基于机器视觉的多特征疲劳检测研究
发布时间：2021-11-15 17:32
作为日渐走入每家每户的代步工具,汽车带来便利的同时也造成了交通事故的频发,智能驾驶相关技术随之赢来了空前的热潮,驾驶员疲劳检测技术是其重要组成部分。本文在深入研究相关方法原理的基础上,考虑到应用推广性,并为更准确稳定地检测驾驶员疲劳程度,提出一种非接触式疲劳检测算法,开发了基于机器视觉的多特征融合的驾驶员疲劳检测系统。该方法首先利用相机拍摄驾驶视频,经一系列图像预处理后,通过基于MB-LBP特征的AdaBoost算法初步定位人脸,然后利用堆叠主动形状模型Stasm（Stacked Active Shape Model）和相机位姿测量提取并计算疲劳特征,最后通过极限学习机ELM（Extream Learning Machine）分类器判断驾驶状态,移植到开发板Jetson TX2上,实现车载式疲劳检测。本文主要研究内容在于:1.针对经典AdaBoost算法使用的haar检测特征受光照影响较大的问题,改用具有灰度不变性的MB-LBP特征,在提高人脸检测速度的同时减少光照对人脸检测的影响。2.研究了一种特征点定位及特征提取的方法和一种基于视觉的旋转角度测量的方法:利用在ASM（Active ...
【文章来源】：湖南大学湖南省 211工程院校 985工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
Yale大学人脸数据库
基于机器视觉的多特征疲劳检测研究10图2.2不同光照下的人脸图像进一步地，对图2.2中不同光照下的四副人脸图像绘制了各个灰度级像素点个数的灰度直方图，完成进行直方图分析。如图2.3(a)所示，正常光照人脸图像的灰度直方图覆盖了灰度级较宽的范围，在各个灰度级上分布较均匀，图像具有多变的灰度色调和较高的对比度；如图2.3(b)所示，正面弱光人脸图像灰度直方图的整体灰度级变小并且集中压缩至0-150级了；如图2.3(c)所示，左侧光使得人脸左亮右黑，使得整体灰度级进一步变小，并向0-160级集中；如图2.3(d)所示，右侧光灰度分布与左侧光类似。a)正面正常光照人脸图像及灰度直方图b)正面弱光人脸图像及灰度直方图c)左侧光人脸图像及灰度直方图
硕士学位论文11d)右侧光人脸图像及灰度直方图图2.3不同光照下人脸图像及灰度直方图而在实际驾驶过程中，白天夜晚光照强度有明显不同，光照角度的不同使得驾驶位的光线不均匀，使得光照条件已成为影响驾驶员人脸成像的一个重要因素。对从Yale大学人脸数据库中提取的不同光照下的人脸图像所进行的灰度直方图分析，灰度分布的不均匀很大程度上影响了人脸成像，故对其进行光补偿有很大的必要。目前光照补偿技术研究深入并且应用广泛，基于图像处理的光照补偿技术主要是通过改变图像的灰度分布使其更均匀，提高图像的整体可见性与局部细节可测性，为后面的图像识别与检测提供一个好的基矗2.2图像灰度化彩色图像灰度化作为彩色图像处理的基础步骤，能够将多通道的数据综合成灰度级别这一个通道，降维操作在不影响后期特征提取的前提下，大大减少了数据运算量。灰度将纯黑色作为基准，描述不同饱和度的黑色，从0级开始到255级结束表示从纯黑色到纯白色灰度值的变化。人眼可观察到的彩色图像所构成的RGB颜色空间由红、绿、蓝三种颜色分量组成，每种分量根据其黑色饱和度有其对应的灰度值[41]。彩色图像灰度化是用每一个图像像素的一个灰度值来反映该像素的多通道分量，包括分量法、最大值法、平均值法、加权平均法等等。分量法是指根据应用情况选取R、G、B三分量中某一分量作为灰度化图像的灰度值；平均值法是求其三分量的平均值来作为最终值；加权平均法根据重要性将三分量给以合适权重再求和平均，现依据人眼对颜色的敏感程度，有式如：(,)=0.299×(,)+0.587×(,)+0.114×(,),=1,2,3,（2.1）各个图像灰度化方法效果如图2.4所示。我们可以看到，分量法等单一通道的处理方法片面的处理某一通道的信息，丢低了图像其他通道的灰度信息
【参考文献】：
期刊论文
[1]2018年中国汽车市场盘点[J]. 赵黎. 汽车纵横. 2019(02)
[2]谈疲劳驾驶的成因与预防措施[J]. 谷成利. 农机使用与维修. 2018(09)
[3]基于ASM的多特征融合驾驶员疲劳检测方法[J]. 白中浩,刘浏,焦英豪,曹松. 电子测量与仪器学报. 2016(12)
[4]基于眼部特征的疲劳驾驶辨识方法研究[J]. 刘志强,宋雪松,汪彭,周桂良. 重庆理工大学学报(自然科学). 2016(10)
[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)
[6]基于LBP的眼睛开闭检测方法[J]. 姚胜,李晓华,张卫华,周激流. 计算机应用研究. 2015(06)
[7]驾驶状态实时监测系统设计[J]. 白金蓬,黄英,江宜舟,马阳洋,刘平,刘彩霞. 电子测量与仪器学报. 2014(09)
[8]喷淋——预防疲劳驾驶新点子[J]. 王安. 道路交通管理. 2013(10)
[9]一种自适应唇区检测及定位方法[J]. 黄永慧,潘保昌,梁坚,范晓燕. 计算机工程与应用. 2010(21)
[10]基于方向盘操作的驾驶人疲劳状态实时检测方法[J]. 张希波,成波,冯睿嘉. 清华大学学报(自然科学版). 2010(07)
博士论文
[1]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
[2]复杂光照条件下人脸识别关键算法研究[D]. 庄连生.中国科学技术大学 2006
硕士论文
[1]基于卷积神经网络的驾驶员疲劳检测[D]. 张智腾.湖南大学 2018
[2]基于SDM的疲劳驾驶状态检测方法研究[D]. 文芳.长安大学 2018
[3]驾驶员疲劳状态分析及其预警算法研究[D]. 于兹文.吉林大学 2018
[4]机器视觉与毫米波雷达融合的前方车辆检测方法研究[D]. 谭力凡.湖南大学 2018
[5]基于卷积神经网络的交通标志分类与识别研究[D]. 宋灵杰.湖南大学 2018
[6]基于多信息融合的实时疲劳检测与预警系统研究[D]. 唐杰.南京航空航天大学 2018
[7]驾驶员疲劳检测算法研究[D]. 王军.北京交通大学 2017
[8]基于视觉的驾驶员疲劳检测算法研究[D]. 彭发超.湖南大学 2016
[9]基于安卓的多特征疲劳实时检测系统设计与实现[D]. 苟群森.电子科技大学 2016
[10]基于面部子空间特征的疲劳驾驶检测软件研究[D]. 陈艺丹.长春理工大学 2012
本文编号：3497213
【文章来源】：湖南大学湖南省 211工程院校 985工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
Yale大学人脸数据库
基于机器视觉的多特征疲劳检测研究10图2.2不同光照下的人脸图像进一步地，对图2.2中不同光照下的四副人脸图像绘制了各个灰度级像素点个数的灰度直方图，完成进行直方图分析。如图2.3(a)所示，正常光照人脸图像的灰度直方图覆盖了灰度级较宽的范围，在各个灰度级上分布较均匀，图像具有多变的灰度色调和较高的对比度；如图2.3(b)所示，正面弱光人脸图像灰度直方图的整体灰度级变小并且集中压缩至0-150级了；如图2.3(c)所示，左侧光使得人脸左亮右黑，使得整体灰度级进一步变小，并向0-160级集中；如图2.3(d)所示，右侧光灰度分布与左侧光类似。a)正面正常光照人脸图像及灰度直方图b)正面弱光人脸图像及灰度直方图c)左侧光人脸图像及灰度直方图
硕士学位论文11d)右侧光人脸图像及灰度直方图图2.3不同光照下人脸图像及灰度直方图而在实际驾驶过程中，白天夜晚光照强度有明显不同，光照角度的不同使得驾驶位的光线不均匀，使得光照条件已成为影响驾驶员人脸成像的一个重要因素。对从Yale大学人脸数据库中提取的不同光照下的人脸图像所进行的灰度直方图分析，灰度分布的不均匀很大程度上影响了人脸成像，故对其进行光补偿有很大的必要。目前光照补偿技术研究深入并且应用广泛，基于图像处理的光照补偿技术主要是通过改变图像的灰度分布使其更均匀，提高图像的整体可见性与局部细节可测性，为后面的图像识别与检测提供一个好的基矗2.2图像灰度化彩色图像灰度化作为彩色图像处理的基础步骤，能够将多通道的数据综合成灰度级别这一个通道，降维操作在不影响后期特征提取的前提下，大大减少了数据运算量。灰度将纯黑色作为基准，描述不同饱和度的黑色，从0级开始到255级结束表示从纯黑色到纯白色灰度值的变化。人眼可观察到的彩色图像所构成的RGB颜色空间由红、绿、蓝三种颜色分量组成，每种分量根据其黑色饱和度有其对应的灰度值[41]。彩色图像灰度化是用每一个图像像素的一个灰度值来反映该像素的多通道分量，包括分量法、最大值法、平均值法、加权平均法等等。分量法是指根据应用情况选取R、G、B三分量中某一分量作为灰度化图像的灰度值；平均值法是求其三分量的平均值来作为最终值；加权平均法根据重要性将三分量给以合适权重再求和平均，现依据人眼对颜色的敏感程度，有式如：(,)=0.299×(,)+0.587×(,)+0.114×(,),=1,2,3,（2.1）各个图像灰度化方法效果如图2.4所示。我们可以看到，分量法等单一通道的处理方法片面的处理某一通道的信息，丢低了图像其他通道的灰度信息
【参考文献】：
期刊论文
[1]2018年中国汽车市场盘点[J]. 赵黎. 汽车纵横. 2019(02)
[2]谈疲劳驾驶的成因与预防措施[J]. 谷成利. 农机使用与维修. 2018(09)
[3]基于ASM的多特征融合驾驶员疲劳检测方法[J]. 白中浩,刘浏,焦英豪,曹松. 电子测量与仪器学报. 2016(12)
[4]基于眼部特征的疲劳驾驶辨识方法研究[J]. 刘志强,宋雪松,汪彭,周桂良. 重庆理工大学学报(自然科学). 2016(10)
[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)
[6]基于LBP的眼睛开闭检测方法[J]. 姚胜,李晓华,张卫华,周激流. 计算机应用研究. 2015(06)
[7]驾驶状态实时监测系统设计[J]. 白金蓬,黄英,江宜舟,马阳洋,刘平,刘彩霞. 电子测量与仪器学报. 2014(09)
[8]喷淋——预防疲劳驾驶新点子[J]. 王安. 道路交通管理. 2013(10)
[9]一种自适应唇区检测及定位方法[J]. 黄永慧,潘保昌,梁坚,范晓燕. 计算机工程与应用. 2010(21)
[10]基于方向盘操作的驾驶人疲劳状态实时检测方法[J]. 张希波,成波,冯睿嘉. 清华大学学报(自然科学版). 2010(07)
博士论文
[1]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
[2]复杂光照条件下人脸识别关键算法研究[D]. 庄连生.中国科学技术大学 2006
硕士论文
[1]基于卷积神经网络的驾驶员疲劳检测[D]. 张智腾.湖南大学 2018
[2]基于SDM的疲劳驾驶状态检测方法研究[D]. 文芳.长安大学 2018
[3]驾驶员疲劳状态分析及其预警算法研究[D]. 于兹文.吉林大学 2018
[4]机器视觉与毫米波雷达融合的前方车辆检测方法研究[D]. 谭力凡.湖南大学 2018
[5]基于卷积神经网络的交通标志分类与识别研究[D]. 宋灵杰.湖南大学 2018
[6]基于多信息融合的实时疲劳检测与预警系统研究[D]. 唐杰.南京航空航天大学 2018
[7]驾驶员疲劳检测算法研究[D]. 王军.北京交通大学 2017
[8]基于视觉的驾驶员疲劳检测算法研究[D]. 彭发超.湖南大学 2016
[9]基于安卓的多特征疲劳实时检测系统设计与实现[D]. 苟群森.电子科技大学 2016
[10]基于面部子空间特征的疲劳驾驶检测软件研究[D]. 陈艺丹.长春理工大学 2012
本文编号：3497213
本文链接：https://www.wllwen.com/kejilunwen/qiche/3497213.html
