论文部分内容阅读
作为日渐走入每家每户的代步工具,汽车带来便利的同时也造成了交通事故的频发,智能驾驶相关技术随之赢来了空前的热潮,驾驶员疲劳检测技术是其重要组成部分。本文在深入研究相关方法原理的基础上,考虑到应用推广性,并为更准确稳定地检测驾驶员疲劳程度,提出一种非接触式疲劳检测算法,开发了基于机器视觉的多特征融合的驾驶员疲劳检测系统。该方法首先利用相机拍摄驾驶视频,经一系列图像预处理后,通过基于MB-LBP特征的AdaBoost算法初步定位人脸,然后利用堆叠主动形状模型Stasm(Stacked Active Shape Model)和相机位姿测量提取并计算疲劳特征,最后通过极限学习机ELM(Extream Learning Machine)分类器判断驾驶状态,移植到开发板Jetson TX2上,实现车载式疲劳检测。本文主要研究内容在于:1.针对经典AdaBoost算法使用的haar检测特征受光照影响较大的问题,改用具有灰度不变性的MB-LBP特征,在提高人脸检测速度的同时减少光照对人脸检测的影响。2.研究了一种特征点定位及特征提取的方法和一种基于视觉的旋转角度测量的方法:利用在ASM(Active Shape Model)基础上改进的Stasm进行关键特征点定位,准确并统一提取面部状态参数;在Stasm的基础上结合相机位姿测量求取头部相对于相机的实时角度,较准确地提取头部状态参数。3.为提高算法鲁棒准确性,使用多个具体疲劳特征共同判断疲劳状态。将各种基础状态参数结合特定驾驶员的初始化,计算PERCLOS(Percentage of Eyelid Closure),眨眼频率,哈欠频率,点头频率等4个具体疲劳特征。4.为提高状态分类的速度和可靠度,使用ELM进行分类。搭建实验平台并采集志愿者模拟驾驶的驾驶视频,以由上述算法计算得到的4个具体疲劳特征为样本集,对分类器进行训练和测试,完成对驾驶状态的判断。程序移植到开发板Jetson TX2上,实现车载式疲劳检测。通过测试验证,在不同光照条件下,本文疲劳检测方法平均检测率为86.19%,为驾驶疲劳预警提供信息依据,避免驾驶员进入驾驶疲劳状态,从而实现更安全的驾驶。