联的残差回归树标注68个人脸特征点,这些点的坐标信息将用于计算疲劳特征参数。实验表明该方法既方便又有高识别率,可以为后续的头部姿态估计提供准确的人脸特征点坐标值。为了排除其他人脸信息的干扰,本文只对检测出的最大人脸唯一定位人脸特征点。4.眼部和嘴部疲劳检测。基于PERCLOS准则由人眼的12个特征点计算眼睛纵横比EAR,根据EAR阈值来识别眼部睁闭状态,进而实现眨眼检测,然后统计在单位时间内发生眨眼的次数,从而求出眨眼频率;对于嘴部疲劳状基于多特征融合的疲劳驾驶检测技术研究态的识别,首先根据嘴巴的10个特征点计算嘴部高宽比MAR,找寻合理的MAR阈值进行哈欠初判,再结合嘴巴张开持续时间来二次验证是否打哈欠,同样地,对单位时间内的打哈欠次数进行统计,求出打哈欠频率。5.头部姿态角计算。头部姿态估计是从二维视频图像映射到三维空间的过程,本文从定位出的68个2D人脸关键点中选择了14个具有代表性的点,通过用这些点去匹配3D标准人脸模型,求解出3D模型点和对应2D图像点之间存在的转换关系,则头部姿态角可由旋转矩阵求得,从而实现头部姿态估计。6.多特征融合进行疲劳状态判断。提取出眼睑开合度、眨眼频率、嘴巴张开度、打哈欠频率和头部姿态角五种疲劳特征,得到七个特征参数,选定了采用RBF核函数的支持向量机将上述特征融合起来建立疲劳检测模型,然后在自制的疲劳驾驶检测视频数据集上开展对比实验,一方面证明本文所提出的方法具有较快的运行速度,可以用于进行实时检测;另一方面实验结果表明本文基于多特征融合的疲劳驾驶检测算法正确识别疲劳状态的能力明显高于传统的基于单疲劳特征的方法,并且同另外两种现有方法的疲劳驾驶检测准确率进行比较,进一步体现出了所提方法的优良性能。