论文部分内容阅读
随着道路交通持续的发展,汽车逐渐成为出行不可缺少的工具。虽然汽车给人们的外出带来了便利,但是却给交通安全带来了一些消极的影响。据调查显示,近年来由汽车引发的交通事故发生率持续增加,而这些交通事故中有很多是因为疲劳驾驶行为导致的,所以研究与实现一套高效且精准的疲劳驾驶检测系统,来降低疲劳引起的交通事故是十分必要的。人脸作为人体的关键组成部分,包含着丰富的特征信息,当驾驶人产生疲劳时,闭眼时间和眨眼频率都会与正常驾驶状态不同,并且可能出现打哈欠,因此本文主要基于人脸特征对疲劳驾驶的检测展开研究,主要工作如下:基于KCF的人脸跟踪算法,本文研究和设计了一种MC-KCF的人脸跟踪算法,该算法提高了人脸跟踪的精确度。KCF仅使用了单一的HOG特征,在复杂环境下人脸跟踪的准确度有所下降。同时KCF算法需要在初始帧对被跟踪目标进行手动标注,并且当目标消失后再次回到视野时,KCF算法可能无法立即找回目标,甚至丢失目标。因此本文利用多尺度CNN特征和MTCNN对KCF进行优化,设计和实现了基于MC-KCF的人脸跟踪算法。基于DCNN的人脸关键点检测模型,本文研究和设计了一种BL-DCNN的人脸关键点检测模型。该模型能够获得20个人脸关键点,并且检测的精度和速度得到了提高。DCNN人脸关键点检测模型只能获取5个人脸关键点,虽然能够得到眼睛和嘴巴等关键特征的位置,但是无法确定它们的大小,并且DCNN检测速度较慢。因此本文基于MobileNet模型中Bottleneck层,对DCNN模型的检测过程和网络结构进行优化,设计和实现了一种基于BL-DCNN的人脸关键点检测模型。最后基于人脸关键点检测结果对人脸的眼睛和嘴巴等关键特征进行定位。基于人脸眼睛和嘴巴等关键特征的定位结果,本文提出了一种结合眨眼频率、闭眼时间以及打哈欠等多种特征的疲劳驾驶检测方法,该方法提高了疲劳驾驶检测的准确度。针对眼睛闭合状态的识别,本文提出了一种基于CNN的眼睛状态识别模型,并且结合眼睛张角进行辅助识别。针对嘴巴打哈欠的识别,本文使用嘴部附近的关键点统计嘴巴张开较大程度持续的时间来判断。本文设计和实现了基于人脸特征的疲劳驾驶检测系统,将本文提出和优化的方法集成于系统中,最后通过实验对论文中提出的方法和系统进行测试。