论文部分内容阅读
从二十世纪末开始，汽车数量急剧增加，我国每年都有数以万计的人死于交通事故，同时也给国家造成了巨大的经济损失。疲劳驾驶作为引发交通事故的三大杀手之一，引起了国内外专家和学者广泛的注意。本文主要对疲劳识别所涉及的特征选择、特征降维以及分类等关键技术进行深入研究，并提出新的解决方案，主要工作体现在以下几个方面：
(1)提出一种新的融合局部和全局的混合光流模型算法。针对疲劳人脸特征的灰度变化特点，引入变化的平滑约束项系数，自适应调整光流项和平滑项的比重；利用多重网格求解偏微分方程的方法计算光流，提高计算速度。
(2)提出一种基于SVD分解的自适应保局投影降维方法。由于疲劳样本缺失，很容易导致矩阵XDXr奇异，此时就不能直接用LPP进行降维。本文采用对原始数据矩阵作SVD分解，来有效的解决矩阵奇异性问题；为了保证距离较远点之间有足够的联系的同时尽可能的保持局部线性结构，本文采用邻域压缩或扩张方法来自适应邻域选择。
(3)提出了一种基于支持向量机的疲劳识别方法。针对疲劳样本少且不平衡问题，利用SMOTE向上采样方法扩充疲劳训练样本，采用支持向量机(Support Vector Machine)进行疲劳分类。
采用上面提到的方法进行了疲劳识别仿真实验，实验结果表明该方法的有效性。