基于人眼状态检测的疲劳驾驶识别研究

发布时间：2021-08-28 02:38

　　随着人类生活水平的提高,机动车使用量逐年增加,伴随而来的是各类交通事故的发生,安全驾驶已成为社会关注的问题之一,其中,因疲劳驾驶而导致的交通事故占很大比例,因此,研究出一套使用方便、实时高效、检测准确的疲劳驾驶识别算法成为减少事故的重点。在所有的外在特征中,人眼状态是最能够反应疲劳状态的,所以本文通过对人眼状态的检测来实现疲劳驾驶的判定。本文对疲劳驾驶识别的研究做了以下四部分工作:1)图像预处理,首先对图像进行自动白平衡处理,使得图像色彩跟物体真实的色彩保持一致,便于计算机识别;再通过基于拉普拉斯算子的图像增强,使得物体的轮廓更加明显,人脸更便于识别。2)人脸检测,在前人研究较成熟的基于Gentle-Adaboost算法的人脸检测基础上进行改进,Gentle-Adaboost算法与haar特征识别相结合,以保证识别率,然后引入均值哈希算法的概念,将人脸信息转换为哈希指纹信息,用哈希指纹信息的对比代替人脸检测,再利用缓存数据库来存储相似图片的哈希指纹,这样不仅能够得到脸部的精确定位而且平均识别时间也减少了原检测时间的80%。3)人眼识别,分为人眼定位和人眼状态识别,该部分提出一种基于寻找... 

【文章来源】：河北科技大学河北省

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

弱分类器组合成强分类器设原始样本集S={(x1,y1),...,(xn,yn)}，其中x表示样本，y表示归类，比如一个二

.3 Gentle-AdaBoost 算法分类器训练Gentle-AdaBoost 算法通过 opencv_traincascade 程序训练出符合要求的特征类型为 xml，学习过程用到的正样本(face)和负样本(noface)均采用 MIT 人脸像。依据自身识别的情况，只需要对正样本和副样本的比例作出调整即可训练过程，正负样本的分配为 1：1，均是 2706 张。把正负样本分别放入 poegative 文件夹中，positive 文件夹如图 2-2 所示，negative 文件夹如图 2-3 所

正负样本的分配为 1：1，均是 2706 张。把正负样本分别放入 poegative 文件夹中，positive 文件夹如图 2-2 所示，negative 文件夹如图 2-3 所图 2-2 positive 文件夹


本文编号：3367618