基于修正ASM的驾驶员警惕性识别方法研究

发布时间：2021-02-12 17:33

　　针对驾驶员警惕性研究中分析注意力程度的重要性,提出基于修正主动形状模型（ASM）的驾驶员警惕性识别方法。首先建立包含26个特征点的人脸ASM,其次结合面部结构约束构建了双眼平均合成精确滤波器（ASEF）,并通过旋转进一步增强鲁棒性,然后用改进ASEF修正人脸ASM;采用左右瞳孔和鼻子特征点建立三角形视线模型,并分析驾驶员注意力程度,利用左右眼角特征点距离对眼睛闭合程度进行归一化,最后利用支持向量机（SVM）分类得到警惕性程度。利用Visual Studio 2017平台进行实验,结果显示,改进ASEF滤波器的准确率达到95. 16%,SVM对警惕性程度的分类准确率达到93. 8%,每帧平均耗时49. 13 ms,表明提出的方法能够有效地识别驾驶员的注意力程度以及警惕性程度。 

【文章来源】：计算机应用研究. 2020,37(07)北大核心

【文章页数】：5 页

【部分图文】：

26个特征点的人脸ASM

图1 26个特征点的人脸ASM同理建立右眼ASEF。本文将单眼ASEF拓展为双眼ASEF，利用面部结构约束使其更加稳定，构建方法如图3(a)所示。图3(b)是测试图像与双眼ASEF的相关性图，选取相关性图中最大和次大极值点作为双眼虹膜的位置。

同理建立右眼ASEF。本文将单眼ASEF拓展为双眼ASEF，利用面部结构约束使其更加稳定，构建方法如图3(a)所示。图3(b)是测试图像与双眼ASEF的相关性图，选取相关性图中最大和次大极值点作为双眼虹膜的位置。正面时，双眼滤波器性能可靠，然而当面对不同的头部转角、面部表情、环境光照时准确率有所下降，对此本文进一步改进双眼ASEF滤波器:不另外增加转头和面部表情训练集情况下，将训练得到的平均滤波器分别旋转-10°、-5°、+5°、+10°，由原滤波器和旋转得到的共五个ASEF滤波器组建成一个并联滤波器，选取每个滤波结果中最大和次大极值，并根据相对位置标记左右，然后分别从左右五个输出结果中选取最大值作为最后输出结果，工作流程如图4所示。

【参考文献】：
期刊论文
[1]基于ASM的驾驶员面部疲劳状态识别方法[J]. 闫河,杨晓龙,张杨,董莺艳,王鹏.  计算机工程与设计. 2018(10)
[2]基于面部行为分析的驾驶员疲劳检测方法[J]. 耿磊,袁菲,肖志涛,张芳,吴骏,李月龙.  计算机工程. 2018(01)
[3]基于ASM的改进型人脸特征点定位方法[J]. 王洋,李俊.  桂林电子科技大学学报. 2016(06)
[4]驾驶人注意力分散的图像检测与分级预警[J]. 程文冬,付锐,袁伟,刘卓凡,张名芳,刘通.  计算机辅助设计与图形学学报. 2016(08)
[5]基于ASM和肤色模型的疲劳驾驶检测[J]. 何俊,房灵芝,蔡建峰,何忠文.  计算机工程与科学. 2016(07)

博士论文
[1]基于信息融合的疲劳驾驶检测方法研究[D]. 牛清宁.吉林大学 2014

硕士论文
[1]基于近红外光谱技术的驾驶员注意力分散态脑功能连接特性分析[D]. 徐功铖.山东大学 2018
[2]基于表情与头部状态识别的疲劳驾驶检测算法的研究[D]. 邹昕彤.吉林大学 2017
[3]驾驶人视觉注意力分散检测方法研究[D]. 李胜江.吉林大学 2015
[4]基于眼部识别的驾驶员疲劳检测方法研究[D]. 崔坚.大连海事大学 2013
[5]基于双目视觉的驾驶人注意力分散监测方法研究[D]. 孙海燕.吉林大学 2012



本文编号：3031216