基于计算机视觉的驾驶员疲劳状态检测预警技术研究

疲劳驾驶是造成交通事故的主要原因之一,为提高驾驶员疲劳驾驶状态的智能化检测水平,提出一种基于计算机视觉的面部多特征疲劳驾驶检测算法。该算法采用多线程优化后的Dlib（图像处理开源库）实现对驾驶员面部的定位与追踪,利用Dlib开源库中的人脸关键点检测器对驾驶员面部关键特征点进行提取,实时计算驾驶员眼部的纵横比（EAR）和嘴部长宽比（MAR）,并以自制视频流数据集作为实验样本计算出相关阈值,有效提高了检测算法的普适性,在此基础上,计算出眨眼频率、闭眼次数、眼睛闭合时间百分比（perclos）以及打哈欠频率这四个反映驾驶员疲劳状态的指标,并利用数学方法进行指标实时融合,根据融合指标的数值对驾驶员疲劳状态进行分级,最终通过实验验证该疲劳检测系统的准确性。结果表明,提出的综合疲劳指标能够准确反映在不同环境和光照下驾驶员的疲劳状态和发展趋势,驾驶员疲劳判定的正确率达到97.5%以上。     

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SVM的驾驶员疲劳检测研究

疲劳驾驶是导致交通意外的一个重要原因,在车上装一个疲劳检测系统有助于预防交通事故的发生。现实条件下,司机的头和眼睛是不断运动的,使得疲劳特征提取变得比较困难,再加上外部干扰和光线条件的影响,准确判断司机的疲劳状态是一个具有挑战性的问题。本文介绍了一种利用支持向量机检测驾驶员疲劳状态的方法。首先采集驾驶员的头部视频,然后对视频图像进行处理,提取眼睛、嘴的视觉特征和点头频率变化情况,最后利用支持向量机依据这些特征来判断司机的疲劳状态。通过模拟实验,疲劳检测的准确率达到97.80%,表明该方法适合于驾驶员的疲劳检测。     

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.     

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%.     

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。     

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.     

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。     

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。     

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%。     

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....     

司机疲劳驾驶检测中人脸图像的快速人眼定位

在司机疲劳驾驶检测中,对人眼的高效,实时准确检测是关键步骤之一。本文研究了司机人脸图像中的人眼检测方法。首先,将得到驾驶员面部图像隐射到YCbCr空间,建立基于肤色的二维高斯分布模型,通过滤波,标记分割出肤色并得到人脸的区域;然后,利用人眼的分布特点及自身特性,通过两次定位的方法实现了对司机人脸的人眼定位。     

塔机安全施工可视化监控系统

目的 研究塔机安全施工可视化监控技术,提高塔机施工安全与运作效率。方法 建立塔机安全施工可视化监控系统及使用平台,建立驾驶行为分析与疲劳警报系统,并实现塔机基础监测与吊钩可视化。结果 塔机安全监控报警系统能够准确获取有效数据来判断驾驶员的行为及疲劳状态;驾驶员识别系统能够实现对驾驶员的面部识别;驾驶行为分析系统通过监管吊钩高度、小车位置和塔臂转角等参数,建立了行为规范评分机制,能够改善驾驶员驾驶行为;建立了疲劳警报系统连续驾驶计算规则,确定疲劳驾驶临界时间,并设置终端强行停止塔机运转功能。塔机基础监测系统采用公用无线数据网,实现了实时数据无线上传及记录。结论 塔机安全施工可视化监控系统能够有效提高塔机施工效率,并保证塔机运转安全。     

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。