学位论文 > 优秀研究生学位论文题录展示

基于疲劳检测和运动目标检测与识别的预警系统

作　者: 文岐伟
导　师: 齐德昱; 陈亮雄
学　校: 华南理工大学
专　业: 软件工程
关键词: 人脸检测人眼检测疲劳预警人眼状态判定 AdaBoost OpenCV 运动目标检测运动目标识别混合高斯模型 SVM HOG特征 Harr-like特征
分类号: TP391.41
类　型: 硕士论文
年　份: 2013年
下　载: 16次
引　用: 0次
阅　读: 论文下载

内容摘要

近年来，随着我国经济的飞速发展和国内外安全形势的日益严峻，部队和国家各类安全部门对于安全系统的各方面需求正在急剧增加。在实际中，部队和国家安全部门每年由于值班室监控人员疲劳而导致各类安全事故层出不穷，疲劳也被相关安全部门列为导致各类事故的三大原因之一，成为了其保障人民群众的生活和财产安全的重要阻碍。因此在实际情况中，如何采取有效措施来预防或者说及时发现值班室监控人员疲劳的情况，对于保护人民生命财产安全和减少各类事故的发生便具有非常重大的意义。另一方面，由于上述部门任务的特殊性，其周界的安全也十分重要。在现实工作中，这一方面的安全是通过值班人员结合站岗与观察监控视频来实现的，因此也十分需要一款智能的视频监控软件，能够自动判断是否有人入侵周界并做出预警的系统，来保障其周界安全。在疲劳检测方面，本系统采用摄像头对值班室内的值班员进行实时的面部图像抓拍，通过图像的技术处理和分析人眼的闭合程度，从而判断值班员的疲劳程度，适时做出预警。PERCLOS是我们的主要评价标准，即为一定时间内人眼闭合时间占总时间的比率。本文介绍了一种基于Haar特征的AdaBoost级联分类器算法的改进算法，并根据此算法先对目标图像进行人脸检测，然后在分割出的人脸图像中，对人脸图像进行人眼检测，定位出人眼的位置区域，而后在人眼区域内进行垂直积分投影，根据投影曲线的相关特性可以确定人眼闭合情况，最后通过事先给出的一定判别标准，判断眼部是否处于疲劳状态，从而达到疲劳检测的目的。当检测出值班员处于疲劳时，系统会自动报警，使值班员恢复到正常状态，从而尽量规避了值班的安全隐患。而在周界预警（即运动目标识别）方面，本系统采用混合高斯模型对摄像头拍摄到的周界实时图像进行背景建模，以分离运动的前景和静止的背景，然后通过计算确定要识别目标的检测窗口，在该检测窗口中对运动目标进行骨架提取，接着在运动目标原图像、二值化图像和骨架提取图像中使用基于HOG特征的SVM分类器进行目标分类并将其结果进行级联，最后得到是否有人入侵周界的结果。在疲劳检测方面，本系统采用的核心算法是基于Haar特征的AdaBoost级联分类器算法的改进算法和垂直积分投影，首先介绍了这两种算法的主要思想及工作原理，然后对值班人员实际工作环境的特点进行了分析并给出需求分析，接着在VS2010+OpenCV对整个设计进行实现，最后再对采集的人脸集进行测试，并得出实验结果。实验结果显示，本文提出的算法对于人脸检测以及垂直投影对于人眼状态的判定方法，具有精确度高、计算迅速以及鲁棒性强的优点。在运动目标识别方面，本系统的核心算法是基于混合高斯模型的背景建模算法、改进的基于HOG特征的SVM分类级联算法和骨架提取算法，本文首先对这几种算法的主要思想和工作原理进行了介绍，然后在OpenCV+VS2010的平台上实现该原型，最后用一段周界入侵的视频进行了测试，测试结果显示，本文提出的算法能够很好的检测并判断人为的周界入侵状况，具有检测速度快、识别成功率高等特点。最后再分析了实验中的不足，给出了下一步的改进方法，并展望了系统发展的方向。

全文目录

摘要  5-7
ABSTRACT  7-9
目录  9-14
表目录  14-15
图目录  15-18
第一章绪论  18-25
  1.1 研究背景和意义  18-19
  1.2 国内外研究现状  19-22
    1.2.1 疲劳检测的国内外研究现状  20-21
    1.2.2 运动目标检测与识别的国内外研究现状  21-22
  1.3 本文的主要研究工作  22-23
  1.4 本文的组织和结构  23-25
第二章疲劳检测的相关技术背景  25-31
  2.1 人脸检测技术概述  25-27
    2.1.1 基于面部重要特征的人脸检测方法  25
    2.1.2 基于模板匹配的人脸检测方法  25-26
    2.1.3 基于肤色分割的人脸检测方法  26
    2.1.4 基于统计理论的人脸检测方法  26-27
  2.2 人眼检测技术概述  27-28
    2.2.1 基于模板匹配的人眼检测方法  27-28
      2.2.1.1 灰度投影模板  27
      2.2.1.2 几何特征模板  27-28
    2.2.2 基于统计理论的人眼检测方法  28
  2.3 OPENCV 简介  28-29
    2.3.1 OpenCV 的特征  29
    2.3.2 OpenCV 的功能  29
  2.4 人眼疲劳的评价标准  29-30
  2.5 本章小结  30-31
第三章图像预处理  31-36
  3.1 灰度化  31-32
    3.1.1 算法原理  31-32
      3.1.1.1 分量法  31
      3.1.1.2 最大值法  31
      3.1.1.3 平均值法  31-32
      3.1.1.4 加权平均值法  32
    3.1.2 灰度化效果  32
  3.2 直方图均衡化  32-33
    3.2.1 算法原理  32-33
    3.2.2 灰度化效果  33
  3.3 中值滤波  33-34
    3.3.1 算法原理  33-34
    3.3.2 中值滤波效果  34
  3.4 光照补偿  34-35
    3.4.1 算法原理  34-35
    3.4.2 光照补偿效果  35
  3.5 二值化  35
    3.5.1 算法原理  35
    3.5.2 二值化效果  35
  3.6 本章小结  35-36
第四章基于 ADABOOST 算法的人脸（眼）检测  36-49
  4.1 ADABOOST 算法概述  36-41
    4.1.1 Haar-like 特征  36-37
    4.1.2 基本的 AdaBoost 算法原理  37-41
      4.1.2.1 弱分类器  37-38
      4.1.2.2 强分类器  38-39
      4.1.2.3 强分类器的级联  39-40
      4.1.2.4 积分图  40-41
  4.2 分类器检测结果对比及分析  41-48
    4.2.1 左眼分类器  41-43
      4.2.1.1 正确的检测结果  41-42
      4.2.1.2 包含正确结果的虚警结果  42
      4.2.1.3 不含正确结果的虚警结果  42
      4.2.1.4 对比分析  42-43
    4.2.2 右眼分类器  43-44
      4.2.2.1 正确的检测结果  43
      4.2.2.2 包含正确的虚警结果  43-44
      4.2.2.3 不包含正确的虚警结果  44
      4.2.2.4 对比分析  44
    4.2.3 双眼分类器  44-45
      4.2.3.1 正确的检测结果  44
      4.2.3.2 包含正确的虚警结果  44-45
      4.2.3.3 不包含正确的虚警结果  45
      4.2.3.4 对比分析  45
    4.2.4 人脸分类器  45-47
      4.2.4.1 正确的检测结果  45-46
      4.2.4.2 包含正确的虚警结果  46
      4.2.4.3 不包含正确的虚警结果  46
      4.2.4.4 对比分析  46-47
    4.2.5 综合对比分析  47-48
  4.3 本章小结  48-49
第五章改进的 ADABOOST 人眼检测算法  49-52
  5.1 算法基本思想  49-50
  5.2 算法流程图  50-51
  5.3 算法性能分析  51
    5.3.1 检测效果  51
    5.3.2 性能分析  51
  5.4 本章小结  51-52
第六章人眼状态判别算法  52-58
  6.1 人眼状态判别算法概述  52-55
    6.1.1 投影函数法的基本原理  52-54
      6.1.1.1 二值化水平和垂直积分投影  52-53
      6.1.1.2 方差投影  53-54
    6.1.2 投影函数法的优势与不足  54-55
  6.2 本系统所采用的人眼状态判别算法  55-57
  6.3 本章小结  57-58
第七章疲劳检测测试结果与分析  58-61
  7.1 测试结果  58
  7.2 综合分析  58-59
  7.3 本章小结  59-61
第八章运动目标检测与识别的相关技术背景  61-66
  8.1 运动目标检测  61-63
    8.1.1 背景消除法  61-62
    8.1.2 三帧差分法  62
    8.1.3 光流法  62-63
  8.2 运动目标识别  63-65
    8.2.1 产生式模型  63-64
    8.2.2 判别式模型  64-65
  8.3 本章小结  65-66
第九章基于自适应混合高斯模型的背景提取  66-71
  9.1 混合高斯背景模型  66-67
  9.2 混合高斯模型的参数初始化  67
  9.3 混合高斯模型的参数更新  67-68
  9.4 背景与前景的分割  68-69
  9.5 算法执行效果  69-70
  9.6 本章小结  70-71
第十章改进的基于 SVM 运动目标识别算法  71-79
  10.1 HOG 特征提取  71-74
  10.2 自适应的运动目标跟踪窗口  74-75
  10.3 骨架提取算法  75-76
  10.4 改进的基于 SVM 运动目标识别算法  76-78
  10.5 本章小结  78-79
第十一章运动目标检测与识别测试结果与分析  79-82
  11.1 测试结果  79-80
  11.2 综合分析  80-81
  11.3 本章小结  81-82
第十二章总结与展望  82-86
  12.1 总结  82-83
  12.2 展望  83-86
参考文献  86-89
致谢  89-90
附件  90

基于疲劳检测和运动目标检测与识别的预警系统

内容摘要

全文目录

相似论文