基于人臉面部信息的疲勞駕駛檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf

1、眾所周知，疲勞駕駛已經(jīng)是成為引發(fā)全球交通事故的又一大重要原因，同時(shí)其所帶來(lái)的行車安全隱患也日益受到大眾的廣泛關(guān)注。采用科學(xué)檢測(cè)的方法輔助安全駕駛，預(yù)防駕駛員駕駛疲勞已經(jīng)是當(dāng)前研究的熱點(diǎn)問(wèn)題之一。
　　本論文采用基于視頻的人臉面部特征狀態(tài)分析方法來(lái)判定駕駛是否處于疲勞狀態(tài)。首先,本文綜合比較了各種人臉檢測(cè)方法的性能優(yōu)劣，選擇了通過(guò)訓(xùn)練正面人臉樣本分類器的方式對(duì)人臉進(jìn)行實(shí)時(shí)檢測(cè)，較好地滿足了系統(tǒng)的實(shí)時(shí)性要求，而且分類器訓(xùn)練過(guò)程簡(jiǎn)單，方

2、便并易于實(shí)施。其次，針對(duì)人臉檢測(cè)階段出現(xiàn)的頭部較大偏轉(zhuǎn)或是面部被遮擋情況下不能檢測(cè)到人臉的情況，提出了人臉跟蹤策略，并創(chuàng)新性地加入了TLD跟蹤算法，通過(guò)在線學(xué)習(xí)的方式使得系統(tǒng)能夠適應(yīng)多種特殊條件下的人臉檢測(cè)與跟蹤。然后，采用建立人眼面積數(shù)學(xué)模型的方式分析人眼狀態(tài)，綜合分析了影響人眼目標(biāo)區(qū)域面積大小的各種因素，包括駕駛員至攝像頭距離和不同人臉特征，通過(guò)控制變量法對(duì)模型進(jìn)行論證求解，將得到的一系列數(shù)據(jù)集反饋更新數(shù)學(xué)模型，從而使得模型更加精確

3、有效地判別出人眼的實(shí)時(shí)狀態(tài)。
　　通過(guò)分析不同時(shí)期人嘴巴的活動(dòng)狀態(tài)，獲得了嘴巴寬高比變化曲線 Km。該曲線描繪了駕駛員嘴巴在不同情況下的狀態(tài)變化曲線。將Km變化曲線作為衡量駕駛員是否疲勞的又一關(guān)鍵特征，從而有效避免了只依賴于人眼特征的單一性和不確定性。在PERCLOS算法中P80模型的基礎(chǔ)上，并結(jié)合嘴巴高寬比Km變化曲線，采用加權(quán)方式獲得最后的疲勞判決條件，利用多特征信息融合判斷駕駛員是否駕駛疲勞。最后，經(jīng)系統(tǒng)實(shí)驗(yàn)驗(yàn)證，本文所提算