论文部分内容阅读
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。本文使用深度相机提供的对齐的红外图像和深度图像,检测驾驶员的非正视、吸烟、打电话等危险驾驶行为。使用基于LBP特征的级联分类器进行侧脸识别,计算非正视状态下连续检测侧脸的时间检测驾驶员专注状态;通过深度图像获取人脸深度,并使用形态学处理和深度阈值分割的方法,去除噪声保留头部深度图像,根据面部联通域形态和面积变化,检测打电话行为;根据嘴部边缘和深度变化,检测吸烟行为,并在上述危险驾驶行为发生时做出实时提醒,确保司机驾驶安全。实验结果表明,相比于单独的疲劳检测,结合疲劳检测与危险驾驶行为检测,更能够有效预防驾驶员出现疲劳驾驶以及因为做出危险驾驶行为发生的交通事故,提高了驾驶员行车的安全性。