基于面部特征分析的驾驶员疲劳检测算法应用研究
发布时间：2021-07-28 18:21
近年来,随着交通运输业的飞速发展,恶性道路交通安全事故的发生率也同步上升,被公认为是战争之外人类最大的威胁和杀手。统计发现,机动车交通事故的诱因繁多,其中,疲劳驾驶所占比重较高,对交通安全管制造成了巨大威胁。借助现代科技手段合理研判驾驶员疲劳状态,实时检测并预警,是合理预防交通事故的有效措施,也是当前道路交通安全管理研究的重要课题。但是,受不同驾驶员间个体差异和实际户外驾驶环境中复杂的光线变化、遮挡、干扰等问题影响,兼具高实时性、高准确性和强鲁棒性的驾驶疲劳检测技术研究仍存在较多技术瓶颈。本课题来源于广州市某科技攻关项目,针对以上问题,围绕实际应用环境下驾驶员的人脸检测、人脸跟踪、疲劳特征提取等问题分模块展开算法研究与应用。融合多个疲劳特征参数以分析不同疲劳状态下的变化规律,以设计高效、可靠的疲劳检测算法系统。本论文基于驾驶员的面部视觉特征,依靠其非侵扰性、低成本、可扩展性和友好性等优势,通过实时精确提取相关疲劳特征进行参数分析,完成疲劳状态的准确检测和评估。具体研究内容如下:（1）针对复杂的驾驶环境,选择适当的卷积神经网络算法进行目标人脸检测,并针对传统SSD算法检测性能缺陷和实际应...
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：103 页
【学位级别】：硕士
【部分图文】：
疲劳驾驶导致交通事故为应对当前严峻的交通安全形势，我国相关部门提出包括《中华人民共和国道路交
第一章绪论5中国航天系统工程公司的万蔚等人以车速、方向盘转角和车辆横向位置三类参数的样本熵作为疲劳状态特征信息，利用模拟驾驶器采集了多名驾驶员在疲劳状态和正常状态的实验数据，形成有效特征组，构建了一种基于BP神经网络的驾驶员疲劳驾驶判别算法[9]。图1-6汽车驾驶模拟器及实验场景清华大学的贾丽娟结合行车数据及面部视觉特征，分别从时域和频域两个方面分析基于实车实验获得的疲劳驾驶数据。设计SVM分类器，采用联合优化方法对分类器参数与指标集进行优化，开发了一种面向实车应用且高准确率的驾驶员疲劳检测算法[10]。研究发现，基于行车数据的驾驶员疲劳检测普遍具有无侵入性、检测成本低、实时性高等优点。同时，相较于其他检测手段，行车数据的获取在很大程度上不易受天气情况和光线不足的影响，具备较高的实用价值。因此，基于行车数据的驾驶员疲劳检测技术得到了众多研究人员和车企的青睐。然而，基于行车数据的驾驶员疲劳检测所依据的数据极易受驾驶员个人行为习惯、技术水平、车型及道路状况影响，导致疲劳驾驶诊断存在一定的误差。其次，所依赖的高精度传感器等相关数据采集装置的购置配备成本和安装维护成本普遍较高。高精度设备的可靠性也容易受行车环境、气候条件等因素的干扰，极易导致数据精度不佳。同时，鉴于疲劳驾驶行为的高危险性，大部分用于研究学习的行车数据来自标准化驾驶模拟实验，实车实验很难开展。但是，标准化驾驶模拟实验场景较单一，与真实应用场景不匹配，且缺乏真实行车环境中普遍存在的复杂车况、路况及行人干扰等对受测人员驾驶心理和驾驶行为造成的影响。因此，基于行车数据的疲劳检测技术虽然具备一定的参考价值，但模型的有效性、灵敏度、可靠性等在实车环境下的表现均有待研究。
华南理工大学硕士学位论文10南京理工大学的牛耕田等人提出了一种通过Gabor小波获取多尺度面部疲劳特征，降维处理后使用稀疏表示构造疲劳完备字典并实现疲劳识别的算法。该方法最大程度保留了面部所有疲劳信息，具有较好的识别率[25]。Wu等人使用Haar-like特性和Adaboost分类器确定人脸位置，利用SVM分类器寻找眼睛的位置，并通过计算所得左眼图像的LBP特征，输入SVM分类器进行疲劳识别。实验结果表明，该方法能够有效快速地识别驾驶员的眼睛状态，有助于驾驶员疲劳程度的检测[28]。随着深度学习技术的飞速普及，借助卷积神经网络(ConvolutionalNeuralNetwork,CNN)的相关研究，疲劳检测方面快速涌现了大批卓越的算法思路。南开大学的赵雪鹏等人提出了一种基于级联卷积CNN的疲劳检测算法，结构示意图如图1-12所示。第一级实现人眼的提取，第二级检测眼部特征点，根据眼睛状态相关参数构建疲劳特征模型，最后根据视频序列帧眼睛状态，判定疲劳状态[29]。图1-12人眼分类CNN结构示意图中南大学的郁松等人提出一种基于面部动作时空特征提取的预警算法，算法流程如图1-13所示。首先，构建加入空间变换的卷积神经网络，从输入图像中识别人脸区域，对脸部特征点进行检测标记；然后，建立时空特征提取网络，利用采集的人脸图像序列，对未来图像序列进行预测并输出结果；最后，在输出的图像序列中根据眼部、嘴部综合状态判断是否发出警告[30]。图1-13基于面部动作时空特征提取的预警算法流程
【参考文献】：
期刊论文
[1]基于面部动作时空特征的疲劳预警算法[J]. 郁松,卢霖胤. 计算机工程与科学. 2019(10)
[2]基于深度学习的目标检测算法研究进展[J]. 谢娟英,刘然. 陕西师范大学学报(自然科学版). 2019(05)
[3]基于改进SSD的高效目标检测方法[J]. 王文光,李强,林茂松,贺贤珍. 计算机工程与应用. 2019(13)
[4]基于融合约束局部模型的三维人脸特征点定位[J]. 成翔昊,达飞鹏,汪亮. 浙江大学学报(工学版). 2019(04)
[5]驾驶员疲劳状态监测系统综述[J]. 于立娇,吴振昕,王文彬,高洪伟. 汽车文摘. 2019(03)
[6]目标跟踪算法综述[J]. 孟琭,杨旭. 自动化学报. 2019(07)
[7]基于多尺度池化卷积神经网络的疲劳检测方法研究[J]. 顾王欢,朱煜,陈旭东,郑兵兵,何林飞. 计算机应用研究. 2019(11)
[8]基于多形态红外特征与深度学习的实时驾驶员疲劳检测[J]. 耿磊,梁晓昱,肖志涛,李月龙. 红外与激光工程. 2018(02)
[9]基于欧氏距离预测的Camshift目标跟踪方法[J]. 刘明珠,任祥祥,张光明. 中国科技论文. 2017(20)
[10]基于级联卷积神经网络的疲劳检测[J]. 赵雪鹏,孟春宁,冯明奎,常胜江. 光电子·激光. 2017(05)
博士论文
[1]基于深度学习和面部多源动态行为融合的驾驶员疲劳检测方法研究[D]. 赵磊.山东大学 2018
[2]基于机器视觉的复杂工况下驾驶人疲劳状态检测方法研究[D]. 张波.清华大学 2015
[3]基于心电信号的驾驶疲劳检测方法研究[D]. 吴群.浙江大学 2008
硕士论文
[1]基于面部特征分析与多指标融合的疲劳状态检测算法研究[D]. 季映羽.吉林大学 2019
[2]基于心电信号的疲劳驾驶诊断[D]. 施翔匀.北方工业大学 2019
[3]基于人脸分析的疲劳驾驶检测方法研究[D]. 柳龙飞.武汉科技大学 2019
[4]基于面部特征的疲劳驾驶检测系统设计[D]. 李庆臣.郑州大学 2019
[5]基于ERT算法的狗脸特征点提取[D]. 芮诚.上海师范大学 2019
[6]基于计算机视觉的运动目标跟踪方法研究[D]. 何尚猛.中国矿业大学 2019
[7]基于面部特征的驾驶员疲劳检测研究[D]. 徐忠帅.辽宁工业大学 2019
[8]基于Mean Shift的运动目标跟踪方法研究[D]. 石雪楠.东北电力大学 2018
[9]基于SSD物体检测技术的机器人抓取系统研究[D]. 李亚男.吉林大学 2018
[10]基于卷积神经网络的人脸识别研究与实现[D]. 于志刚.中北大学 2018
本文编号：3308410
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：103 页
【学位级别】：硕士
【部分图文】：
疲劳驾驶导致交通事故为应对当前严峻的交通安全形势，我国相关部门提出包括《中华人民共和国道路交
第一章绪论5中国航天系统工程公司的万蔚等人以车速、方向盘转角和车辆横向位置三类参数的样本熵作为疲劳状态特征信息，利用模拟驾驶器采集了多名驾驶员在疲劳状态和正常状态的实验数据，形成有效特征组，构建了一种基于BP神经网络的驾驶员疲劳驾驶判别算法[9]。图1-6汽车驾驶模拟器及实验场景清华大学的贾丽娟结合行车数据及面部视觉特征，分别从时域和频域两个方面分析基于实车实验获得的疲劳驾驶数据。设计SVM分类器，采用联合优化方法对分类器参数与指标集进行优化，开发了一种面向实车应用且高准确率的驾驶员疲劳检测算法[10]。研究发现，基于行车数据的驾驶员疲劳检测普遍具有无侵入性、检测成本低、实时性高等优点。同时，相较于其他检测手段，行车数据的获取在很大程度上不易受天气情况和光线不足的影响，具备较高的实用价值。因此，基于行车数据的驾驶员疲劳检测技术得到了众多研究人员和车企的青睐。然而，基于行车数据的驾驶员疲劳检测所依据的数据极易受驾驶员个人行为习惯、技术水平、车型及道路状况影响，导致疲劳驾驶诊断存在一定的误差。其次，所依赖的高精度传感器等相关数据采集装置的购置配备成本和安装维护成本普遍较高。高精度设备的可靠性也容易受行车环境、气候条件等因素的干扰，极易导致数据精度不佳。同时，鉴于疲劳驾驶行为的高危险性，大部分用于研究学习的行车数据来自标准化驾驶模拟实验，实车实验很难开展。但是，标准化驾驶模拟实验场景较单一，与真实应用场景不匹配，且缺乏真实行车环境中普遍存在的复杂车况、路况及行人干扰等对受测人员驾驶心理和驾驶行为造成的影响。因此，基于行车数据的疲劳检测技术虽然具备一定的参考价值，但模型的有效性、灵敏度、可靠性等在实车环境下的表现均有待研究。
华南理工大学硕士学位论文10南京理工大学的牛耕田等人提出了一种通过Gabor小波获取多尺度面部疲劳特征，降维处理后使用稀疏表示构造疲劳完备字典并实现疲劳识别的算法。该方法最大程度保留了面部所有疲劳信息，具有较好的识别率[25]。Wu等人使用Haar-like特性和Adaboost分类器确定人脸位置，利用SVM分类器寻找眼睛的位置，并通过计算所得左眼图像的LBP特征，输入SVM分类器进行疲劳识别。实验结果表明，该方法能够有效快速地识别驾驶员的眼睛状态，有助于驾驶员疲劳程度的检测[28]。随着深度学习技术的飞速普及，借助卷积神经网络(ConvolutionalNeuralNetwork,CNN)的相关研究，疲劳检测方面快速涌现了大批卓越的算法思路。南开大学的赵雪鹏等人提出了一种基于级联卷积CNN的疲劳检测算法，结构示意图如图1-12所示。第一级实现人眼的提取，第二级检测眼部特征点，根据眼睛状态相关参数构建疲劳特征模型，最后根据视频序列帧眼睛状态，判定疲劳状态[29]。图1-12人眼分类CNN结构示意图中南大学的郁松等人提出一种基于面部动作时空特征提取的预警算法，算法流程如图1-13所示。首先，构建加入空间变换的卷积神经网络，从输入图像中识别人脸区域，对脸部特征点进行检测标记；然后，建立时空特征提取网络，利用采集的人脸图像序列，对未来图像序列进行预测并输出结果；最后，在输出的图像序列中根据眼部、嘴部综合状态判断是否发出警告[30]。图1-13基于面部动作时空特征提取的预警算法流程
【参考文献】：
期刊论文
[1]基于面部动作时空特征的疲劳预警算法[J]. 郁松,卢霖胤. 计算机工程与科学. 2019(10)
[2]基于深度学习的目标检测算法研究进展[J]. 谢娟英,刘然. 陕西师范大学学报(自然科学版). 2019(05)
[3]基于改进SSD的高效目标检测方法[J]. 王文光,李强,林茂松,贺贤珍. 计算机工程与应用. 2019(13)
[4]基于融合约束局部模型的三维人脸特征点定位[J]. 成翔昊,达飞鹏,汪亮. 浙江大学学报(工学版). 2019(04)
[5]驾驶员疲劳状态监测系统综述[J]. 于立娇,吴振昕,王文彬,高洪伟. 汽车文摘. 2019(03)
[6]目标跟踪算法综述[J]. 孟琭,杨旭. 自动化学报. 2019(07)
[7]基于多尺度池化卷积神经网络的疲劳检测方法研究[J]. 顾王欢,朱煜,陈旭东,郑兵兵,何林飞. 计算机应用研究. 2019(11)
[8]基于多形态红外特征与深度学习的实时驾驶员疲劳检测[J]. 耿磊,梁晓昱,肖志涛,李月龙. 红外与激光工程. 2018(02)
[9]基于欧氏距离预测的Camshift目标跟踪方法[J]. 刘明珠,任祥祥,张光明. 中国科技论文. 2017(20)
[10]基于级联卷积神经网络的疲劳检测[J]. 赵雪鹏,孟春宁,冯明奎,常胜江. 光电子·激光. 2017(05)
博士论文
[1]基于深度学习和面部多源动态行为融合的驾驶员疲劳检测方法研究[D]. 赵磊.山东大学 2018
[2]基于机器视觉的复杂工况下驾驶人疲劳状态检测方法研究[D]. 张波.清华大学 2015
[3]基于心电信号的驾驶疲劳检测方法研究[D]. 吴群.浙江大学 2008
硕士论文
[1]基于面部特征分析与多指标融合的疲劳状态检测算法研究[D]. 季映羽.吉林大学 2019
[2]基于心电信号的疲劳驾驶诊断[D]. 施翔匀.北方工业大学 2019
[3]基于人脸分析的疲劳驾驶检测方法研究[D]. 柳龙飞.武汉科技大学 2019
[4]基于面部特征的疲劳驾驶检测系统设计[D]. 李庆臣.郑州大学 2019
[5]基于ERT算法的狗脸特征点提取[D]. 芮诚.上海师范大学 2019
[6]基于计算机视觉的运动目标跟踪方法研究[D]. 何尚猛.中国矿业大学 2019
[7]基于面部特征的驾驶员疲劳检测研究[D]. 徐忠帅.辽宁工业大学 2019
[8]基于Mean Shift的运动目标跟踪方法研究[D]. 石雪楠.东北电力大学 2018
[9]基于SSD物体检测技术的机器人抓取系统研究[D]. 李亚男.吉林大学 2018
[10]基于卷积神经网络的人脸识别研究与实现[D]. 于志刚.中北大学 2018
本文编号：3308410
本文链接：https://www.wllwen.com/kejilunwen/qiche/3308410.html
