發(fā)布時間：2025-05-05 02:59

　　隨著環(huán)境感知技術(shù)和決策控制理論的發(fā)展,智能汽車的自動化程度越來越高,已經(jīng)具備了一定的自動駕駛能力,但想要達到完全自動駕駛,還需要一段很長的時間。這個階段的智能汽車,由人和汽車共同完成駕駛?cè)蝿?wù),簡稱人機共駕。人機共駕是智能汽車技術(shù)中的全新挑戰(zhàn)和重要研究課題。建立駕駛員的狀態(tài)表征,并在危險工況下機器介入控制對行車安全具有重要的意義。行車過程中,駕駛員疲勞駕駛和注意力不集中容易導致交通事故的發(fā)生,通過計算機視覺方法檢測駕駛員的狀態(tài),并結(jié)合周邊道路信息對駕駛員進行預警和局部路徑規(guī)劃,能極大的改善行車安全。本文主要進行了如下研究:(一)通過攝像頭采集駕駛員駕駛過程中的頭部影像,采用ASM(主動形狀模型)標識臉部特征點分布,并提取眼部區(qū)域圖像。提取眼部區(qū)域的HOG(方向梯度直方圖)特征,并通過SVM算法對眼睛的睜閉狀態(tài)進行判別。依據(jù)PERCLLOS指標,計算駕駛員的疲勞程度。(二)從ASM的特征點中選取左右眼角、臉頰和鼻子五處特征點,使用POSIT算法(比例正交投影迭代變)將二維問題轉(zhuǎn)化為三維問題來求解頭部姿態(tài),采用Canny邊緣檢測+Hough圓檢測的方法,確定瞳孔中心,使用3D眼球模型計算出視線...

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
英文摘要
1 緒論
    1.1 研究背景和意義
    1.2 研究現(xiàn)狀
        1.2.1 駕駛員疲勞研究現(xiàn)狀
        1.2.2 駕駛員視線方向檢測
        1.2.3 局部路徑規(guī)劃
    1.3 主要研究內(nèi)容
2 基于PERCLOS指標的駕駛員疲勞狀態(tài)檢測
    2.1 ASM算法及駕駛員眼部區(qū)域提取
        2.1.1 ASM算法簡介
        2.1.2 自商圖預處理
        2.1.3 駕駛員眼部區(qū)域提取
    2.2 HOG特征提取
    2.3 人眼狀態(tài)判別
        2.3.1 SVM眼睛狀態(tài)判別模型
        2.3.2 SVM訓練與測試
    2.4 基于眼睛狀態(tài)的疲勞判別
    2.5 本章小結(jié)
3 結(jié)合頭部姿態(tài)的駕駛員視線方向估計
    3.1 頭部姿態(tài)估計
        3.1.1 特征點選取
        3.1.2 POSIT算法
    3.2 瞳孔中心檢測
        3.2.1 邊緣檢測算法
        3.2.2 瞳孔中心檢測
    3.3 3D眼球模型
    3.4 本章小結(jié)
4 基于駕駛員狀態(tài)的局部路徑規(guī)劃
    4.1 改進的人工勢場法
        4.1.1 引力場
        4.1.2 斥力場
        4.1.3 合勢力場
        4.1.4 對人工勢場法的改進
    4.2 模糊系統(tǒng)
        4.2.1 模糊系統(tǒng)基本原理
        4.2.2 模糊系統(tǒng)設(shè)計
    4.3 基于駕駛員狀態(tài)的局部路徑規(guī)劃仿真
    4.4 本章小結(jié)
5 全文總結(jié)
    5.1 本文工作與結(jié)論
    5.2 文章創(chuàng)新點
    5.3 研究展望
致謝
參考文獻
附錄
    A.作者在攻讀學位期間發(fā)表的論文目錄



本文編號：4043019