基于深度视频的疲劳驾驶和危险驾驶行为检测算法研究
发布时间：2022-01-08 07:16
当前我国是汽车制造大国,汽车保有量居世界第二,不断增多的车辆带来的不仅是出行的便利,也带来了一系列的问题。其中,频繁发生的交通事故已经成为最重要的问题,每年发生的交通事故造成的死亡人数逐年递增,并且据美国国家公路交通安全管理局调查报告显示,在发生的事故中,由疲劳驾驶引起的交通事故占了很大的比例。因此疲劳驾驶已经引起国家和政府的重视,急需研制一个有效、实时的疲劳检测系统。本文分析比对国内外现有的疲劳检测与危险驾驶行为识别算法,结合系统要求与最新技术成果,解决在夜间驾车时传统彩色图像对人脸识别、疲劳驾驶和危险驾驶行为无法正确检测的难点,提出一种基于计算机视觉和Intel Realsense深度相机视频的疲劳驾驶检测与危险驾驶行为预警方法。本文使用深度相机提供的红外图像,采用人脸的LBP特征,通过使用AdaBoost算法的级联分类器对特征筛选实现人脸检测;在人脸区域使用随机森林和全局线性回归相结合的方法训练出模型并检测定位人脸的68个特征点,根据特征点定位眼部和嘴部区域;通过计算眼部、嘴部特征点的纵横比确定眼睛和嘴巴的闭合状态,并且使用基于PERCLOS的改进疲劳参数判定驾驶员的疲劳状态。本...
【文章来源】：青岛大学山东省
【文章页数】：55 页
【学位级别】：硕士
【部分图文】：
基本的Haar-Like特征模板
青岛大学硕士学位论文11黑色矩形像素求和，将得到的两个和进行相减就是需要的Haar-Like特征值。Haar-Like特征模板为以下几类，如图2.1所示，(a)、(b)、(e)所示的模板特征值为F=，而(c)(d)所示的模板特征值为F=2×。图2.1基本的Haar-Like特征模板后来Haar-Like特征经过不断的扩展、补充，基本分为四类：边缘特征、线性特征、中心特征和对角线特征。如图2.2所示。图2.2基本的Haar-Like特征模板（2）局部二值特征局部二值模式(LocalBinaryPattern，LBP)是一种特殊的算子，主要是描述了图像的部分纹理特征。1994年，T.Ojala等[27]率先提出该算子，来进行纹理的特征提龋使用该算子提取的纹理特征只是图像的局部特征。LBP算子可以用图2.3表示，如图所示，取一个3*3的图像窗口，将其中心像素值作为阈值，然后与八邻域的像素值进行比较，大于标记为1，否则为0。
青岛大学硕士学位论文12图2.3LBP算子公式表达为：LBP(,)=∑2()1=0，其中s(x)={1≥00<0.（2-6）最初的LBP算子还有很大的缺点，故在之后学着们不断地对其做出改进，原始LBP算子有一个最大的缺陷，无法满足提取不同尺寸和不同频率的纹理特征，为了解决这一问题，并且保持灰度和旋转不变性，人们对LBP算子做出了优化，把3×3邻域范围进行了扩展，改进后的LBP算子可以扩展为半径为R的圆形邻域，且在该邻域内可以选择任意数量的像素点。这样就产生了类似含有P个采样点的半径为R的圆形区域LBP算子，如图2.4所示。图2.4圆形LBP算子为了保证图像在旋转后，得到的LBP值不发生变化。Maenpaa等对LBP作出了改进，使LBP算子具有了旋转不变性，通过不断地对圆形邻域进行旋转，得到全部的初始LBP值，将其中最小的值认作该邻域的LBP值。如图2.5所示。图2.5圆形旋转LBP算子在应用中，LBP特征计算快捷、准确率高，使用广泛，当前改进后效果最好、应用最广的LBP特征为MB-LBP[28]特征。在特定的矩形周围，以相同尺寸划分出八邻域矩形区域，计算八邻域矩形的平均灰度值，再计算中心的矩形平均灰度值，将二者进行对比，把计算结果用八位二进制来进行记录，大于等于置为1，小于置为0，
【参考文献】：
期刊论文
[1]一种车载疲劳驾驶检测方法[J]. 任强,姚海敏. 信息通信. 2019(12)
[2]基于深度图预处理和图像修复的虚拟视点绘制[J]. 梁海涛,陈晓冬,徐怀远,任思宇,汪毅,蔡怀宇. 计算机辅助设计与图形学学报. 2019(08)
[3]RGB-D结构相似性度量下的多边自适应深度图像超分辨率重建[J]. 李青松,张旭东,张骏,高欣健,高隽. 中国图象图形学报. 2019(07)
[4]基于深度学习的驾驶人疲劳监测算法研究[J]. 游峰,梁昭德. 武汉理工大学学报(交通科学与工程版). 2018(03)
[5]基于CLM的驾驶员违章打电话检测系统设计[J]. 许华胜,丁军航,任秀娟,孙金娜. 青岛大学学报(工程技术版). 2018(02)
[6]基于深度图及分离池化技术的场景复原及语义分类网络[J]. 林金花,姚禹,王莹. 自动化学报. 2019(11)
[7]基于优化估计的深度图像修复与误差补偿方法研究[J]. 李良福,邹彬,周国良,王超,贺峻峰. 应用光学. 2018(01)
[8]2015年全国机动车和驾驶人迅猛增长 新增汽车1781多万汽车保有量增长创历史新高[J]. 沈后功,周凯. 汽车与安全. 2016(02)
[9]基于Adaboost方法的车载嵌入式疲劳驾驶预警系统[J]. 程如中,赵勇,戴勇,陈伟,隋博,王浪,王新安. 北京大学学报(自然科学版). 2012(05)
[10]基于多传感器信息融合的危险驾驶行为检测系统[J]. 詹彤,蔡智圣,张进,杨勇. 汽车零部件. 2011(07)
硕士论文
[1]基于智能手机传感器的人车状态持续感知与危险驾驶识别[D]. 杜文文.中国科学技术大学 2019
[2]基于脸部关键点信息的驾驶员行为分析[D]. 王莹.南京航空航天大学 2019
[3]基于深度信息和彩色图像的疲劳驾驶检测研究[D]. 吴福华.重庆大学 2016
[4]基于Kinect的安全驾驶状态监测方法和技术研究[D]. 程雷.武汉理工大学 2016
[5]基于Kinect的疲劳驾驶检测系统的设计与实现[D]. 陈萍.大连海事大学 2015
本文编号：3576125
【文章来源】：青岛大学山东省
【文章页数】：55 页
【学位级别】：硕士
【部分图文】：
基本的Haar-Like特征模板
青岛大学硕士学位论文11黑色矩形像素求和，将得到的两个和进行相减就是需要的Haar-Like特征值。Haar-Like特征模板为以下几类，如图2.1所示，(a)、(b)、(e)所示的模板特征值为F=，而(c)(d)所示的模板特征值为F=2×。图2.1基本的Haar-Like特征模板后来Haar-Like特征经过不断的扩展、补充，基本分为四类：边缘特征、线性特征、中心特征和对角线特征。如图2.2所示。图2.2基本的Haar-Like特征模板（2）局部二值特征局部二值模式(LocalBinaryPattern，LBP)是一种特殊的算子，主要是描述了图像的部分纹理特征。1994年，T.Ojala等[27]率先提出该算子，来进行纹理的特征提龋使用该算子提取的纹理特征只是图像的局部特征。LBP算子可以用图2.3表示，如图所示，取一个3*3的图像窗口，将其中心像素值作为阈值，然后与八邻域的像素值进行比较，大于标记为1，否则为0。
青岛大学硕士学位论文12图2.3LBP算子公式表达为：LBP(,)=∑2()1=0，其中s(x)={1≥00<0.（2-6）最初的LBP算子还有很大的缺点，故在之后学着们不断地对其做出改进，原始LBP算子有一个最大的缺陷，无法满足提取不同尺寸和不同频率的纹理特征，为了解决这一问题，并且保持灰度和旋转不变性，人们对LBP算子做出了优化，把3×3邻域范围进行了扩展，改进后的LBP算子可以扩展为半径为R的圆形邻域，且在该邻域内可以选择任意数量的像素点。这样就产生了类似含有P个采样点的半径为R的圆形区域LBP算子，如图2.4所示。图2.4圆形LBP算子为了保证图像在旋转后，得到的LBP值不发生变化。Maenpaa等对LBP作出了改进，使LBP算子具有了旋转不变性，通过不断地对圆形邻域进行旋转，得到全部的初始LBP值，将其中最小的值认作该邻域的LBP值。如图2.5所示。图2.5圆形旋转LBP算子在应用中，LBP特征计算快捷、准确率高，使用广泛，当前改进后效果最好、应用最广的LBP特征为MB-LBP[28]特征。在特定的矩形周围，以相同尺寸划分出八邻域矩形区域，计算八邻域矩形的平均灰度值，再计算中心的矩形平均灰度值，将二者进行对比，把计算结果用八位二进制来进行记录，大于等于置为1，小于置为0，
【参考文献】：
期刊论文
[1]一种车载疲劳驾驶检测方法[J]. 任强,姚海敏. 信息通信. 2019(12)
[2]基于深度图预处理和图像修复的虚拟视点绘制[J]. 梁海涛,陈晓冬,徐怀远,任思宇,汪毅,蔡怀宇. 计算机辅助设计与图形学学报. 2019(08)
[3]RGB-D结构相似性度量下的多边自适应深度图像超分辨率重建[J]. 李青松,张旭东,张骏,高欣健,高隽. 中国图象图形学报. 2019(07)
[4]基于深度学习的驾驶人疲劳监测算法研究[J]. 游峰,梁昭德. 武汉理工大学学报(交通科学与工程版). 2018(03)
[5]基于CLM的驾驶员违章打电话检测系统设计[J]. 许华胜,丁军航,任秀娟,孙金娜. 青岛大学学报(工程技术版). 2018(02)
[6]基于深度图及分离池化技术的场景复原及语义分类网络[J]. 林金花,姚禹,王莹. 自动化学报. 2019(11)
[7]基于优化估计的深度图像修复与误差补偿方法研究[J]. 李良福,邹彬,周国良,王超,贺峻峰. 应用光学. 2018(01)
[8]2015年全国机动车和驾驶人迅猛增长 新增汽车1781多万汽车保有量增长创历史新高[J]. 沈后功,周凯. 汽车与安全. 2016(02)
[9]基于Adaboost方法的车载嵌入式疲劳驾驶预警系统[J]. 程如中,赵勇,戴勇,陈伟,隋博,王浪,王新安. 北京大学学报(自然科学版). 2012(05)
[10]基于多传感器信息融合的危险驾驶行为检测系统[J]. 詹彤,蔡智圣,张进,杨勇. 汽车零部件. 2011(07)
硕士论文
[1]基于智能手机传感器的人车状态持续感知与危险驾驶识别[D]. 杜文文.中国科学技术大学 2019
[2]基于脸部关键点信息的驾驶员行为分析[D]. 王莹.南京航空航天大学 2019
[3]基于深度信息和彩色图像的疲劳驾驶检测研究[D]. 吴福华.重庆大学 2016
[4]基于Kinect的安全驾驶状态监测方法和技术研究[D]. 程雷.武汉理工大学 2016
[5]基于Kinect的疲劳驾驶检测系统的设计与实现[D]. 陈萍.大连海事大学 2015
本文编号：3576125
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3576125.html
最近更新
教材专著
