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。     

基于头部姿态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。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Ada Boost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(percentage of eyelid closure)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地进行眼睛的检测,对于进行驾驶员的疲劳判断有极大的意义。     

基于投影函数和梯度方向的快速人眼定位方法

本文提出了一种基于投影函数和梯度方向相结合的眼睛自动定位方法。首先利用水平投影曲线和垂直投影曲线确定眼睛区域,然后根据眼球的梯度方向信息定位眼睛中心。试验证明该方法计算简单,定位准确率较高,并且对头部姿态变化等具有一定的鲁棒性。     

驾驶员疲劳检测中的眼睛定位与状态分析

针对驾驶员头部多角度变化时眼睛定位困难的现状,提出了基于肤色检测和纹理特征的驾驶员眼睛定位算法.该算法采用肤色检测定位出人脸图像;根据眼睛灰度范围与其他部位的差异进行人脸图像二值化和形态学图像处理,确定眼睛候选区域;通过比较各候选区域纹理特征向量值的不同,确定眼睛位置,并基于黑斑拟合椭圆性质进行眼睛验证和睁开程度计算.计算结果表明,头部角度变化时各候选区域的纹理特征值差别仍较大.因此,该算法不受驾驶员头部角度的影响,眼睛定位准确率较高,且算法简单,计算速度快.     

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。     

头部多角度的眼睛定位与状态分析

针对彩色图像中人脸在多角度状态下眼睛定位困难的现状,提出了一种基于颜色信息且不受头部姿势影响的人眼精确定位的新方法。该算法首先检测出彩色图像中的人脸位置;然后在人脸区域内,根据肤色与眼睛、眉毛等颜色的差异性进行区分,得到脸部区域的非皮肤部分;接着对非皮肤部分进行数学形态运算,去除干扰点;然后采用平均复杂度方法定位出眼睛区域,并采用相似度计算检验眼睛定位正确与否;最后在眼睛区域内,精确定位眼白、虹膜,通过计算眼睛面积分析眼睛睁开程度。实验结果表明,该算法能精确检测出彩色图像中的眼睛并能快速判断出眼睛的状态。该方法不受头部姿势影响,计算简单,运算速度快,在定位精度及状态判断上具有优势。     

基于室内定位技术的人体姿态识别方法

独居老人摔倒等姿态检测是当今备受关注的问题.基于机器视觉的方法存在隐私侵入,成本高和实现过程复杂等问题,而基于加速度传感的方法对静止姿态识别存在困难.为此提出一种基于室内定位技术的老人姿态检测方案.首先在人体关键节点安装可穿戴接收标签,然后采用超宽带UWB测距方法,实现人体关键部位的定位和跟踪.在姿态估计算法中,分别采用最小二乘和改进的扩展卡尔曼滤波算法来抑制噪声,提高定位精度.仿真实验表明,改进的扩展卡尔曼滤波算法误差较小,可以较好地识别老人摔倒等姿态信息.     

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．     

基于眼睛状态识别的疲劳驾驶检测

由于光照变化、头部姿态等因素的影响,现有的疲劳驾驶检测精度仍有待提高。针对该问题,提出一种基于迁移学习的眼睛状态识别网络(Gabor and LBP-convolutional neural networks,GL-CNN),该网络是由Gabor特征和LBP特征通过迁移学习加入卷积神经网络(convolutional neural networks, CNN)调制组成的。首先用多任务级联卷积神经网络(multi-task CNN,MTCNN)检测驾驶员的人脸和双眼,然后经过眼睛筛选机制获取待检测的单只眼睛,通过GL-CNN识别眼睛的睁闭状态,最后根据PERCLOSE准则判断驾驶员的疲劳状态。实验结果表明,该算法具有较高的准确率,可以检测多种姿态眼睛的状态,同时满足实时性的要求。     

基于视觉的疲劳驾驶检测算法

在疲劳驾驶检测中,眉毛、眼睛等相似物体常常会引起误判。为了减小误检率,文章提出了一种基于扩展Haar-like特征的AdaBoost算法,并将其应用于对人眼的准确检测中。通过近红外摄像头获取驾驶员的脸部图像,减少光线对检测方法的影响;利用AdaBoost算法直接检测睁眼区域;计算连续闭眼的帧数占总帧数的比值,判定驾驶员的疲劳状态。在白天、夜晚以及光线突变的条件下测试的结果表明,该方法准确率较高,并且在光照和人脸角度变化的条件下,能准确地定位人眼区域,对其进行疲劳检测。     

基于YOLOv3模型的人脸检测与头部姿态估计融合算法

针对头部姿态估计中的人脸检测框尺寸难于学习问题和将人脸检测、头部姿态估计分为两阶段的模型中流程复杂、耦合程度高、误差累积严重的问题,本文提出一种基于YOLOv3模型的人脸检测与头部姿态估计融合算法。通过K-means聚类方法对训练集中人脸区域的尺寸进行聚类,得出9组聚类结果,以模拟真实情况下人脸区域的尺寸和比例;通过拓展YOLOv3模型,实现人脸检测和头部姿态估计同时进行,并在3个不同层次的特征图上进行人脸检测和头部姿态估计,实现对特征图的多尺度检测,充分利用了特征图中的信息;采用端到端模式进行训练,简化头部姿态估计任务的处理流程。在CAS-PEAL-R1姿态子集上取得99.23%的预测准确率,在Pointing′04数据集上pitch和yaw方向分别取得了3.79°和4.24°的平均绝对误差。结果表明,本模型在满足实时性要求的前提下,能够出色完成人脸区域检测与头部姿态估计任务,充分证实本文方法的可靠性与实用性。     

基于YCb＇Cr＇肤色特征和Otsu算法的人眼定位优化方法

为了解决光照和人脸姿态对人眼定位的影响,提出一种基于肤色特征和最大类间方差法（Otsu）相结合的人眼定位优化方法.该方法首先在检测出人脸的基础上,在YCb＇ Cr’色彩空间里做肤色检测,运用肤色分割原理缩小人眼检测的搜索区域;接着,对图像进行Otsu阈值分割,提取二值图像的眼睛区域;最后,在眉眼区域利用二值积分投影分别定位左右眼睛.该方法减小了光照对图像的影响,并且简单快速.在标准的VidTIMIT人脸库和自采图库上进行了实验仿真,结果表明,此算法在光照和人脸姿态变化的情况下都具有很好的鲁棒性.     

基于形变模型的三维人脸快速重建改进算法

针对传统三维人脸重建算法效率低且难以满足实际应用的缺陷, 提出一种三维人脸重建改进算法。该算法基于ASM（Active Shape Model) 增强算法, 自动地对特定二维人脸特征区域进行准确定位, 并实现三维人脸数据库的归一化; 利用稀疏形变模型对特定正面二维人脸进行快速三维重建; 采用明暗纹理恢复算法对重建后的三维模型人脸特征区域的每个顶点法线进行约束, 并将其应用于人脸识别中。实验结果表明, 该方法可实现对特定正面二维人脸快速三维重建, 并取得较好的三维重建精度与识别率, 与经典ASM算法相比, 精度提高12.3%, 迭代次数减少6次。     

驾驶疲劳监测系统DDDS设计方法

通过对各种疲劳监测方法进行比较分析,借助模拟驾驶仪器的研究成果,得出PERCLOS算法最适合评价驾驶疲劳程度.同时,提出一套基于PERCLOS和DSP处理器的驾驶疲劳监测系统总体设计方案,并设计开发出驾驶疲劳监测系统DDDS.监测系统应用图像差分的方法,采用灰度处理、膨胀、腐蚀等图像分析手段,实现准确定位并识别出驾驶员眼睛的睁开和闭合过程,通过分析眼睛闭合时间来判断疲劳程度.试验表明,DDDS系统对驾驶疲劳的检测准确率达到86.89%.     

驾驶疲劳监测系统DDDS设计方法

通过对各种疲劳监测方法进行比较分析,借助模拟驾驶仪器的研究成果,得出PERCLOS算法最适合评价驾驶疲劳程度.同时,提出一套基于PERCLOS和DSP处理器的驾驶疲劳监测系统总体设计方案,并设计开发出驾驶疲劳监测系统DDDS.监测系统应用图像差分的方法,采用灰度处理、膨胀、腐蚀等图像分析手段,实现准确定位并识别出驾驶员眼睛的睁开和闭合过程,通过分析眼睛闭合时间来判断疲劳程度.试验表明,DDDS系统对驾驶疲劳的检测准确率达到86.89%.     

一种改进的行人导航算法研究

目前大多行人导航系统的研究都以手持手机、绑在腰间等单一姿态为前提,并未考虑行人使用手机过程中同时存在接电话、放在上衣口袋等多种姿态的情况.分析了行人使用手机的4种常见姿态,基于行人航迹推算(pedestrian dead reckoning,PDR)算法设计了一种改进的行人导航算法.利用神经网络(back propagation,BP)模型对手机姿态进行智能识别,设计了一种新的步态检测算法来对多姿态下的步态进行有效检测,并将行人行走过程分为单一姿态与姿态切换过程,对2个过程的航向进行了修正.软件测试结果表明,多姿态下实现系统定位精度在20‰以内,达标率在85％以上,应用于导航系统能够提供准确、可靠、持续的位置信息.     

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.     

基于方向盘操作的驾驶人疲劳状态实时检测方法

基于实际道路条件下的车辆行驶实验数据,通过分析驾驶人在疲劳状态下的方向盘操作特征,提出了双时间窗指标提取方法,采用该方法提取了最大零速百分比和最大角度标准差两个疲劳判别指标。以此为基础建立了Fisher线性判别算法,同时为减少对非常疲劳状态的误判,加入驾驶人疲劳状态时变判别准则,最终形成了驾驶人疲劳状态实时检测模型。使用实路数据对模型进行验证,结果表明模型对疲劳驾驶的识别率达到82%。     

灰度视频序列中驾驶员疲劳实时检测方法

介绍了一种灰度视频序列中快速、有效的通过判断眼睛睁开程度来检测驾驶疲劳的方法,首先通过改进的Sobel算子在面部区域获得五官边缘的二值化图像,然后进行连通区域判断,并结合五官几何特征、区域生长及形态学算法精确定位眼睛位置,最后利用上下眼睑的相对距离来判断是否疲劳.实验结果表明;该算法对尺寸、旋转角度等有很好的适应性.