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SLIC0超像素分割的阴影检测算法

对单幅阴影检测问题,提出了一种基于SLIC0（simple linear iterative clustering zero）超像素分割的阴影检测方法。首先采用SLIC0超像素分割算法对含阴影图像进行分割,生成超像素块检测出阴影轮廓,然后提出一种融合特征的支持向量机方法,将超像素块分类合并,检测出阴影区域。通过实验对比Otsu阈值法、传统SVM分类法与本文算法的检测效果,验证了本文算法的有效性,通过结构相似度（SSIM）与峰值信噪比（PSNR）指标对比表明,本文算法较参考算法的检测性能更优。     

一种基于分层模板的人脸检测方法

针对校园监控视频环境下的人脸检测中人流量大、侧面视频多、低清晰度等问题,提出了一种基于分层结构的脸部形态模板方法,该方法通过综合肤色标定方法、阴影检测算法和脸部分层次的形态特征检测算法,得出了人脸结构信息的4个控制参数.通过在Caltech人脸数据库、ORL人脸数据库和本实验室仿真人脸库的实验结果表明,本文所提出的基于分层结构的脸部形态模板方法能准确高效地检测出人脸,适合应用到校园视频系统中.     

基于肤色和轮廓信息的人脸检测

针对彩色图像提出了一种基于肤色模型、脸部轮廓信息以及眼睛特征的人脸检测算法.采用基于YCbCr色彩空间的肤色分割模型,初步筛选人脸的候选区域;然后进行边缘检测,获得人脸轮廓信息,并利用三点定圆法来拟合脸部的圆形;最后在圆形区域的水平方向根据眼睛的几何特征来检测"眼睛对",再根据"三停五眼"来定位人脸,并利用左右对称性验证人脸.实验表明,该算法对于彩色图像的正面人脸检测具有良好的效果.     

基于多尺度超像素融合的RGB-D单幅图像阴影检测算法

针对单幅复杂环境图像阴影检测问题, 提出一种基于多尺度超像素融合的自动阴影检测快速算法. 首先利用深度图像计算各点的法向量及空间坐标, 同时利用简单线性迭代聚类算法对彩色图像进行多个尺度的超像素分割; 然后使用阴影置信度算法结合图像的色度、法线和空间位置信息分别估计各尺度下的超像素阴影置信度; 最后采用Adaboost训练的分类器对各尺度下的超像素阴影置信度进行融合, 得到最终的判决结果. 实验结果表明, 该算法的准确度明显高于原阴影置信度算法, 运行时间约为原阴影置信度算法的10%, 对于小块阴影、 大面积阴影及边缘不清晰的软阴影检测表现较突出, 适合对光线复杂环境下的图像进行前期预处理.     

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%。     

基于扩展三角特征的AdaBoost快速人眼检测算法

首先给出了通过矩形块与三角像素特征块相结合所构造的八种用于眼睛检测的扩展三角特征原型块.考虑扫描块在人脸背景中遍历时眼睛样本图像块数量远少于非眼睛样本块数的实际,提出了一种结合Haar特征和三角特征的AdaBoost快速眼睛检测算法.通过级联分类器的前几层强分类器完成排除大部分非眼睛样本;然后,通过后续强分类器进行判断大部分的眼睛图像块和少量非眼睛图像块.检测时间消耗有所下降,这样可以保证整体的检测速度.实验结果进一步表明该算法具有更好的检测性能,与仅使用Haar特征相比正检率有一定程度提高.     

基于脸部检测和Fuzzy ART的乘客检测算法

研究了小汽车内的乘客检测和计数的方法,提出了一种基于脸部检测和Fuzzy ART神经网络的算法.采用光照校正、基于亮度补偿的椭圆肤色模型检测算法和数学形态方法以分割汽车内部的人脸区域和背景区域,使用Fuzzy ART神经网络分类器对脸部区域进行计数.在正常白天天气和光照条件下,该算法能够有效地检测出运动车辆中乘客的数量.     

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。     

基于近邻主特征匹配的微纳米尺度位移测量

提出了一种基于近邻主特征匹配的亚像素级位移测量方法.改进后的近邻主特征提取过程通过修正散度矩阵的构造,最大化相邻位移图像块投影距离,提高了算法的精度和稳定性.通过将训练过程离线化,提出了基于近邻主特征匹配的微纳米位移测量算法,并通过仿真实验验证了图像块在不同大小和位置情况下算法的精度.在高精度纳米平台、高倍显微镜及标准栅格构成的系统中进行了多角度的实验,验证了算法的有效性.算法的测量精度比传统的图像块匹配方法提高了近10倍,特别是算法对于图像块位置和大小的选择鲁棒性更高.     

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。     

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。     

基于多模态信息联合判断的驾驶员危险行为监测系统

危险驾驶是引发交通事故的主要原因,严重威胁公众的人身和财产安全.车辆在行驶过程中,各种环境因素复杂多变,严重干扰了驾驶员危险行为监测系统的识别精度;现有的驾驶员危险行为监测检测系统主要是通过眨眼和打哈欠的频率来判断驾驶员是否出现危险驾驶行为,忽略了表情、动作以及视线方向等多个重要信息.针对这些问题,提出了一种基于多模态信息联合判断的驾驶员危险行为监测系统,该系统使用分布在驾驶舱3个不同位置的近红外图像作为输入,解决了光照强度变化和视角盲区问题;设计了一种基于多任务学习的深度神经网络,该网络可以同时完成人脸检测、表情识别以及危险动作分类等任务,极大地提升了系统的识别精度,提升了运行效率.实验证明,所提出系统的识别准确率为96.2％,运行速度为81 fps,性能优于目前常用的算法.     

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。     

基于级联卷积神经网络的驾驶员分心驾驶行为检测

针对驾驶员分心驾驶行为检测,设计一种级联卷积神经网络检测框架。检测框架由第一级分心行为预筛选卷积网络和第二级分心行为精确检测卷积网络两个全卷积网络级联构成。预筛选卷积网络是一个轻量级的图像分类网络,负责对原始数据进行快速筛选,其网络层数少、训练速度快,结构特征冗余较少,能够减少后续网络的计算负担;分心行为精确检测卷积网络采用VGG(Visual geometry group)模型特征提取的深度迁移学习检测算法网络,通过迁移学习重新训练分类器和部分卷积层。提出的级联神经网络最终可以实现9种驾驶员分心驾驶行为的准确识别检测。实验结果表明,相比主流单模型检测方法,在保证算法效率的同时准确率均有明显提升,准确率达到93.3%,有效降低了误检率。该方法具有较好的鲁棒性和泛化能力。     

基于迁移学习和AlexNet的驾驶员行为状态识别方法

为了解决传统基于神经网络算法的驾驶员行为状态识别系统精度过于依赖大量训练样本的问题,本文提出将迁移学习理论和AlexNet引入到驾驶员行为状态的识别研究中。首先对驾驶员行为特征及状态进行深入分析,对驾驶员7种驾驶状态进行了定义,构建了驾驶员状态信息采集系统;然后对基于卷积神经网络的驾驶员状态识别方法研究,建立了驾驶员状态数据集,构建了基于AlexNet卷积神经网络的状态监测系统,通过迁移学习完成了卷积神经网络识别模型。最后通过实验验证了本文提出的驾驶员状态识别算法对7种驾驶员状态识别的有效性。实验表明：该系统准确率达到97.8%,且在实验设备中运行速度达到70帧/分钟,满足较高的准确率要求与实时性要求。     

基于DCNN的管制员疲劳状态检测

空中交通管制员疲劳工作势必会严重威胁空中交通安全,通过对眼睛睁闭状态判定是现阶段对管制员疲劳检测的一种主要方式。为检测管制员疲劳状态,提出了一种基于迁移学习的DCNN眼睛状态识别模型。首先,利用深度级联神经网络的MTCNN算法检测出管制员面部区域,并实现对面部5个关键点标定和眼睛的定位;然后将检测到的眼睛图像传入到预训练的DCNN眼睛状态分类模型,识别眼睛的睁闭眼状态;最后结合PERCLOSE 80指标检测管制员疲劳状态。分别在ZJU、CEW和ATCE数据集上,对DCNN、VGG16、InceptionV3、ResNet50四种模型的准确率、损失率和F1分数指标进行对比实验。实验结果表明：在ZJU和CEW数据集上,DCNN眼睛状态分类模型检测准确率为97%,较VGG16、InceptionV3、ResNet50等模型进行眼部状态分类任务,DCNN模型的F1分数有3%至7%的提高。在ATCE数据集上DCNN模型检测准确率达到98.35%,F1分数达到98.06%,验证了DCNN模型的有效性与准确性。     

音乐环境对驾驶行为危险度影响的预测模型

考虑到车载音乐环境下驾驶行为变化规律在道路交通系统中具有理论和现实意义,以国内外车载音乐对驾驶员心理负荷和驾驶行为影响的研究成果为基础,界定出驾驶行为危险度的定义.同时引入主成分分析法并结合驾驶行为的三个指标,实现对车载音乐环境下驾驶行为危险度的评价.以驾驶员的心率变异性作为输入变量,驾驶行为危险度作为输出变量,构建基于心理负荷的驾驶行为危险度预测模型,并提出不同类型驾驶员收听音乐的建议方案.研究成果可为减少道路交通事故和保障汽车安全运行发挥作用.     

履带式装甲车辆纵向速度控制

履带式装甲车辆的动力学系统具有强烈非线性、不确定性的特点,为解决直线行驶工况下的速度控制问题,结合驾驶员驾驶操纵经验,提出一种自适应性强的变论域分相模糊比例-积分-微分(proportion-integral-derivative, PID)控制方法,实现了对期望车速的有效跟随。首先建立包含发动机、传动系及制动系的装甲车辆纵向动力学模型,然后利用模糊算法在线整定PID控制器参数,并采用变论域分相设计进一步提高控制器的自适应能力。仿真实验结果表明,提出的控制方法与传统PID及模糊PID相比,车速跟随控制精度与快速收敛性都有了提高,尤其能够有效解决驱动/制动切换时整车运动状态改变导致的控制效果大幅度下降问题。