司机疲劳驾驶检测系统设计.docx
《司机疲劳驾驶检测系统设计.docx》由会员分享，可在线阅读，更多相关《司机疲劳驾驶检测系统设计.docx（45页珍藏版）》请在冰豆网上搜索。
司机疲劳驾驶检测系统设计
司机疲劳驾驶检测系统设计
1.研究背景与意义
驾驶疲劳川是指驾驶员由于睡眠不足或长时间持续驾驶造成的反应能力下降，这种下降表现在驾驶员困倦、打磕睡、驾驶操作失误或完全丧失驾驶能力。
美国印第安那大学对交通事故原因的调查研究发现85%的事故与驾驶员有关，车辆和环境因素只占15%。
驾驶员在事故发生前一瞬间的行为和故障直接导致了事故的发生，这些行为包括知觉的延迟、对环境的决策错误、对危险情况的处理不当等。
在所有的驾驶员错误中，最常见的是知觉延迟和决策错误，这些错误会产生注意力不集中、反映迟钝、操作不当等，产生这些错误的根本原因就是驾驶疲劳。
随着我国生活水平的提高，人们的衣食住行等方面有了很大的改善，在交通方面更是有了质的飞跃。
四通八达的道路、便捷的交通工具大大地缩短了人与人的距离，其中汽车保有量更是与日俱增，一个家庭拥有两辆以上的小车已经不是什么新鲜的事情。
但是，汽车在带给人们方便的同时，随之而来的交通事故也源源不断。
据统计，我国交通事故死亡人数己连续10多年居世界第一。
我国在滚滚车轮下丧生的人数，短短十几年间己从每年5万多人增长到10多万人，是交通事故死亡人数居世界第二位国家的两倍。
其中，驾驶员疲劳造成交通事故的占总数的20%左右，占特大交通事故的40%以上。
同样，在国外情况也不容乐观。
据美国国家公路交通安全委员会的估计，在美国大约发生56000次与睡眠有关的交通事故，其中约40000人次受伤和1550人死亡。
1965年美国俄克拉荷马州收费公路局发表了1953年至1964年2128名机动车驾驶员发生车辆碰撞事故的调查结果:
22%的驾驶员打吨驾驶，48%的交通事故归结于疲劳驾驶疲劳。
由此可以知道，疲劳驾驶正逐渐成为交通事故的主要原因之一，成为马路上的“第一杀手”，如果我们能积极开展疲劳检测的工作，提醒驾驶者，很大程度上就能预防和减少交通事故的发生，使得公民的出行更加安全。
因此，研究出一套疲劳检测的系统对社会和民众都有不可估量的社会意义和经济价值。
一套好的检测系统必须要有成熟而完善的算法。
本文对疲劳检测系统的实现方法进行研究，以期提高疲劳检测的速度和准确度。
如果能将好的算法应用于疲劳检测系统之中，无疑能更有效的预防驾驶员疲劳驾驶而引起不必要的人员伤亡和经济损失。
2.疲劳驾驶检测系统研究与实现
2.1国内外疲劳驾驶检测系统研究现状
对疲劳驾驶的研究在国外最早可以追溯到20世纪30年代，但实际上，投入真正研究的却还是从上世纪RO年代美国国会通过的汽车驾驶状态与交通安全之间的关系研究开始的。
进入上世纪90年代，疲劳驾驶的科研工作得到了人们更大的重视，取得了一系列卓有成效的成果。
2.1.1国外疲劳驾驶检测系统的研究成果
早期的疲劳驾驶测评主要是从医用角度出发，借助医疗器件进行生理特征测量的。
疲劳驾驶的实质性的研究工作是从20世纪80年代由美国国会批准交通部研究交通安全和机动车驾驶的关系，并健全汽车安全管理条例开始的。
由此把疲劳驾驶的研究提高到了立法高度，保证了开展疲劳驾驶研究的有效性、合法性和持续性。
其研究工作大概可以分为两大类:
一是研究疲劳磕睡产生的原因和其他诱发因素，寻找能够降低这种危险的方法:
二是研制智能报警系统，防止驾驶员磕睡状态下驾驶。
20世纪90年代，美国对疲劳驾驶电子装置的研发工作发展的较快。
在各国研制的装置中具有代表性的成果有:
（1）美国研制的打磕睡驾驶员侦探系统DDDS（TheDrowsyDriverDetectionSystem）。
采用多普勒雷达和信号处理方法，可获取驾驶员烦躁不安的情绪活动、眨眼频率和持续时间等疲劳数据，用以判断驾驶员是否打磕睡或睡着。
该系统可制成体积较小的仪器，安装在驾驶室内驾驶员头顶上方，完全不影响正常的驾驶活动。
（2）美国华盛顿大学通过自行开发的专用照相机、脑电图仪和其他仪器来精确测量头部运动瞳孔直径变化和眨眼频率，用以研究驾驶行为问题。
一般情况下入们眼睛闭合的时间在0.2-0.3s之间，驾驶时若眼睛闭合时间达到0.5秒就很容易发生交通事故。
（3）卡内基梅隆研究所的Copilot装置。
研究所的Grace等人采用特制的红外LED装置，根据人的视网膜对不同波长红外光的反射量不同所表现出生理特征，使用850nm和950nm波长的红外光源，在同一时间内得到两幅眼部具有微小差别的图像，然后将这两幅图像进行差分相减，就可以提取出眼部瞳孔的位置和大小。
再用PERCLOS法则计算眼睛的闭合程度来判断疲劳的程度。
使用此装置能比较准确地定位出人眼然后进行疲劳判断。
（4）2000年1月明尼苏达大学计算机科学与工程系的NikolaosP.Papanikolopoulos教授成功开发了一套驾驶员眼睛的追踪和定位系统，通过安置在车内的一个CCD摄像头监视驾驶员的脸部，用快速简单的算法确定驾驶员眼睛在脸部图像中的确切位置，追踪多幅图像来监控驾驶员是否驾驶疲劳。
同年3月，他对上述系统进行了改进，改用红外线彩色摄像头并加滤波器滤除图像的噪声和非脸部的图像，使搜索脸部图像的次数减少，加快了处理图像的速度。
（5）日本成功研制了电子“清醒带”，固定在驾驶员头部，将其一端的插头插入车内点烟器的插座，装在带子里的半导体温差电偶使平展在前额部位的铝片变凉，使驾驶员睡意消除，精神振作。
（6）日本先锋公司最近开发出防止驾驶员开车打磕睡的系统。
它可通过心跳感应器每隔巧秒检测司机的心跳速度，监测司机驾驶员是否打磕睡，在睡意来临巧分钟前提醒司机注意，防止发生事故。
先锋公司还研究了通过测量眨眼频率和车体摇晃频率监测司机是否磕睡的系统。
（7）西班牙的防磕睡系统（Anti-DrowsinessSystem），测量驾驶时手对方向盘的握力，一旦检测到疲劳发生，利用汽车的灯不停的闪烁，提醒周围的交通车辆。
（8）澳大利亚的头部位置测量跟踪系统与沃尔沃合作，通过测量头部位置、闭眼和眨眼评估疲劳驾驶，但是它要求在司机的脸上作一些标记，给司机带来极大的不便。
（9）2005年，澳大利亚的研究人员们推出了一款眼镜，它可以检测出司机是否已经处于疲劳状态，并及时提出警告。
原理是通过红外线传感器监测司机的眼睑活动和眨眼频率，据此判断司机是否己经处于疲劳状态。
（10）转向盘监视系统S.A.M（SteeringAttentionMonitor），一种监测方向盘非正常运动的传感器系统，当方向盘正常运动时传感器系统不报警，若转向盘4s不运动就会发出报警声直到转向盘继续正常运止。
该系统固定在车内录音机旁，转向盘下面的杆上装有一条磁性带，用以监测转向盘的运动。
（11）头部位置测量仪（ASCIAdvancedSafetyConceptsInc研制）。
传感器设计安装在司机座位上方，每个传感器都能输出司机头部距离传感器的位置，利用三角代数算法就可以计算出头在X,Y,Z三维空间中的位置，也能够实时跟踪头部的位置，同时利用各个时间段头部位置的变化特征，可以表现出司机处于清醒还是磕睡状态。
该传感器物理特点基于传感器电极屏蔽之间的电容，通过人这个高导体可以改变电极之间的电容，通过测量电压计算头部与传感器之间的距离。
当人进入电容区域时，临近的电容改变同距离之间的关系是，利用3
个传感器，就可利用三角代数计算出头的X,Y,Z的坐标。
并对司机的头部位置进行实时跟踪，并且根据头部位置的变化规律判定司机是否磕睡，发现点头的动作和磕睡有非常好的相关性。
（12）法国图卢茨西门子汽车公司投资1700万法郎研制的一整套疲劳检测系统。
他们在汽车上装上5种传感器:
汽车速度传感器（监测汽车是否超速）、脚踏板传感器（监控脚踏板上压力的情况，是否在预定时间内没有压力变化）、方向盘传感器（监测方向盘情况）、车尾CCD传感器（测量汽车和马路上旁侧或中间的白线距离）、眼睛传感器（专门监控眼部的疲劳特征）。
这套系统主要是从多方面情况来联合监控驾驶员的情况，运用传感器融合的原理来综合判断驾驶员的情况，在实时性、准确性上有很大的保障。
2.1.2国内疲劳驾驶检测系统的研究现状
国内的疲劳驾驶预警系统的研究还处于起步阶段，相对国外来说还比较落后。
我国对疲劳驾驶的研究最早始于20世纪60年代，其中主要以高校居多。
到目前为止，还没有很成熟的产品问世。
目前的检测方法主要有:
（1）江苏大学汽车与交通工程学院的葛如海教授等〔5]人设计的一套疲劳监控系统，运用图像差分、灰度直方图等一系列图像处理方法，定位驾驶员眼睛睁开闭合状态，再用PERCLOS指标衡量驾驶员的疲劳状态。
（2）上海交通大学石坚、吴远鹏等人通过在车上安装传感器来测量方向盘、踏板压力等情况间接或许驾驶员的疲劳信息，当踏板或方向盘长时间不动的时候，驾驶员可能有疲劳的迹象，但是这和驾驶员的驾驶经验和习惯有关，准确性不高。
（3）中南大学对驾驶员驾驶时的疲劳检测方法进行了研究，设计出了一套眼睛跟踪系统，可达到实时的跟踪效果，同时研究了疲劳时眼睛的闭眼时间、快眨眼次数、慢眨眼时间和次数的特征模式。
（4）航空医学研究所的俞梦孙、周俞斌等司利用人眼在特定波长的红外光照射下的不同成像特点，设计了适用于全天候的疲劳检测系统。
（5）西南大学的姜德美提取驾驶员驾驶时的反应时间和方向盘转动角度作为BP神经网络模型的输入，来进行仿真验证。
（6）浙江大学正在研究驾驶防磕睡装置，该装置通过实时监测一段时间内驾驶人员眼睛的活动如眼睛的闭合时间、闭合频率等参数，来判断当前驾驶人员的注意力程度，从而识别驾驶员是否疲劳。
（7）中国农业大学车辆与交通工程学院正在进行机动车驾驶员疲劳测评方法的研究，他们使用CCD摄像头来采集图像数据，数据采集到计算机后，先利用高斯肤色模型进行驾驶员人脸定位，然后根据人脸图像的灰度分布检测出眼睛在图像中的具体位置，最后利用模板匹配技术判断出人眼的开闭状态，并计算出眼睛的闭合时间和PERCLOS，当眼睛的持续闭合时间大于3秒，PERCLOS大于80%时，就认为驾驶员处于疲劳驾驶状态，发出警告。
（8）吉林大学的王荣本等与中国业大学郑培等，利用机器视觉的方法对驾驶员的眼睛特征进行实时跟踪从而判断驾驶员的精神状态。
（9）深圳长途汽车公司的周鹏应用人体生理学、现代神经学、电子工程学分析了驾驶员疲劳事故隐患的起因，提出了消除疲劳事故隐患必须消除司机开车时的异常疲劳和大脑麻痹。
根据这一思想他研究了佩戴于司机小腿部与手腕部的“司机疲劳事故预防器”。
（10）中国的金吉公司制造了一种像戒指一样的测量装置，利用人的皮肤阻抗的变化，司机磕睡时，通过声音提醒司机当前的状态，由于特异性和准确度不高，误报率和漏报率都很高。
综合国内外的现状来看，能做到实时、有效、简单地检测驾驶员的疲劳情况是目前研究的重点和热点，但是目前市场上还没有非常成熟的产品投入到市场上进行实际的应用，这主要存在着以下的困难:
首先产品的投入成本比较高，汽车厂商研制出了较好的预警系统但是却无法很好地进行商业化的推广;其次目前疲劳的判断没有确切的定义，因此在进行疲劳检测的时候可能会出现误判等情况:
再者诸如EEG,“清醒带”、监测眼镜等方法的有效性良好，但是由于是接触性的装置，大大影响了驾驶员了自由活动;最后还因为个体和环境的差异（诸如男女性别、近视眼镜、光照情况、路况等）受到不同的影响。
总体看来，驾驶员疲劳检测是个复杂的过程，我国的驾驶疲劳检测的方法同发达国家相比，还存在较大的差距。
研究表明，眼睛状态和疲劳有很大的关联性，现阶段随着数码相机和网络摄像头的价格越来越便宜，通过监测驾驶员的眼睛状态来判断驾驶员是否疲劳的技术正逐步成为热点。
因此，研究如何利用机器视觉技术、图像处理技术、人脸识别技术PERCLOS疲劳检测方法相结合，开发出一种车载的、非接触式的、实时的员疲劳检测系统是当前的一个研究热点，这就是本课题研究的初衷。
2.2疲劳驾驶检测系统浅析
经过几十年的研究疲劳检测技术仍远未达到成熟、完善的地步国内外主要研究成果如下
（1）利用方向盘内置传感器感应驾驶员对航向纠正的速率若对方向的掌控迟钝则判为疲劳驾驶并发出警报但这个系统并未充分考虑长距直路、路况好的情况。
（2）利用内置摄像头侦测驾驶员眼部状态包括:
眼睑、瞳孔变化及眨眼频率等来判断驾驶员是否疲劳。
但这个系统并未充分考虑人眼特征差异，比如:
眼眼小的人、睡觉睁眼的人戴眼镜的人等。
（3）利用连续驾车时间来判断驾驶员是否疲劳。
这种方法很难扼制短暂停车继续驾驶的人。
（4）利用后视镜传感器检测车辆是否偏离车道若车辆非线性行驶则判为疲劳驾驶并发出警报。
该系统不适合崎岖、颠簸的道路。
（5）利用驾驶员脸部肤色变化来判断是否疲劳驾驶这种方法受光照强度的影响很大。
其他如通过检测心跳、血压、明视持久度、能见度、调节时间变动率、闪光融合频率、脑电图、心电图、肌电图等判定疲劳的方法形式单一多信息融合系统随之产生担其准确性、可靠性有待完善。
2.2.1神经传导速度测定方法
疲劳直接反映了神经的传导时间人在疲劳时房使神经传导时间明显延时。
所以神经传导速度可作为反应驾驶员是否疲劳驾马史的基本生理参数。
1.感觉神经传导速度测定方法
疲劳早期驾驶员主要是感觉障碍基本无运动障碍和肌肉萎缩问此时测定感觉神经传导速度对于预防疲劳驾驶、避免交通事故的发生具有重要意义。
根据如下公式计算出感觉神经传导速度:
检测方法如下（以挠神经为例）使用指环电极作为刺激电极，使用表面电极作为记录电极，刺激位置为拇指接近虎口的指关节，记录位置选择手腕挠测或前臂下1/3}}a测出刺激点与记录点之间的距离S并测出刺激开始至感觉神经收缩产生动作电位的潜伏期T。
2.运动神经传导速度测定方法
运动神经传导速度检查能直接测定运动神经的传导性。
根据刺激点与记录电极之间的距离差及潜伏期间隔来推算该段距离内的运动神经传导速度。
根据如下公式计算出运动神经传导速度：
2.2.2系统设计
本系统主要靠检测、计算出的神经传导速度与参考值作比较来判断驾驶员是否疲劳。
通过内嵌在方向盘内的电极及腕、肘部的电极来测得神经传导速度的关键参数并传入控制系统,由控制系统通过计算、与参考值进行比较最终对是否疲劳作出裁决厂旦认定疲劳驾驶,便启动声、光报警系统甚至自动刹车系统,以避免交通事故的发生。
2.3驾驶员疲劳检测系统的研究
为了减少由于驾驶员疲劳驾驶引起的交通事故，提出驾驶员疲劳状态检测系统的方案。
使用3×3中值滤波去除噪声和光照对图像的影响，通过对AdaBoost算法的强分类器训练算法改进、级联分类器优化实现人脸的快速检测，在检测到的人脸区域，通过积分灰度投影和从粗到细改进的模板匹配方法对人眼进行准确定位；通过PERCLOS、眼睛闭合时间、眼睛眨眼频率、嘴巴张开程度、头部运动的计算，进行驾驶员疲劳程度的综合判定。
实验结果表明，该方法准确率高，兼具了良好的实时性和鲁棒性。
2.3.1人脸检测
1.图像预处理
由于自然条件下的噪声和光照影响等一些因素，会给人脸图像的处理带来一定的干扰，所以需要找到合适的方法滤除噪声和改善非均匀光照的影响。
经实验验证，3×3中值滤波法可达到很好的预处理效果。
2.改进的AdaBoost检测方法
1995年，Freend和Schapire提出AdaBoost算法，ViolaP和JonesM提出的与基于积分图的Haar-like特征快速计算算法相结合的AdaBoost算法，在历史上第一次真正实
现目标的实时检测。
这个算法的基本思想就是将大量的分类能力一般的弱分类器通过一定方法叠加起来，构成一个分类能力很强的强分类器，且算法不需要任何关于弱分类器性能的先验知识，很容易应用到实际问题中。
AdaBoost算法流程如图2所示。
ViolaP和JonesM提出的基于AdaBoost的快速目标检测方法，虽然得到了广泛的应用，但是该算法还存在很多问题。
如：
虽然AdaBoost系统检测速度很高，但是由于AdaBoost算法本身训练比较耗时，整个系统的训练时间非常惊人。
根据文献[7]，其系统在训练上花费了数周的时间。
在分析这些问题的基础之上，本文提出了改进的AdaBoost目标检测算法，极大降低了检查的时间。
（1）强分类器训练改进算法
基于AdaBoost的快速目标检测算法在计算Haar-like特征时使用积分图的方式进行了快速计算，根据文献[8]的统计，24×24的搜索窗口虽然有18万的特征，但是过半的矩形特征面积非常小（小于2×2），这些特征在实际目标检测的性能很差，使训练的特征不具有很好的泛化能力。
本文在进行特征选取的时候将这些小面积矩形特征进行过滤，避免了此类特征的计算，在保证分类器检测率的同时，提高了分类器的训练速度。
由AdaBoost训练强分类器的训练算法可以看出，该算法是选择单个特征作为弱分类器，且选择弱分类器的标准
是弱分类的检测准确率略大于随机猜测（即略大约0.5），则将该弱分类器保留。
但是在训练的过程中，很可能出现非常相似的特征，这类相似的特征对分类器的性能没有提高的作用，而且不利于分类器的泛化能力。
（3）级联检测技术的优化
AdaBoost算法能够完成实时性检测的原因除了通过积分图进行快速特征计算之外，另一个重要原因是该算法在进行检测目标时采用了级联分类器。
级联结构分类器如图3所示。
在将训练出强分类器串联在一起形成层叠分类器时，应遵循“先重后轻”的分级分类器思想，将由重要特征构成的结构较简单强分类器放在前面。
这样可以先排除大量假样本，从而提高检查速度。
AdaBoost算法在进行级联分类器训练的时候，对每一级强分类器都进行了重新训练，训练比较耗时。
已经证明：
“随着弱分类器数量的增加，通过AdaBoost构建的强分类器的检测率也会不断提高”。
本文为了提高训练速度，在对级联分类器训练时，后一级的强分类器会重复利用前一级已经训练好的弱分类器，并在此基础上通过增加弱分类器的数量来提高强分类器的性能。
这样可以大大减少强分类器的训练时间。
2.3.2人眼定位
1.灰度积分投影确定准眼睛区域
在准确定位脸部位置后，根据人脸的面部器官的分布，人眼在脸部的上半部，所以首先截取人脸区域是上半部进行处理。
人脸图像中眼睛部位的灰度值通常比周围区的灰度值小，利用该特征常使用积分投影的方法来定位眼睛。
最为常用的投影函数是积分投影函数。
2.改进的模板匹配精确定位眼睛
模板匹配方法是假设待搜索图像S的尺寸为W´H，模板T的尺寸为M´N，通过一定的算法在大图像（即待搜索图像S）中搜索与模板T具有相近的尺寸、方向和图像的子图，并确定其坐标位置。
基于相似度的模板匹配算法以各局部图像作为模板，先在人脸集中手工提取各种状态的眼睛图像作为模板。
一幅眼睛图片为一个模板，即一个二维矩阵，利用眼睛模板与人脸图像作相关匹配，匹配函数如下：
当模板匹配的相关系数R（ij）等于1的时候，说明搜索子图与模板完全匹配。
这只是一个理想值，模板匹配的过程中主要是寻找相关系数的最大值，此时它所对应的搜索子图便是所要寻找的目标子图。
显然，用这种公式做图像匹配计算量大、速度慢。
可以使用另外一种算法来衡量T和Sij的误差，其公式为：
计算两个图像的向量误差，可以增加计算速度，根据不同的匹配方向选取一个误差阀值E0，当E（ij）>E0时就停止该点的计算，继续下一点的计算。
2.3.3疲劳程度的综合判定
驾驶员疲劳的判定会因错误检查带来不良影响，本文采用PERCLOS、眼睛闭合时间、眼睛眨眼频率、嘴巴张开程度、头部运动的计算，进行疲劳程度的综合判定，准确、有效地进行驾驶员疲劳的检测。
1.PERCLOS
PERCLOS（PercentageofeyelidClosureoverthepupilovertime）是指眼睛闭合时间占某一特定时间的百分率。
PERCLOS方法有P70，P80和EM三种判定标准。
研究表明P80与疲劳程度间具有最好的相关性。
2.嘴巴张开程度
嘴巴的状态通常有三种，闭合，说话及打哈欠，在疲劳状态下，人会频繁地打哈欠。
在人脸下半部分进行水平灰度投影，观察不同单人图像的水平灰度投影曲线，会发现该区域下半部分的水平灰度投影曲线有一个波谷，即为嘴唇间位置。
对人脸下半部分区域二值化，从嘴唇间向上、下计算连通区域（连通区域可以防止鼻孔及胡须对计算带来影响）的像素值，即可得到嘴巴的张开程度。
3.眼睛高度D及嘴巴高度H补偿
在上眼睑到下眼睑的垂直距离D及上嘴唇到下嘴唇的垂直距离为H时，由于驾驶员头部相对于检测设备有位置移动，因此为了实现驾驶员眼睛高度和嘴巴高度的准确计算，需要修正眼睛、嘴巴与检测设备距离相对变化引起的D及H变化。
4.眼睛闭合时间
眼睛闭合时间，一般用眼睛闭合到睁开所经历的时间来表示。
人处于正常清醒状态时，眼睛闭合时间是很短的，会迅速睁开眼。
而当疲劳时，眼睛闭合时间会明显变长，因此眼睛闭合时间能直接反映驾驶员的精神状态。
本文采用计算从眼睛闭合D/3到睁开D/3的最大帧数，帧数越多，闭合时间就越长，则疲劳程度就越严重。
5.眼睛眨眼频率
人在疲劳状态下，眨眼频率会比清醒状态下频率高。
本文也将其作为一项参数作为疲劳判断的依据。
眼睛闭合D/3到睁开D/3为眨眼一次。
累加一段时间内眨眼次数，作为疲劳判断的一项参数。
6.头部运动的疲劳参数
驾驶员在疲劳状态下会出现频繁点头，头部向前倾。
本文通过水平灰度积分投影得到眼睛瞳孔、嘴角的水平位置。
d1为瞳孔水平位置到采集图片的上边缘距离，d2为嘴角的水平位置到采集图片的下边缘距离。
在驾驶员疲劳出现点头情况，则d1增大且d2减小。
驾驶员疲劳时，头部向前倾，则d1增大且d2增大。
点头和头部向前倾可以作为疲劳判断的一项重要的依据。
3.基于人脸特征的列车司机疲劳驾驶检测与识别系统研究
3.1研究内容及目标
本章的目标是开发一套基于人脸特征识别的非接触式列车司机疲劳驾驶实时检测预警装置。
本文的研究内容为:
结合列车司机驾驶的特点和规律,利用模式识别与图像处理知识分析列车司机疲劳驾驶时的脸部特征,研究适合于列车运行时驾驶室光照情况复杂多变及高频低幅振动环境下的列车司机疲劳检测和识别算法,并在以DSP数字信号处理芯片为核心的硬件平台上实现检测与识别算法,以达到系统实时检测的性能要求。
主要完成以下研究内容:
1.实现由摄像头实时捕捉视频数据;
2.提出适合列车驾驶室环境的人脸检测算法,使其对振动环境和光照变化有较强的鲁棒性;
3.提出人眼检测算法,及判断眼睛睁开/闭合的状态识别分析算法;
4.根据眼睛睁开/闭合数据,基于PERCLOS的P80模型,给出列车司机疲劳驾驶的判定算法;
5.在以DSP为核心的硬件平台上,将列车司机疲劳驾驶检测与识别算法移植到DSP芯片中,提高算法的检测速度。
本识别系统的开发主要分为两大阶段进行:
1.检测与识别算法开发:
在PC上进行基于人脸特征的列车司机疲劳检测与识别算法开发。
主要完成基于Adaboost算法的人脸与人眼分类器训练,以及人眼状态识别算法开发;
2.基于DSP的疲劳检测与识别算法移植:
将PC上的非实时疲劳驾驶检测与识别算法移植到基于DSP的高速数据处理嵌入式系统,使算法达到实时检测与识别的要求。
3.1.1基于人脸特征的疲劳驾驶检测与识别算法开发
本阶段的主要任务是:
结合列车司机驾驶的特点和规律,分析列车司机疲劳驾驶时的脸部特征,研究适合于列车运行时驾驶室光照情况复杂多变及高频低幅振动环境下的列车司机疲劳驾驶检测与识别算法。
整个检测与识别系统必须准确地检测和定位眼睛,根据查阅的相关技术资料,最终确定本阶段算法开发分为三个步骤进行:
l）检测视频中的人脸;2）在人脸区域中定位人眼;3）对人眼状态进行识
升级会员 