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%.     

基于MSR的疲劳驾驶安全检测技术应用研究

随着我国交通日渐繁忙,交通事故数量不断增多,其中疲劳驾驶是发生率比较高的。针对这种情况,在传统的疲劳驾驶监测系统上进行改进,采用MSR图像增强算法,针对复杂环境下捕捉到的图像进行增强,并通过视觉定位,更准确地分析驾驶员眼睛所处状态,利用分阶段轮廓活动模型方法,分析驾驶员眼睛疲劳参数,对眼睛眨眼频率、闭合时间、PERCLOS等参数分析,构建疲劳驾驶安全识别系统。     

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。     

基于机器视觉的露天矿司机驾驶疲劳监测

为监测露天矿司机驾驶疲劳状态,利用AdaBoost算法快速实时露天矿司机脸部跟踪检测,基于模板匹配算法和改进型SNAKE算法提取司机眼睛特征,运用眼睛累计闭合持续时间占某特定时间的百分率(PERCLOS)算法判断司机是否处于驾驶疲劳状态,有效地实现了基于机器视觉的、车载的、实时的、非接触的、无干扰的露天矿司机驾驶疲劳状态监测系统.经应用验证了系统可行性,并对保护人员生命,提高矿山经济效益具有重要的意义.     

基于眼部行为的驾驶疲劳监测方法

为了克服percentage of eyelid closure(PERCLOS)法作为疲劳监测方法对仪器要求过高的弱点,通过室外行车实验验证其实时监测的适用性的同时,在室内以眨眼次数和闭眼时间为主要实验分析研究对象,检验两者的数值与驾驶疲劳程度之间的关系以开发新的疲劳监测指标.通过实验分析结果论证PERCLOS实际应用的可能性,眨眼次数与闭眼时间作为驾驶疲劳眼部行为的评价指标的有效性和应用价值.     

基于行为特征的疲劳驾驶检测技术研究

介绍了几类目前常用的疲劳检测技术的优缺点,提出了一种改进的疲劳驾驶检测方法:先通过2次图像投影和形态学方法实现眼睛精确定位;再根据眼睛睁闭时,其眼睛宽高比的差异,提出一种眼睛状态的识别方法;根据PERCLOS方法的判断是否疲劳.算法能够有效减少计算量提高运算速度,并在实验室内取得了较高的精确度.     

模糊神经网络在驾驶员疲劳检测中的应用

针对驾驶员疲劳检测算法中数据量大、高速传输、复杂运算的实际需要,以DSP器件TMS320DM642为核心处理器,开发了嵌入式的驾驶员疲劳驾驶状况实时监测系统;为解决因疲劳/瞌睡驾驶而造成的交通事故,针对国内各种疲劳检测方法大都采用单一的疲劳特征进行疲劳识别的现状,运用模糊神经网络方法,将多个疲劳特征参数:眼睛闭合时间占某特定时间的百分率(PERCLOS)、眼皮的平均闭合速度(AECS)、点头频率(NodFreq)、哈欠频率(YawnFreq)结合起来对驾驶员疲劳状况进行识别,准确率达88.7%.试验结果表明,算法对疲劳检测问题有较好的效果,系统的开发对降低因驾驶疲劳引发交通事故发生率的研究具有重要意义.     

基于眼睛状态检测的驾驶员疲劳驾驶分析

利用眼睛的状态对驾驶员疲劳进行分析主要有人眼检测和疲劳判断两大问题。驾驶过程中受到光照、角度及眼睛闭合等因素的影响,传统的人眼检测技术误码率较高,而混合复杂的检测技术实时性较差。针对该问题,文章提出一种适用于驾驶员驾驶过程中的人眼快速定位算法。该方法由粗到细,综合运用基于OpenCV的人脸识别、二值化、改进型灰度积分投影、Susan算子角点提取等技术,并结合PERCLOS(percentage of eyelid closure)方法进行疲劳分析。实验结果表明,该方法对各种驾驶环境下驾驶员眼睛的定位,都能快速地获得较高的精度,疲劳检测正确率较高。     

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.     

疲劳判断系统的探索与实现

对常用识别技术进行了综合和改进,最后达到了准确度高,受背景影响小的效果.所引入的疲劳判断系统采用PERCLOS方法来判断人是否处于疲劳状态,即通过摄像头读入人脸图像,然后对图像进行分析,以实现对人脸的识别,眼睛状态的判断.通过统计一段时间内的开闭比例来达到判断人是否疲劳的目的.     

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.     

基于呼吸疲劳节点的驾驶员疲劳状态判别研究

为了提高呼吸信号判别驾驶疲劳的准确率,本文通过模拟驾驶试验探究了呼吸信号与驾驶员疲劳状态的关系,提出了呼吸疲劳节点的概念,并基于呼吸疲劳节点判别了驾驶员的疲劳状态。首先,通过模拟驾驶试验采集驾驶员的呼吸信号,采用Karolinska嗜睡量表 (Karolinska Sleepiness Scale, KSS) 对疲劳程度进行主观自评量化。其次,把单位时间内眼睛闭合百分比 (Percentage of Eyelid Closure over the pupil over time, PERCLOS) 作为参考,与主观自评反馈结合,对驾驶员呼吸疲劳节点进行标定。最后,基于呼吸疲劳节点利用随机树算法获得了轻/重度呼吸疲劳变化节点的判别模型。结果表明:该模型能更加及时、准确地判别出驾驶员的疲劳状态;基于随机树算法获得的筛选条件对轻度呼吸疲劳变化节点识别的准确性要高于重度呼吸疲劳变化节点;轻/重度呼吸疲劳变化节点的平均识别误差分别为3.50 min和3.66 min,预测准确率分别为92.09%和92.03%。     

人脸检测及眼睛定位在驾驶员疲劳检测中的应用

人眼状态可以很好地反映疲劳程度,人脸检测和眼睛定位在驾驶员疲劳检测中占有重要的地位。首先对图像进行图像预处理。然后根据肤色在YCbCr颜色空间上具有很好的聚类性,对驾驶员人脸进行检测。最后在肤色识别后的图像中进行人眼定位,判断眼睛的状态,并利用PERCLOS原理判断驾驶员的疲劳状态。     

基于云平台的疲劳驾驶检测系统

本文针对国内因疲劳驾驶而事故多发的情况,提出了基于深度机器学习和智能云平台的疲劳检测和驾驶事故自动检测解决方法。该方法很好地适应了车辆和驾驶室的复杂工作环境,旨在让操作人员能够快速实现基于深度和机器视觉的疲劳驾驶检测和报警功能,通过在驾驶员的上方安装可移动摄像头实时采集驾驶员的图像,将实时获取的视频流数据送入处理设备进行处理,同时利用预先训练好的疲劳检测模型从摄像头提取出人脸的特征点,依据PERCLOS疲劳驾驶判断准则来判断车辆驾驶者是否已经处于疲劳状态并实时上传图像数据至云端处理平台,同时根据人脸的位移和方向,利用舵机使摄像头始终正对驾驶者的脸部,最终完成一个集便携性、高效性、准确性为一体的疲劳检测系统。     

驾驶员疲劳检测中的人脸检测及眼睛定位研究

人眼状态可以很好地反映疲劳程度,人脸检测和眼睛定位在驾驶员疲劳检测中占有重要的地位。本文首先对图像进行图像预处理;然后根据肤色在YCbCr颜色空间上具有很好的聚类性,对驾驶员人脸进行检测;最后在肤色识别后的图像中进行人眼定位,判断眼睛的状态,并利用PERCLOS原理判断驾驶员的疲劳状态。     

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。     

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。     

多算法融合的疲劳驾驶监测算法设计与实现

现实中基于图像处理的疲劳驾驶监测往往因环境的变化而具有不确定性。监测算法不规范,以致于疲劳驾驶监测任务很具有挑战性。为了解决此问题,提出了一种基于多算法融合的动态滑动窗口算法框架。首先利用Adaboost算法识别人眼,然后改进Otsu算法来自适应各种不同环境;进而提出动态滑动窗口算法来得到睁闭眼之间的最佳阈值;最终,利用改进的PERCLOS算法估计疲劳驾驶状态的不同级别。针对环境的变化采用睁闭眼判断窗口随人眼特征变化而更新的策略,系统使用摄像头实时捕获人眼图像,并在PC机上进行仿真测试,可在130~150ms之间实现不同疲劳状态的识别。实验结果表明,此算法框架能够有效、快速的分辨驾驶员不同的疲劳状态。     

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Adaboost方法的车载嵌入式疲劳驾驶预警系统

提出一种基于Adaboost的实时算法, 并应用于车载嵌入式系统。用红外光源和红外摄像头获取驾驶员的视频图像, 对其疲劳状态进行监控。首先通过人脸检测定位驾驶员的人脸, 然后提取人眼区域并对人眼闭合状态进行判断, 基于PERCLOS标准制定了相应的预警机制, 对潜在的疲劳驾驶进行判断并预警。该算法从PC移植到嵌入式平台并根据实验进行了优化, 先后制作了多个车载嵌入式装置进行实车测试, 达到了大于92%的准确率和少于1.5 s的判断响应时间。实验装置稳定可靠, 可实际应用于营运车辆。