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

发布时间：2022-02-10 01:03

　　随着经济社会的不断发展,人民的消费水平不断提高,机动车的使用量逐年增加,由此引发的道路交通安全问题越来越严重,给驾驶员和行人的生命安全和经济财产带来了巨大损失。研究表明,疲劳驾驶已成为引发交通事故的重要因素之一,引起了许多国家和政府的重视。针对这一问题,研究人员已经提出了许多疲劳检测的方法,主要包括三种检测方式:基于生理参数、基于车辆行为以及基于面部特征分析。其中,基于驾驶员面部特征分析的检测算法有着非接触性、准确性高及易实现等优点,所以本文通过对驾驶员的面部特征分析来实现疲劳状态的判定。本文针对国内外各类疲劳状态检测算法进行了大量的研究,分析其优势和不足,提出了基于传统机器学习算法和基于深度学习算法两种检测手段,结合眼部和嘴部状态特征对驾驶员进行疲劳判定。本文通过将多个疲劳参数进行融合,提高了驾驶员疲劳驾驶检测的准确率。本文的主要研究内容和创新点包括以下几个部分:1.人脸检测及面部关键点定位的研究。在手工提取疲劳特征算法中,利用基于Harr-Like特征的Adaboost算法检测人脸,在检测到的人脸上采用EyeMap算法定位出眼睛区域;然后根据唇色和肤色之间的色度差异,定位嘴唇区域来... 

【文章来源】：吉林大学吉林省211工程院校985工程院校教育部直属院校

【文章页数】：79 页

【学位级别】：硕士

【部分图文】：

一些常见的Harr-like特征

吉林大学硕士学位论文图 2.1 一些常见的 Harr-like 特征方法就是将上面图中的白色区域内利用积分图像法快速计算 Haar 特征积分图值是下图阴影部分中的所有像' '' ',( , ) ( , )x x y yii x y i x y ········

' ',x x y y ·······图 2.2 积分图(x,y)表示原始图像中坐标位置为(x,，可由该区域端点的积分图来计算值，v(2)表示区域 A 和区域 B 的像表示表示区域 A、B、C 以及 D 的和减去 v(2)和 v(3)，即：域 D的 像素值 v 4 v 1 v 2

【参考文献】：
期刊论文
[1]一种基于卷积神经网络的哈欠检测算法[J]. 马素刚,赵琛,孙韩林,韩俊岗.  计算机科学. 2018(S1)
[2]监测疲劳驾驶时定量脑电图特征量化指标分析[J]. 陈朝阳,王文军,张超飞,成波,曾超,孟祥杰,John M CAVANAUGH.  汽车安全与节能学报. 2016(02)
[3]基于动态匹配模型的驾驶人嘴部行为识别与分级预警[J]. 付锐,程文冬,张名芳,袁伟,刘卓凡,郭艳君.  汽车工程. 2015(09)
[4]驾驶员疲劳检测系统的研究[J]. 李绍文,王江波.  计算机工程与应用. 2013(15)
[5]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)
[6]心率变异性与驾驶疲劳相关性研究[J]. 董占勋,孙守迁,吴群,徐娟芳.  浙江大学学报(工学版). 2010(01)
[7]基于Snake模型的嘴部特征分割[J]. 汤敏,王元全,夏德深.  计算机工程. 2004(21)
[8]基于机器视觉的驾驶员嘴部状态检测方法[J]. 施树明,金立生,王荣本,童兵亮.  吉林大学学报(工学版). 2004(02)
[9]一种基于知识的快速人脸检测方法[J]. 姜军,张桂林.  中国图象图形学报. 2002(01)

硕士论文
[1]基于面部视觉多特征融合的驾驶员疲劳检测方法研究[D]. 周云鹏.湖南大学 2015
[2]基于人脸定位技术的疲劳驾驶检测方法[D]. 孙睿.电子科技大学 2010



本文编号：3617964