基于图像的驾驶员姿态识别方法研究
发布时间：2021-07-09 23:44
随着经济的快速发展,机动车辆迅猛增加,交通条件与交通流量之间的矛盾日益突出,交通事故频繁发生,人员伤亡和财产损失惨重。研究者普遍认为道路交通事故约80%以上是由驾驶员错误驾驶行为导致的,因此对驾驶员的驾驶行为及姿态进行监控与识别以及时纠正或干预驾驶员正在实施的危险行为显得尤为重要。鉴于此,本文研究基于图像的驾驶员姿态识别方法,以增强车辆主动安全系统和驾驶安全预警系统的事故预防能力。首先,研究了基于可变形部件模型的驾驶姿态区域检测方法,并对比分析了基于方向梯度直方图特征及支持向量机的检测方法、基于Haar特征及Adaboost的检测方法和基于局部二值模式特征及Adaboost的检测方法,实验结果表明基于可变形部件模型的驾驶姿态区域检测优于其他三种检测方法,其检测精度达到97.5%。其次,研究了基于全局可变形部件模型特征的驾驶员姿态识别方法,并对比分析了基于肤色特征及随机森林的识别方法、方向梯度直方图特征及支持向量机的识别方法、Gabor特征及支持向量机的识别方法和局部二值模式特征及支持向量机的识别方法,实验结果表明基于全局可变形部件模型特征的驾驶员姿态识别方法优于其他四种方法,其识别精度...
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
Kaggle驾驶员图像集示例图像
(i) (j) (k) (l)(m) (n) (o) (p)图2-2 东南大学驾驶员数据示例图像2.2 基于 DPM 的驾驶姿态区域检测方法2.2.1 驾驶姿态区域目标识别中通常会将整个目标作为训练对象，而在对姿态进行识别时不需要总是将整个驾驶员作为训练对象，而是考虑姿态在驾驶员身上的覆盖范围。本文研究的对象是驾驶员姿态，在收集整理驾驶员图像过程中观察发现，驾驶室环境中驾驶员的下肢体被遮挡，所以驾驶员的上半身动作决定了驾驶员姿态。因此在特征提取时，与驾驶员姿态无关的背景以及腿部都属于冗余信息。本文定义驾驶姿态区域(Driving PostureArea, DPA)的概念，目的是用尽量少的信息来描述与驾驶行为相关的驾驶员身体部分和交互物品，
(a) Kaggle 图像 DPA 示例 (b) 东南大学图像 DPA 示例图2-3 驾驶姿态区域 DPA 示例图像本章分别对 4000 张 Kaggle 图像集和 640 张 SEU 图像集进行驾驶姿态区域的标注，构建 Kaggle 驾驶姿态区域图像集和 SEU 驾驶姿态区域图像集，并分别将图像像素大小归一化为 160×128 和 128×128。2.2.2 可变形部件模型理论分析可变形部件模型（Deformable Part Model, DPM）是由 Felzenszwalb 等人[57-60]提出的目标检测模型。可变形部件模型由三部分组成：一个粗糙的根滤波器、若干高分辨率的部件滤波器以及各部件相对于根的空间位置模型。根滤波器覆盖图像中整个目标，用于描述目标的整体特征；部件滤波器覆盖目标中较小部件，分辨率为根滤波器的两倍，用于描述更为精细的目标局部区域的细节特征；空间位置模型用来描述根滤波器和部件滤波器之间的位置关系以及部件滤波器的可移动范围。对于拥有多种尺度类型的目标，或者同一类型但具有多种形态的目标，单一星型模型无法满足建模需要，因此可以利用由若干星型模型组成的混合模型进行描述，目标的不同尺度形态通过每个星型模型不同尺度的根滤波器描述。DPM 的基石是由 Dalal 和 Triggs[61]提出的具有光照不变性和局部旋转不变性的HOG 特征
本文编号：3274727
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
Kaggle驾驶员图像集示例图像
(i) (j) (k) (l)(m) (n) (o) (p)图2-2 东南大学驾驶员数据示例图像2.2 基于 DPM 的驾驶姿态区域检测方法2.2.1 驾驶姿态区域目标识别中通常会将整个目标作为训练对象，而在对姿态进行识别时不需要总是将整个驾驶员作为训练对象，而是考虑姿态在驾驶员身上的覆盖范围。本文研究的对象是驾驶员姿态，在收集整理驾驶员图像过程中观察发现，驾驶室环境中驾驶员的下肢体被遮挡，所以驾驶员的上半身动作决定了驾驶员姿态。因此在特征提取时，与驾驶员姿态无关的背景以及腿部都属于冗余信息。本文定义驾驶姿态区域(Driving PostureArea, DPA)的概念，目的是用尽量少的信息来描述与驾驶行为相关的驾驶员身体部分和交互物品，
(a) Kaggle 图像 DPA 示例 (b) 东南大学图像 DPA 示例图2-3 驾驶姿态区域 DPA 示例图像本章分别对 4000 张 Kaggle 图像集和 640 张 SEU 图像集进行驾驶姿态区域的标注，构建 Kaggle 驾驶姿态区域图像集和 SEU 驾驶姿态区域图像集，并分别将图像像素大小归一化为 160×128 和 128×128。2.2.2 可变形部件模型理论分析可变形部件模型（Deformable Part Model, DPM）是由 Felzenszwalb 等人[57-60]提出的目标检测模型。可变形部件模型由三部分组成：一个粗糙的根滤波器、若干高分辨率的部件滤波器以及各部件相对于根的空间位置模型。根滤波器覆盖图像中整个目标，用于描述目标的整体特征；部件滤波器覆盖目标中较小部件，分辨率为根滤波器的两倍，用于描述更为精细的目标局部区域的细节特征；空间位置模型用来描述根滤波器和部件滤波器之间的位置关系以及部件滤波器的可移动范围。对于拥有多种尺度类型的目标，或者同一类型但具有多种形态的目标，单一星型模型无法满足建模需要，因此可以利用由若干星型模型组成的混合模型进行描述，目标的不同尺度形态通过每个星型模型不同尺度的根滤波器描述。DPM 的基石是由 Dalal 和 Triggs[61]提出的具有光照不变性和局部旋转不变性的HOG 特征
本文编号：3274727
本文链接：https://www.wllwen.com/kejilunwen/qiche/3274727.html
