基于多特征融合的疲劳驾驶状态识别方法研究

针对交通安全中疲劳驾驶状态识别问题，使用单一的疲劳驾驶特征的方法识别率较低，本文提出一种基于面部多特征加权和的疲劳识别方法.通过人眼状态检测算法提取眼部疲劳参数，即持续闭眼时间、闭眼帧数比、眨眼频率，通过打哈欠状态检测得到打哈欠次数和打哈欠持续时间，通过头部运动状态分析得到点头频率，建立融合以上六个特征的驾驶疲劳状态检测模型来评估驾驶员的疲劳等级并进行相应的预警.实验测试数据选自NTHU驾驶员疲劳检测视频数据集的部分数据.经实验调整后，发现该方法的识别准确率较高，识别效果好.     

基于人脸关键点的疲劳驾驶检测研究

为解决疲劳驾驶检测中人眼状态识别的难点,提出一种基于人脸关键点的疲劳检测方法.首先从摄像头实时采集驾驶员图像;然后经过Ada Boost方法检测出图像中最大的人脸,并完成人眼定位和人眼睁闭状态判断;最后使用PERCLOS算法判别驾驶员的疲劳状态.其中人眼睁闭状态判定采用基于Dlib库的关键点检测方法,通过计算上下眼睑的距离判断人眼睁闭状态.采集了1 000组人眼状态的数据之后进行分析,在闭眼时99%的状态值都小于2,而眼睛全睁时99%的状态值都大于2.4,当状态阈值设置为2时基于人脸关键点的检测算法正确率最高.试验结果表明,基于人脸关键点的检测算法在头部倾斜等姿态下和光线不好的情况下仍能很好地检测出驾驶员的疲劳状态,具有较强的鲁棒性.     

基于头部状态的司机疲劳综合检测系统

为了减少由于驾驶员疲劳驾驶引起的交通事故,针对司机的驾驶状态,设计驾驶员疲劳状态检测系统的方案。系统采用多状态检测方式,系统中结合连续驾驶时间和司机面部状态,判断司机疲劳程度。面部状态首先使用3x3中值滤波去除噪声和光照对图像的影响,然后通过肤色模型快速检测,确定人脸区域。再通过积分灰度投影对人眼进行准确定位;最后通过PERCLOS、眼睛闭合时间、眼睛眨眼频率、嘴巴张开程度、头部运动以及连续驾驶时间的计算,进行驾驶员疲劳程度的综合判定。实验结果表明,该方法准确率高,兼具了良好的实时性和鲁棒性。     

基于DSP人脸特征识别的司机疲劳驾驶预警系统研究

疲劳驾驶是造成交通事故的一个重要原因。为实时有效地检测驾驶员的疲劳状态,设计了一种融合眼睛和嘴巴两种疲劳特征进行疲劳状态判定的检测算法,并构建了基于DSP人脸特征识别的司机疲劳驾驶预警系统。该算法采用"Harr特征值+Ada Boost"的方法进行人脸识别,然后根据人脸图像的灰度分布定位眼睛和嘴巴的位置,利用Hough变换,以及模板匹配技术判断出人眼的开闭状态,计算PERCOLS值作为司机疲劳驾驶的一个判断指标。除此之外,本系统还利用嘴巴的宽高比及打哈欠的持续时间来综合判定司机的疲劳状态。通过仿真测试结果表明该系统的算法准确、可行、实时性强。     

基于面部特征分析的疲劳驾驶检测方法

为避免疲劳驾驶,通过提取面部疲劳特征参数的方法研究了驾驶员疲劳检测技术.对SSD(single shot multi box de-tector)目标检测算法及连续自适应均值漂移跟踪算法(continuously adaptive MeanShift,CamShift)进行优化,以检测人脸区域.利用特征点定位提取面部疲劳特征参数,并基于眼睛闭合时间百分比(percentage of eyelid closure over the pupil over time,PERCLOS)设定疲劳阈值和疲劳检测策略.在实车样本集上进行试验,结果表明:优化的人脸区域定位方法对光线变化、类肤色干扰的鲁棒性更强;所提取的疲劳特征参数能有效反映驾驶员疲劳状态,平均识别准确率达到了92.2％.改进后的算法系统在基于视觉特征的疲劳驾驶检测技术中达到了较高水平,对于预防交通安全事故具有重大意义.     

一种基于人脸视觉的驾驶疲劳检测的算法

提出了基于人脸视觉技术的驾驶疲劳检测方法．首先利用帧差法检测人脸,然后对脸部进行跟踪．在可靠人脸的基础上,定位眼睛及特征提取,根据疲劳人眼特征和头部状态的疲劳检测来决定是否触发警告．实验证明,可以在自然光情况下,快速实时有效识别出驾驶员疲劳时眼部状态,本算法具有较好鲁棒性．     

基于车载视觉的端到端驾驶员疲劳检测模型

营运驾驶员长时间疲劳驾驶是导致事故发生的重要原因,为此,企业在营运车辆上安装相机采集驾驶员面部视频,基于模型和算法自动识别驾驶员的疲劳状态,通过语音提醒甚至启用远程护航进行疲劳干预,以此提高驾驶安全。现有的疲劳检测研究大多数都是基于面部关键点检测的算法,该类算法对面部视频的质量要求严格。在真实的营运行车环境中,夜晚光线过差,相机位置安装不理想,驾驶员面部遮挡等均会造成关键点检测失效,从而影响模型的准确性。基于卷积神经网络(CNN)和长短时记忆神经网络(LSTM)设计了一种端到端营运驾驶员疲劳检测模型,该模型以相机采集的驾驶员面部视频作为输入,使用CNN网络提取视频单帧特征,在此基础上将时序单帧特征作为LSTM网络的输入来最终识别驾驶员的疲劳状态,实验表明,模型的接收者操作特征曲线下面积(AUC)为0.9,远优于现有的面部关键点模型。此外,为了提高该模型在实际行车环境中的鲁棒性,基于光线变化及相机变化的模拟操作在训练数据上进行了数据增强,通过模型重训练进一步提高了模型的精度及鲁棒性。实验结果表明,改进前,营运车辆行车环境下模型的AUC相比实验室模型下降37.3%,而改进后AUC仅下降9....     

基于改进的深度卷积神经网络的人脸疲劳检测

针对疲劳驾驶检测问题,提出一种以softmax损失与中心损失相结合的深度卷积神经网络算法。首先,利用含有方向的梯度直方图(histogram of oriented gridients,HOG)和级联分类器(support vector machine,SVM)算法的Dlib库中预训练的人脸检测器,来检测驾驶员的脸部区域。其次,使用级联回归(ensemble of regression trees,ERT)算法实现脸部68个关键点标定及眼睛和嘴巴的定位。最后,为了优化softmax损失在深度卷积网络分类中出现的类内间距大的问题,加入中心损失函数,提高类间差异性、类内紧密性以及驾驶员脸部疲劳状态识别准确率。在自建测试集和YawDD哈欠数据集中的实验结果显示,该方法能够准确地识别检测驾驶员疲劳表情,平均识别准确率达到98.81%。与传统的疲劳驾驶检测识别方法相比,该方法可以自动进行疲劳特征提取,并且训练准确率、检测识别率及鲁棒性得到提高;与未改进的深度卷积网络相比,检测识别的概率平均提高了约5.09%。     

基于眼睛与嘴部状态识别的疲劳驾驶检测

为在驾驶员佩戴眼镜的情况下也能准确有效地检测疲劳状态, 提出一种判断是否佩戴眼镜的方法, 并建 立了基于眼睛与嘴部状态的疲劳驾驶检测系统。 对该系统中有关目标检测、 特征提取与图像识别等算法进行 研究。 首先, 采用 Adaboost 算法通过人脸分类器从视频帧中检测人脸区域, 并根据面部器官几何分布规则粗检 眼睛与嘴部区域; 其次, 基于大律法自适应二值化, 采用垂直积分投影法判断是否配戴眼镜, 根据灰度直方图 统计特征值法判断戴眼镜的眼部区域状态, 另外, 利用似圆度判断嘴部打哈欠情况; 最后, 利用 PERCLOS (Percentage of Eyelid Closure over the Pupil)值识别眼睛疲劳状态, 利用打哈欠频率识别嘴部疲劳状态。 当检测 到驾驶员处于疲劳状态, 则及时给出疲劳警告。 实验结果表明, 该方法可有效解决眼镜对检测的干扰, 并适用 于不同光照与环境。 同时, 在戴眼镜情况下对于眼睛与嘴部疲劳状态的判断优于其他方法。 基本满足疲劳检 测系统对良好的实时性、 稳定性与鲁棒性等要求。     

基于ASM和眼嘴自动标点的差距化疲劳识别

人的眼睛和嘴巴是面部当中最能表现状态的重要因素,准确有效的提取它们特征的能够应用于多种场合;针对经典弹性图匹配算法中人脸特征点的定位问题,通过手工标定特征点,用可变形状模型(ASM)法对人眼和嘴部定位点训练,然后使能够机器自动标定,通过匹配后计算与正常状态的点的差距,从而对驾驶员驾驶过程中疲劳状态进行检测和警告;仿真实验得出结论表明:此法能利用短时间,快速且较为准确的识别疲劳。     

基于头部姿态的眼睛差分定位的驾驶员疲劳检测

基于面部特征的驾驶员疲劳判断是应用最广泛的方法,而眼睛睁闭程度最直接表达驾驶员的精神状态。传统的眼睛检测方法受环境、传输、头部姿态的影响,眼睛的定位精度不高,从而导致疲劳分析不准确。本文提出一种基于脸部图像灰度差进行眼睛检测的方法,正常情况下在人脸上半部只有眼睛进行睁闭的活动,故眼部区域灰度会发生变化,由此来进行标定。该方法主要包括基于adaboost算法的人脸识别、图像预处理、眼睛的检测、积分投影法计算眼睛的高宽比以及基于PERCLOS准则的驾驶员疲劳判断。最后分别基于头部左转、右转和正视三种情况下进行实验,根据结果表明该方法能够较好的进行眼睛的检测,对于进行驾驶员的疲劳判断有极大的意义。     

基于肤色模型和径向基函数网络的脸部检测

驾驶员疲劳状态检测一般采用对人眼的闭合度进行计算,若实现对人眼的闭合度计算首先是对人脸的正确快速检测,针对驾驶室的特定环境,本文研究一种基于肤色模型和径向基函数网络为基础的快速人脸检测算法,该算法首先对输入图像进行RGB和YCbCr颜色空间的转换,其次建立相关的肤色模型,实现人脸区域的粗定位,然后结合径向基函数网络对输入的图像进行训练,这样就可以根据训练的结果判断是否是肤色,从而实现人脸检测。仿真结果表明,所研究的算法较好的提高了强光下人脸的正确检测,为驾驶员疲劳驾驶的研究奠定前期基础。     

不同姿态下基于多特征融合的疲劳状态检测方法

针对传统的基于单一特征的疲劳检测方法误检率高、可靠性不强、无法适应复杂多变的行车环境等问题,提出了一种将驾驶员的眼睛、嘴巴等多种面部特征进行融合的疲劳驾驶检测方法。与现有的人脸检测模型相比,这里提出的基于梯度提高的学习框架对于侧脸的检测效果更佳,并且能够更好地满足检测时间上的要求;同时通过改进的LeNet-5神经网络模型对视频中的笑容进行分类,排除了表情变化对疲劳驾驶检测的干扰;最后为了降低头部姿态的偏转对疲劳特征提取的影响,引入了基于欧拉角的特征校正算法;对YawDD疲劳驾驶数据集的检测结果表明:不同姿态下基于多特征融合的疲劳驾驶检测不仅能够有效降低头部偏转对疲劳驾驶检测的影响,而且比传统的疲劳检测方法具备更高的鲁棒性。     

驾驶员疲劳状态检测方法研究

为解决由于疲劳驾驶导致交通事故的问题,采用视频图像分析技术处理疲劳的相关特征,运用基于训练的 Adaboost 人脸检测算法精确定位司机脸部和眼睛区域,实时采集眼睛二值化区域面积,采用阈值比较法进行眨眼判断,并提取眼皮疲劳参数 AECS( Average Eyelid Closing Speed) 和 PEＲCLOS( Percent Eyelid Closure over the Pupil Time) ,进行综合疲劳状态分析,最终确定是否疲劳驾驶。实验结果显示,人脸和人眼检测的精度都有较大程度提高,设计的软件可实时监测驾驶员疲劳状态,有效防止疲劳驾驶。     

考虑个体差异性疲劳驾驶检测方法研究

研究个体差异性对疲劳驾驶检测的影响.基于驾驶模拟实验,提取了20名驾驶人不同驾驶状态下的眼动特征参数.基于支持向量机,搭建了通用检测模型,分析了不同驾驶人之间检测结果的差异性.运用配对样本t检验和方差分析分别量化了驾驶人疲劳和个体差异性对眼动特征影响的显著性水平,以及综合影响的显著性水平.搭建了个体检测模型,并进行了实验验证.结果表明,眼动特征受疲劳驾驶和驾驶人个体差异性的显著性影响,同时,个体差异性会削弱由疲劳驾驶导致的差异.在构建疲劳驾驶检测模型时应充分考虑驾驶人个体差异性.     

基于改进YOLOV7与StrongSORT算法的列车司机手比行为检测

列车司机驾驶行为的规范性直接影响到列车行车安全与状态，但当前对列车司机手比行为的检测仍存在不足。为了对列车司机手比行为进行有效检测，本文利用动车组模拟驾驶系统所采集的司机乘务作业影像，结合采用融合注意力机制的You Only Look Once Version 7 (YOLOV7)神经网络模型与Strong Simple Online and Realtime Tracking (StrongSORT)算法，对动车组司机驾驶过程中的5种手比行为进行检测。实验结果表明：本文算法可以有效提升对列车司机乘务作业时不同类型手比行为的检测效果，其中检测精确率平均提升1.2%，检测召回率平均提升1.9%。本文提出的算法将有助于改进铁路院校、机务部门对列车司机日常训练、工作考评的效果，提高列车行车过程中的安全性。     

高原公路驾驶员心率变化规律研究

驾驶员心理紧张度与行车安全有直接的关系,而心率变化是心理紧张度的直接反应。利用生物反馈仪对驾驶员在不同海拔的心率变化进行系统研究和分析。以LF/HF作为疲劳评价指标,利用SPSS建立LF/HF与海拔的关系模型并对此进行研究。随着海拔的升高,驾驶员行车疲劳度会更加明显。驾驶疲劳度对驾驶员的心率产生的影响越明显,行车过程中越容易发生安全问题。     

基于人眼状态的驾驶员疲劳检测

为提高驾驶员疲劳检测的准确性, 提出一种改进的眼睛状态检测方法。利用“参考白冶算法对原始帧图像做光照补偿处理, 基于肤色特征检测出人脸; 利用积分投影法将人脸和眼睛分割出来, 结合眉毛和眼睫毛之间距离的变化、眼睛区域黑色像素点的个数变化这两个参数对眼睛的状态做出判断。若连续5 帧图像眼睛均为闭合状态, 则系统给出疲劳警报。实验结果表明, 利用两个参数检测的准确率高于单个参数检测的准确率。