论文部分内容阅读
人体疲劳状态的产生受多种因素影响,在疲劳状态下工作不仅会影响工作质量,在诸多领域更会造成生命和财产的损失。在交通领域,我国每年由疲劳驾驶导致的交通事故数量占总数的20%,并有9000余人因此遇难。因此,研究疲劳状态的实时检测方法,防备由于疲劳驾驶造成的意外事故,具有广阔的应用前景。本文主要研究驾驶场景下基于人眼状态的疲劳检测方法,主要工作如下:第一,实现了一种基于模糊综合评价的疲劳检测算法。使用Adaboost级联分类器检测人脸并分割人眼区域,进行图像预处理以减少环境干扰,采用图像处理的方式精确定位人眼并提取人眼特征参数。提出一种基于模糊综合评价的人眼状态识别方法与疲劳状态判定方法,实验证明,模糊综合评价法系统性强、结果清晰,在测试集上的人眼状态识别准确率为95.3%,疲劳判定准确率为93.8%。第二,实现了一种基于人脸特征点定位的疲劳检测算法。采用基于ERT(Ensemble of Regression Trees)的人脸对齐方法进行人脸特征点定位,使用眼睛纵横比EAR(Eye Aspect Ratio)进行睁闭状态识别,提出一种基于头部姿态欧拉角的特征校正算法,实验证明该算法能有效减少摄像角度与头部姿态变化的影响,提高眼部疲劳特征提取的准确性。算法根据眼部疲劳特征与头部异常动作进行疲劳驾驶与危险驾驶检测,在测试集上的准确率为95%。第三,不同于常用的基于人脸检测的疲劳检测算法,本文将目标检测技术应用于疲劳检测,实现了一种基于深度卷积神经网络SSD(Single Shot MultiBox Detector)的疲劳检测算法。基于Pytorch框架进行网络搭建,采用自建的人眼与嘴巴状态标定数据集进行网络训练。实验证明,训练得到的SSD网络对于头部姿态与外部干扰具有良好的鲁棒性,能够适应复杂的条件变化,在测试集上人眼状态识别的精确率达到99.7%,召回率在96%以上。算法结合模糊综合评价思想与单指标判定方法进行疲劳程度判定,能够对人体的清醒、疲劳、重度疲劳状态进行有效识别,在测试集上的总体准确率为96%。以上三种疲劳检测算法都能够有效检测驾驶员的疲劳状态,其中所实现的两种基于人脸检测的疲劳检测算法检测速度较快,但对头部姿态与面部遮挡的鲁棒性较差;基于SSD的疲劳检测算法不依赖于人脸检测,鲁棒性良好但检测速度较慢,能够满足低帧率摄像头的实时检测要求。