基于视觉的驾驶员注意力检测与判别研究

发布时间：2020-11-12 05:39

　　 驾驶员注意力分散是交通事故频繁发生的主要原因之一。近年来,基于视觉的驾驶员注意力检测已成为热点研究课题。然而大多数现有基于视觉的解决方案只关注驾驶员注意力分散的某一种特征,例如仅根据驾驶员面部信息进行疲劳检测,这样往往忽略了一些其他的重要信息。本文针对驾驶员注意力检测与判别研究,提出了一种基于视觉的综合性解决方案,它融合了驾驶员面部图像和道路前景图像两种视觉数据。首先,本文从整体框架出发设计了一种基于视觉的综合性驾驶员注意力检测方案。该方案利用驾驶员面部信息和道路交通信息,综合考虑驾驶员疲劳状态、头部偏离状态、视线方向与道路危险目标的匹配情况,对驾驶员注意力进行有效分析,通过最终的注意力决策模块得到注意力判别结果。同时,采集多组实验数据,进行数据筛选和整理,对本文提出的解决方案的可行性进行了实验验证。结果表明,本文所提出的解决方案能够有效地检测出驾驶员注意力是否集中。其次,提出一种驾驶员面部特征参数自适应学习方法,从而提高方案的自适应性。针对不同的驾驶员,运用统计学的方法研究不同驾驶员视觉参数变化规律,在面部检测与分析模块引入参数学习阶段来自适应学习不同的参数,包括眼睛睁闭的阈值、嘴巴张合的阈值以及三个坐标轴上头部偏转角的正常值。同时对学习阶段的有效性进行了实验验证。另外,还设计了简单有效的疲劳检测、头部偏离检测以及视线方向与道路危险目标的匹配方案。最后,本文提出一种基于单目视觉的道路前方危险目标检测算法,该算法结合连续三帧之间的ORB特征点匹配和k均值聚类算法以及光流法检测候选目标或区域,通过计算候选目标或区域的危险系数,得到最终的道路前方危险目标检测结果。该算法仅基于单目视觉,不需要复杂的双目标定和图像校正过程,其检测结果既不限于目标类别,也不限于静止或运动目标。
【学位单位】：湖南大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：U491.254;TP391.41
【部分图文】：

Haar-Like特征

硕士学位论文(x,y)处，对应的积分图中的值为该位置左上式(2.2)和(2.3)递归计算所得。S( -) = S( - ) ( -) I( -) = I( -) S( -) -1,y)=0。S(x,y)表示行方向的累加和，之后再下角时就可以计算好整个积分图了。整个大框是积分图，要计算的是区域 D 内部的是 I(1)+I(4)-I(2)-I(3)。所以，积分图构造好之和都可以通过简单运算得到。同样，Haar-L差，可以找常数时间内完成。

图 2.3 SDM 人脸特征点分布及检测结果前方目标检测基础B 特征点匹配境下，道路前景视频序列前后帧之间有强的关联性，可进行保留关键信息。常用的特征点匹配算法有 SIFT（Scale Inva）、SURF（Speeded Up Robust Features）、ORB（Oriented FAST]算法等。本文采用的特征点提取与匹配算法是综合性能较好义，ORB（Oriented FAST and Rotated BRIEF）算法是将 FASBRIEF 特征描述算法相结合，并对它们进行了改进和优化。O征点提取和描述的算法，它分为特征点提取和特征点描述提取根据 FAST（Features from Accelerated Segment Test）
【参考文献】

相关硕士学位论文 前3条

1 袁雨桐;基于单目视觉的智能车前方障碍物识别与测距[D];吉林大学;2016年

2 罗声平;基于面部特征的全天候疲劳驾驶检测及预警系统的研究[D];福州大学;2014年

3 李英杰;汽车主动安全系统警告触发方式研究[D];吉林大学;2011年

本文编号：2880324