疲勞駕駛是導(dǎo)致特別重大的交通事故的三大原因之一。在特別重大的交通事故中,疲勞駕駛引起的事故比例超過40%。因此,如何有效的檢測駕駛員疲勞狀態(tài)成為了研究者們關(guān)注的重點以及熱點。歷年來,研究者們試圖從不同的信息源識別疲勞駕駛,如駕駛員的生理狀態(tài)、面部特征、車輛行為等。并且依據(jù)疲勞特征的來源,將疲勞識別技術(shù)分為基于單一信息的疲勞識別技術(shù)和基于多信息融合的疲勞識別技術(shù)。其中,基于單一信息的疲勞識別技術(shù),容易受環(huán)境因素、信息丟失等情況影響,而產(chǎn)生識別失敗或者誤判的結(jié)果。因此,為了提高疲勞駕駛識別的有效性和魯棒性,本文采用多信息融合方式進(jìn)行疲勞識別。本文的主要工作如下:(1)提出了一種基于面部特征融合的駕駛員疲勞識別算法。該算法包含前期處理模塊、特征級模塊、決策級模塊。其中,前期處理模塊用于檢測面部、眼部及唇部;特征級模塊主要利用特征提取算法識別各證據(jù)源的疲勞狀態(tài);決策級模塊則將特征級中多證據(jù)源的疲勞識別結(jié)果及上一時刻的判別結(jié)果融合,進(jìn)行本時刻疲勞狀態(tài)的綜合判決。(2)提出了兩種基于特征提取的疲勞識別算法:基于圖像金字塔局部二進(jìn)制模式的疲勞識別算法(Pyramid Local Binary Pat...

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-1基于面部特征融合的駕駛員疲勞識別模型

圖2-1基于面部特征融合的駕駛員疲勞識別模型本文所提的系統(tǒng)由：前期處理模塊、特征級模塊、決策級融合模塊組成。前期的是：利用當(dāng)前已知且有效的人臉檢測與定位追蹤算法進(jìn)行面部、眼部、唇部識相應(yīng)區(qū)域切割作為特征級的輸入。本文中前期處理模塊將使用Adaboost算法進(jìn)檢測，使用K....

圖2-2Adaboost算法人臉檢測框架圖

人臉檢測在人機(jī)交互和基于計算機(jī)視覺的應(yīng)用中發(fā)揮著重要的作用。人臉作為一種人類身份信息，具有唯一性和不可復(fù)制性。然而，由于光照、表情、背景等諸多不確定因素的影響，人臉識別在現(xiàn)實應(yīng)用中仍然是一個具有挑戰(zhàn)性的問題。PaulViola和MichaelJones在2001年基....

圖2-3矩形特征

(a)(b)(c)(d)(e)圖2-3矩形特征圖2-4矩形特征在人臉上的匹配[62]圖2-3中的垂直矩形特征能很好地描述正面面部，但當(dāng)面部傾斜或旋描繪的效果往往不盡如人意。為此，Rainer等人提出了擴(kuò)展矩形特征入了帶有45旋轉(zhuǎn)角的矩形特征。擴(kuò)展矩形特征如....

圖2-4矩形特征在人臉上的匹配[62]

第二章疲勞識別模型及前期處理3所示，最早是由Papageorgiou提出的，-4所示，相對于臉頰來說，眼睛的顏色更些，因此可以選取如下兩種矩形特征描(b)(c)(d)圖2-3矩形特征

本文編號：4004822