基于信息融合的疲勞駕駛檢測算法研究.pdf

1、近年來,隨著經(jīng)濟的快速發(fā)展,汽車保有量大幅增加,但相應的交通管理和公路基礎(chǔ)設施還不夠完善,導致交通事故頻發(fā),道路安全已成為中國一個嚴重的社會問題。據(jù)統(tǒng)計,在眾多的交通事故,尤其是交通死亡事故中,駕駛員的疲勞駕駛是最重要原因。因此,展開疲勞檢測相關(guān)算法的研究具有重大的實際意義,并且當今疲勞檢測也是智能交通運輸系統(tǒng)的研究熱點之一。
　　本文利用視頻分析、信息融合等技術(shù)融合多個疲勞特征,實現(xiàn)一個基于視覺的駕駛員疲勞預警系統(tǒng),能夠?qū)崟r檢測

2、駕駛員當前所處的狀態(tài)。具體的方法為:在人臉檢測和定位的基礎(chǔ)上,實現(xiàn)人臉自動跟蹤、人眼定位和嘴巴定位;然后提取眼部、頭部和嘴部等多個相關(guān)的疲勞特征;最后再結(jié)合時間參數(shù)利用支持向量機算法融合上述疲勞參數(shù)綜合判定駕駛員的狀態(tài)。
　　在人臉檢測階段,首先利用圖像處理相關(guān)技術(shù)完成圖像的預處理,然后使用基于Adaboost算法訓練出的級聯(lián)分類器進行人臉檢測,返回人臉在圖像中的位置和大小。根據(jù)返回結(jié)果,設置用于跟蹤的人臉矩形大小,利用Camsh

3、ift算法實現(xiàn)人臉的自動跟蹤。
　　人眼檢測在人臉定位的基礎(chǔ)上實現(xiàn)。在檢測到人臉區(qū)域內(nèi),首先根據(jù)人臉的幾何分布特征,縮小人眼的搜索區(qū)域;然后再運用級聯(lián)分類器檢測定位人眼;最后在定位的人眼區(qū)域內(nèi)使用灰度化、邊緣檢測和圖像形態(tài)學等算法,獲取人眼的邊緣信息也就是輪廓特征,根據(jù)輪廓更新人眼區(qū)域,精確定位人眼。嘴部區(qū)域檢測時,根據(jù)“三庭五眼”先驗知識設置搜索區(qū)域,然后利用積分投影的方法定位出其位置。
　　本文結(jié)合駕駛員容易發(fā)生疲勞時間

4、段提取動態(tài)PERCLOS值、點頭頻率、眨眼頻率、閉眼持續(xù)時間和哈欠頻率等疲勞參數(shù)。由于各個參數(shù)的評判標準不一,需對各個疲勞參數(shù)進行歸一化,使其都落在[0,1]區(qū)間內(nèi)。最后采用SVM(Support Vector Machine)算法融合上述各個疲勞特征,綜合判斷駕駛員的當前狀態(tài)。在實驗室環(huán)境下,仿真實現(xiàn)該算法,并完成不同光照強度、頭部運動和速度等測試,結(jié)果表明:在正常的光照的條件下,對于640*480像素的圖像,能夠?qū)崟r檢測駕駛員所處的