论文部分内容阅读
驾驶员疲劳驾驶是造成道路交通死亡事故的重要原因之一，驾驶疲劳检测已逐渐成为智能运输系统(ITS)研究的热点之一。为了给判定疲劳程度提供数据保证，因此对获取驾驶员状态实时信息系统的研究具有较高学术价值和较强的实际应用价值。本文首先对基于机器视觉的驾驶员疲劳检测的研究现状进行了总结和分析，并提出一种新的概念，即脸部动态信息。然后，通过一系列脸部特征提取和跟踪实时进行头部姿态估计、眼睛和嘴部的跟踪及定位。本研究的最终目的就是获取驾驶员脸部动态信息，为进一步分析并判定驾驶疲劳奠定了基础。
本文研究的核心内容包括：基于低精度3D人脸模型的驾驶员头部姿态鲁棒跟踪算法研究与实现；眼睛及嘴部特征实时检测与跟踪算法研究与实现；脸部动态信息获取实现。
首先，提出了一种基于低精度3D人脸模型的驾驶员头部姿态鲁棒跟踪算法。前期需要完成两项工作，第一，对摄像机进行标定获取其内外参数；第二，建立一个低精度的3D人脸模型。头部姿态跟踪算法一共有两个模块：初始化模块和姿态跟踪模块。为了提高系统的自主性，降低复杂性，初始化时首先采用了ASM进行特征点定位，提取脸部特定的语义点。初始化完成后可以得到脸部区域及初始头部姿态。姿态跟踪算法首先在2D图像中脸部区域内提取特征点并建立与3D人脸模型的2D-3D匹配。然后，匹配前后两帧跟踪到的特征点，把结果作为基于模型的光束法平差的输入来恢复头部姿态。为了避免特征点在跟踪过程中数量逐步减少的问题，在每帧提取的脸部区域内进行相同数量特征点的重提取。完成整个跟踪过程，可以实时获得驾驶员头部在空间中的三维信息。
其次，扩展了前人工作的思路，提出了头部动态信息获取的同时，针对眼睛及嘴部进行实时的动态信息获取。本文提出了一种改进的粒子滤波眼睛定位及跟踪方法，首先利用基于Haar-Like特征级联分类器的检测方法，在脸部区域内按照不同尺度搜索存在的眼睛，然后通过检测到的眼睛位置初始化粒子滤波算法。针对实验中遇到的噪声和干扰问题，本文提出一种将粒子滤波与一阶预测算法相结合的跟踪方法，对跟踪结果进行再次滤波修正，并根据脸部的位置信息和眼睛定位的历史信息来判断眼睛是否跟踪丢失，提高眼睛跟踪及定位的准确性。若跟踪丢失则采用Haar-Like特征级联分类器重新检测眼睛位置。嘴部定位采用“三庭五眼”的方法。此方法简单，效率较高。其原理是根据先验脸部几何知识和己知的眼睛位置及大小来确定嘴部的相对位置。
最后，本文采用了眼睛闭合程度(PERCLOS)和打哈欠频率(YawnFreq)作为眼睛及嘴部的实时信息，并提出一种判断眼睛及嘴部开合状态的新方法。其原理是根据眼睛或嘴部的外接矩形宽高比及面积判断眼睛及嘴部状态。与以往的算法相比该方法可以更精确地表示眼睛及嘴部的状态。最后，在真实的驾驶环境中对算法进行仿真测试，取得了良好的实验结果。为下一步进行驾驶疲劳判断提供原始数据依据。