基于机器视觉的复杂工况下驾驶人疲劳状态检测方法研究

发布时间：2024-02-24 22:18

　　疲劳驾驶是引发交通事故的重要原因之一。研究驾驶人疲劳状态检测方法,监测驾驶人的精神状态,并在必要时进行报警干预,对于提高驾驶安全性具有重要的意义。基于机器视觉的驾驶人疲劳状态检测,通过对驾驶人面部表情的分析辨识其疲劳状态。该方法具有实时性、非侵入性、与人认知一致性等特点而成为疲劳状态检测中极具发展潜力和应用前景的技术手段。受实际驾驶过程中驾驶人的个体差异性、光照条件的随机性、疲劳特征的隐匿性等因素的影响,全天候、高鲁棒的驾驶人疲劳状态检测依旧存在众多技术瓶颈。本文围绕驾驶人眼睛区域定位、眼睛动作提取、疲劳检测建模等问题展开研究,开发了驾驶人疲劳状态检测算法,并进行了实验验证。为了克服夜晚工况下面部图像的模糊暗淡,并解决佩戴墨镜时眼睛图像的可见性问题,本文采用红外照明及红外滤光的方式获取驾驶人的面部图像。通过深入分析驾驶人的肢体动作(姿态变换、面部遮挡、表情变化)对于眼睛定位的影响,本文采用正面人脸检测结合通用3D人脸模型完成驾驶人的3D人脸建模,并实时求解驾驶人的头部姿态。利用3D人脸模型中的眼睛位置与头部姿态间接求解2D人脸图像中的眼睛位置,从而克服肢体动作的影响,同时增强眼睛区域定...

【文章页数】：152 页

【学位级别】：博士

【文章目录】：
摘要
Abstract
主要符号对照表
第1章 绪论
    1.1 引言
    1.2 驾驶人疲劳状态检测研究现状
        1.2.1 基于驾驶人生理参数的疲劳检测方法
        1.2.2 基于驾驶人生理反应参数的疲劳检测方法
        1.2.3 基于驾驶人操作行为的疲劳检测方法
        1.2.4 基于车辆行驶信息的疲劳检测方法
    1.3 本文主要研究内容
第2章 驾驶人疲劳状态检测系统总体设计
    2.1 系统硬件配置
        2.1.1 疲劳检测的复杂性
        2.1.2 系统硬件配置参数
    2.2 系统软件配置
    2.3 实验方案设计
    2.4 关键问题研究
第3章 驾驶人 3D人脸建模
    3.1 算法概述
    3.2 基于ASM算法的特征点定位
    3.3 基于ASEF算法的特征点定位
        3.3.1 ASEF算法基本原理
        3.3.2 基于ASEF算法的ASM算法修正
    3.4 基于CLM算法的特征点定位
        3.4.1 局部检测算子
        3.4.2 全局统计模型
    3.5 驾驶人 3D人脸建模
        3.5.1 正面人脸检测
        3.5.2 3D人脸建模
        3.5.3 头部姿态检测
    3.6 实验结果与结论
        3.6.1 ASEF算法最优参数及鲁棒性测试
        3.6.2 ASEF算法修正ASM算法精度测试
        3.6.3 驾驶人 3D人脸建模精度及鲁棒性测试
    3.7 本章小结
第4章 驾驶人眼睛动作检测
    4.1 算法概述
    4.2 基于CMOG特征的睁闭眼判别
        4.2.1 HOG特征基本思想
        4.2.2 共生矩阵梯度信息采集
        4.2.3 图像预处理
    4.3 眼角点检测
        4.3.1 眼睛区域特征点检测
        4.3.2 特征点有效性校验
        4.3.3 眼睛区域特征点跟踪
    4.4 虹膜中心检测
        4.4.1 虹膜中心检测算法
        4.4.2 夜晚工况虹膜中心检测
    4.5 眼睛轮廓定位
        4.5.1 自适应肤色检测
        4.5.2 眼睑轮廓定位
    4.6 实验结果及结论
        4.6.1 CMOG特征最优参数及性能测试
        4.6.2 虹膜中心检测最优参数及性能测试
        4.6.3 自适应肤色检测算法鲁棒性测试
    4.7 本章小结
第5章 驾驶人疲劳状态检测建模
    5.1 疲劳样本获取
    5.2 疲劳特征建立
        5.2.1 疲劳特征定义
        5.2.2 疲劳特征获取
    5.3 疲劳状态辨识
        5.3.1 疲劳特征离散化
        5.3.2 贝叶斯网络建模
    5.4 实验结果与结论
    5.5 本章小结
第6章 结论
参考文献
致谢
附录A 驾驶人疲劳状态检测贝叶斯网络参数
个人简历、在学期间发表的学术论文与研究成果



本文编号：3909641