论文部分内容阅读
是交通运输业的永恒主题。近年来,随着道路汽车数量的急速增长,交通事故的发生率也越来越高,给人类社会带来日益严重的的危害。在这严峻的环境下,疲劳驾驶检测技术受到了最为广泛的关注。作为一种避免交通事故、减少事故损失的有效手段,它成为交通工程领域的研究热点,代表着未来车辆发展的趋势。
本文对疲劳驾驶检测系统中若干关键技术进行了研究,具体的研究工作如下:
1、人脸跟踪与检测。采用AdaBoost人脸检测算法对人脸进行检测,深入分析Camshift算法实现人脸跟踪,并针对它的不足进行改进:利用AdaBoost人脸检测算法实现人脸跟踪窗口的自动初始化,提出了基于双眼模板匹配的CamShift人脸跟踪算法,解决了场景中存在大面积类似肤色物体干扰时跟踪失误的问题。
2、首次引入基于LBP-TOP(Local Binary Patterns From Three Orthogonal Panels)的嘴部特征提取方法对嘴部状态进行识别。LBP(Local Binary Patterns)是一种很有效的纹理描述算子,可以对灰度图像中局部领域的纹理信息进行度量和提取,能捕捉图像中微量的细节特征,而LBP-TOP是在LBP的基础之上结合考虑时空域的角度,分别从三个正交平面上提取嘴部图像序列的纹理特征,目的是更好的表达嘴部运动的实质信息。
3、提出了基于SLBP-TOP(Synthesized Local Binary Patterns From Three OrthogonalPanels)的嘴部特征提取方法。该方法为了进一步改善LBP算子存在的一些缺陷,根据LBP-TOP中不同平面嘴部信息的差异性,引入CBP(Centralizcd Binary Patterns)算子,在二者基础之上将三个平面的特征分为两类,分别采用LBP和CBP算子,然后综合三个特征作为SLBP-TOP(Synthesized Local Binary Patterns From Three Orthogonal Panels)特征。
4、眼睛与嘴部疲劳识别。在人眼定位和人眼状态检测的基础之上,计算PERCLOS值并设定其阈值来识别人眼疲劳;完成对驾驶员嘴部特征提取之后,利用SVM分类器对提取的嘴部特征进行分类,完成对嘴部状态的识别,计算PERLVO值并设定其阈值,完成嘴部疲劳识别。