基于KFEP算法的駕駛員疲勞狀態(tài)檢測方法研究.pdf

1、伴隨我國經(jīng)濟實力的增長和公路交通的不斷發(fā)展，汽車總量和駕駛員人數(shù)也隨之增多，這也導致了潛在的交通安全問題隨之與日俱增。疲勞駕駛是導致交通事故的重要原因之一。所以，對駕駛員進行疲勞狀態(tài)的實時檢測，并在檢測到疲勞時對駕駛員進行預警，敦促其盡快結束疲勞駕駛行為。這對減少因疲勞駕駛而導致的交通事故、保障駕駛員及他人的人身財產(chǎn)安全具有極其重要的意義。
　　在各類疲勞狀態(tài)檢測方法中，PERCLOS算法是根據(jù)駕駛員眼睛閉合時間的比率進行疲勞狀態(tài)

2、判定，與駕駛員的疲勞相關程度極高，但同時也存在一定的限制因素和缺陷。本文對基于PERCLOS算法疲勞狀態(tài)檢測方法進行相關研究與改進，主要工作及成果如下：
　?。?）針對駕駛員的差異化眨眼頻率導致原始的PERCLOS算法疲勞判定閾值難以選取的問題，本文采用濾波方法解決。在綜合分析比較多種濾波算法后，考慮使用卡爾曼濾波算法以濾除駕駛員非疲勞狀態(tài)下眨眼動作的影響。研究并提出卡爾曼濾波增強的PERCLOS算法（KFEP），實現(xiàn)對疲勞狀態(tài)檢

3、測方法的改進。
　?。?）本文采用層次化的處理方法實現(xiàn)疲勞特征值的提取。首先使用基于類Haar特征的Adaboost算法對人臉進行檢測與定位。其次根據(jù)人眼的固有位置對人眼區(qū)域進行粗定位。然后對比分析多種二值化圖像分割方法，結合人眼區(qū)域的特征，提出二分局部均值聚類（BisectingLocal Means Clustering）方法用于人眼圖像的二值分割，并進行人眼的精確定位。最后，通過得到的人眼二值圖像，計算規(guī)格化的上下眼瞼最大高

4、度差值，從而得到所需疲勞特征值。
　?。?）通過仿真實驗的方式，分兩步對本文研究內(nèi)容進行了實現(xiàn)和檢驗。首先對疲勞特征值提取方法進行最優(yōu)參數(shù)選取及仿真實驗。該實驗結果證明了本文所研究疲勞特征值提取方法的有效性。然后，基于疲勞特征值提取方法，對卡爾曼濾波參數(shù)進行最優(yōu)選取，并比較分析了濾波前后對 PERCLOS算法的影響。該實驗結果證明本文所研究的基于卡爾曼濾波增強的PERCLOS算法克服了原始的PERCLOS算法缺陷，能夠更好的實現(xiàn)疲