学位论文 > 优秀研究生学位论文题录展示

红外条件下驾驶员疲劳检测研究

作　者: 魏秀金
导　师: 李文书
学　校: 浙江理工大学
专　业: 信号与信息处理
关键词: 人脸检测改进的Mean-shift算法人眼定位 PERCLOS 疲劳检测
分类号: TP391.41
类　型: 硕士论文
年　份: 2011年
下　载: 83次
引　用: 0次
阅　读: 论文下载

内容摘要

目前,在频繁发生的交通事故中,驾驶疲劳已成为引发交通事故的重要因素之一。因此,如何有效地检测和预防驾驶疲劳,对于减少交通事故发生,有着十分重要的现实意义。在当前的疲劳驾驶检测技术领域,随着科技的不断进步,计算机视觉、图像处理和模式识别技术得到了进一步的发展和完善。基于驾驶员脸部特征的非接触式疲劳检测算法的研究和疲劳预警系统的开发已经成为了主流之一。本文在研究前人工作的基础上,认为夜间是驾驶员疲劳的多发阶段。因此,本文使用了特殊的红外光源拍摄驾驶员正面面部图象,并根据红外图象所具有的特点提出了一套有效的驾驶员疲劳检测方法,整个方法分为四个过程:人脸的检测,人脸的跟踪,人眼(瞳孔)的定位和驾驶员疲劳状态识别。本文具体的研究内容如下:第一章介绍了驾驶疲劳检测的应用背景以及国内外研究的现状。阐述了疲劳检测研究的意义,以及论文研究的内容。第二章提出了红外条件下基于Adaboost人脸检测方法。首先对当前的人脸检测算法进行分类比较,其次介绍了红外光谱及红外图像的特点。最后,通过AdaBoost目标检测算法对人脸进行定位,该方法检测效率高,效果好。第三章提出了改进的Mean-shift人脸跟踪算法。针对Mean-shift算法在被跟踪目标发生快速移动时容易跟踪失败的缺点,改进了Mean-shift算法。当目标发生快速移动时,采用SSD(Sum of Square Difference)算法进行全局搜索。以实际驾驶员人脸检测与跟踪实验为例进行了大量实验,实验结果表明,本文提出的跟踪方法比Mean-shift算法的速度快、准确度高。第四章提出了红外条件下的的人眼检测和虹膜定位方法。(1)基于约束条件的人眼检测:首先利用极小值区域进行眼睛的粗定位,然后使用自然约束条件对上述粗定位的眼睛进行筛选,最后对眼睛进行精确定位;(2)基于Harris的虹膜定位:首先通过二维最大熵阈值分割方法对眼睛进行阈值分割,然后通过Canny边缘检测的方法提取瞳孔的边缘,运用Hough变换方法获得瞳孔的位置,最后通过Harris角点检测的方法寻找普尔钦斑点继而确定虹膜的位置。第五章提出了红外条件下的驾驶员疲劳检测方法。在驾驶员眼睛精确定位以及虹膜(普尔钦斑点)精确定位的基础上,分别通过基于PERCLOS测量方法以及基于普尔钦光斑的驾驶员疲劳检测方法对驾驶员疲劳状态进行检测,最后根据驾驶员的眨眼频率及PERCLOS方法对驾驶员的疲劳程度做了一些判断。实验结果表明,效果较好。第六章总结与展望。对本文主要研究内容做了总结,同时也指出了实验中的不足及现存的一些问题。最后,对今后的研究做了展望。

全文目录

摘要  4-6
ABSTRACT  6-11
第一章绪论  11-20
  1.1 课题研究的背景和意义  11-12
  1.2 国内外驾驶疲劳检测的研究现状  12-18
    1.2.1 国外研究现状  12-17
    1.2.2 国内研究现状  17-18
  1.3 本文的主要研究内容  18-20
第二章基于红外条件下的人脸检测及定位  20-36
  2.1 人脸检测的方法  20-23
    2.1.1 基于统计学习的人脸检测方法  20-21
    2.1.2 基于知识建模的人脸检测方法  21
    2.1.3 红外条件下的人脸检测  21-22
    2.1.4 各种方法的比较  22-23
  2.2 红外光谱与红外图像的特点  23-25
    2.2.1 红外光谱简介  23-24
    2.2.2 红外图像的特点  24-25
  2.3 红外条件下基于AdaBoost 的人脸检测方法  25-35
    2.3.1 AdaBoost 算法  26-28
    2.3.2 Haar-like 特征  28-30
      2.3.2.1 Haar-like 特征定义  28-29
      2.3.2.2 Haar-like 特征值的计算  29
      2.3.2.3 Haar-like 特征数量  29-30
    2.3.3 积分图  30-33
      2.3.3.1 积分图概述  30-32
      2.3.3.2 利用积分图计算Haar-like 特征值  32-33
    2.3.4 训练分类器  33-35
      2.3.4.1 弱分类器  33-34
      2.3.4.2 强分类器  34
      2.3.4.3 级联分类器  34-35
    2.3.5 实验结果  35
  2.4 本章小结  35-36
第三章基于改进 Mean-Shift 算法的人脸跟踪  36-53
  3.1 引言  36
  3.2 非参数密度估计理论研究  36-42
    3.2.1 非参数密度估计  36-38
      3.2.1.1 密度估计量的基本性质  37
      3.2.1.2 非参数密度估计的通用表达式  37-38
    3.2.2 核密度估计的定义  38-41
    3.2.3 核密度估计的收敛性  41-42
  3.3 Mean-Shift 理论  42-47
    3.3.1 Mean-Shift 的理论基础  42-43
    3.3.2 多维空间下的非参数密度估计  43-45
      3.3.2.1 多变量核函数的生产方式  43-44
      3.3.2.2 多维空间下的非参数密度估计  44-45
    3.3.3 Mean-Shift 向量  45-47
  3.4 Mean-Shift 目标跟踪算法  47-50
    3.4.1 目标模型与候选模型  47-48
    3.4.2 相似性度量  48-49
    3.4.3 模板更新策略  49-50
    3.4.4 Mean-Shift 算法流程  50
  3.5 基于改进的Mean-Shift 算法的人脸跟踪  50-51
  3.6 实验结果及分析  51-52
  3.7 本章小结  52-53
第四章基于红外条件下的人眼检测及定位  53-69
  4.1 引言  53
  4.2 红外条件下的驾驶员眼睛特点  53-54
  4.3 基于约束条件的人眼检测  54-61
    4.3.1 最大稳定极值区域  54-57
      4.3.1.1 数学定义  55
      4.3.1.2 性质  55-56
      4.3.1.3 最大稳定极值区域的提取算法  56-57
    4.3.2 基于多层结构的眼睛定位  57-61
      4.3.2.1 极小值区域进行眼睛粗定位  57-59
      4.3.2.2 使用自然约束条件对定位结果进行筛选  59-60
      4.3.2.3 眼睛精确定位  60-61
  4.4 基于Harris 的虹膜定位  61-68
    4.4.1 二维最大熵阈值分割方法  61-63
    4.4.2 Canny 边缘检测  63-65
    4.4.3 基于霍夫变换的瞳孔检测  65-66
    4.4.4 基于Harris 的Purkinje 斑点检测  66-68
  4.5 本章小结  68-69
第五章基于红外条件下的驾驶员疲劳检测  69-77
  5.1 引言  69-70
  5.2 基于PERCLOS 的疲劳检测方法  70-74
    5.2.1 PERCLOS 标准  70-72
    5.2.2 PERCLOS 的测量原理  72-73
    5.2.3 PERCLOS 疲劳检测算法  73-74
  5.3 基于普尔钦斑点的驾驶员疲劳检测方法  74-75
  5.4 基于Harris 和PERCLOS 的疲劳程度判断方法  75-76
  5.5 本章小结  76-77
第六章总结与展望  77-79
  6.1 本文的工作及总结  77
  6.2 不足与展望  77-79
参考文献  79-84
致谢  84-85
攻读学位期间的研究成果  85

红外条件下驾驶员疲劳检测研究

内容摘要

全文目录

相似论文