论文部分内容阅读
针对汽车驾驶员的瞳孔空间位置检测技术一直是智能汽车技术的研究热门。通过检测驾驶员的瞳孔并分析其空间位置的变化,可以获取驾驶员的行为信息,从而为后续的决策系统提供重要的信息来源。该技术在人机交互、驾驶员异常行为检测、AR-HUD等技术领域都有着重要的应用。驾驶员的瞳孔空间位置检测技术可拆分为驾驶员的瞳孔检测技术以及瞳孔空间坐标测量技术。本文分别对瞳孔检测技术与瞳孔的空间坐标测量技术进行了详细的研究,总结了各类算法的优缺点,提出了一种面向AR-HUD系统的瞳孔空间位置检测技术。主要研究内容如下:1.分析现有的人眼检测算法在复杂场景下检测精度不高的缺陷,提出了一种结合多特征级联支持向量机与模板匹配的人眼检测算法。多特征级联支持向量机由两层级联的人眼分类器构成。第一层人眼分类器为HOG特征结合SVM,第二层人眼分类器为LBP特征结合SVM。当级联分类器未检测出人眼时,将历史帧检测出的人眼图像作为模板,通过模板匹配的方式来定位当前帧的人眼位置。实验结果证明本方法相比传统的单特征单分类器,在满足实时性的条件下能取得更高的检测精度。2.分析现有瞳孔精定位算法当中常用的快速径向对称算法只能适应圆形瞳孔的局限性,提出一种结合改进快速径向对称算法与椭圆拟合的瞳孔中心定位算法。首先改进了原快速径向对称算法的影响半径选取方法,使得单次变换后的眼部能量图具有更明显的峰值。然后取能量图的峰值点为瞳孔的伪中心点,并以该伪中心为出发点,通过结合随机一致性采样与星射线法的椭圆拟合方法拟合出瞳孔的边缘,以拟合出的椭圆的中心为真正的瞳孔中心。实验结果证明本方法相比原快速径向对称算法,不仅能适应椭圆瞳孔的情况且检测精度更高,实时性更强。3.通过分析驾驶员坐姿的一般规律,提出一种基于单目相机的驾驶员视点空间坐标测量算法。通过建立驾驶员眼位坐标与眼距之间的约束模型来获取驾驶员眼位的单个坐标,然后结合单目相机模型来测量出驾驶员眼位其他的空间坐标。取两眼空间坐标的平均值为驾驶员的视点坐标。实验结果证明了本方法具有较高的测量精度。4.依据AR-HUD系统需要驾驶员视点坐标稳定输出的需要,提出一种适应驾驶环境下的驾驶员视点空间坐标平滑方法。通过结合基于遗忘因子的递推最小二乘法与RANSAC来拟合驾驶员视点的运动模型,利用运动模型来对驾驶员视点空间坐标进行平滑处理,以降低驾驶员视点空间坐标抖动的影响。实验结果证明本方法确实可有效地平滑驾驶员视点的空间坐标,且具有较低的滞后性。