基于眼动特征的驾驶员疲劳驾驶检测技术研究

摘要

随着社会经济的快速发展，国民消费能力逐年提高，汽车数量的大幅增加给整个交通系统带来了更多的安全隐患，其中，疲劳驾驶已成为导致重大交通事故的主要因素之一。如果能在驾驶员出现疲劳驾驶之前对驾驶员进行及时的疲劳预警可以有效地避免交通事故的发生，这对于交通安全来讲具有重要意义。
　　本文是基于驾驶员的眼部状态特征进行一系列的图像处理方法和算法，主要包含人脸检测、人眼定位、眼睛状态判别、疲劳状态检测四大流程，通过识别眼睛状态并利用PERCLOS的P80标准进行疲劳状态的检测。具体工作内容如下：
　　（1）详细阐述了基于Adaboost算法的驾驶员人脸检测方法，其中包括：Haar特征的选择和提取、积分图的计算、分类器的训练。通过提取样本的Haar_like特征对分类器进行训练，将训练出来的所有弱分类器用于组成强分类器，然后使用强分类器进行人脸的定位和检测。由于样本的数量比较大，为了提高检测速度，减少强分类器的搜索范围，将每个训练好的弱分类器先确定好位置，然后再进行人脸区域的检测。
　　（2）研究了基于几何特征的人眼定位方法。根据眼睛在脸部的几何分布特征，以及二值化后连通域的分布，计算每个连通域的质心点，并确定人眼质心的位置坐标，然后根据人眼质心坐标采用双线性插值法对倾斜度较大的人脸图像进行矫正，并再次确定人眼的质心坐标位置。
　　（3）给出了基于PCA主成分析法和灰度投影法两种方法结合的人眼状态识别方法。PCA算法是通过寻找最能代表人眼状态的特征空间，对比样本图片和测试图片的向量距离，用向量差值作为识别标准；灰度投影法是通过人眼灰度分布特点来确定瞳孔的高度，即通过计算单帧图像人眼瞳孔的高度来确定眼睛的状态。PCA用于前期提取睁眼时最大灰度值和闭眼时最小灰度值，然后再使用灰度投影法计算人眼开度，最后根据疲劳判断标准进行状态识别。
　　（4）在驾驶员疲劳检测流程中，采用PERCLOS标准统计特定时间段内眼睛闭合时间占特定时间内的百分率，并选用P80作为评价指标。实验结果表明，本文所采用的疲劳检测方法具有较好的可靠性和实时性。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 本课题研究背景和意义

1.2 国内外疲劳检测研究现状

1.3 疲劳驾驶检测系统研究难点分析

1.4 论文的研究工作及内容

第二章 基于Adaboost算法的人脸检测

2.1 引言

2.2 几种常用人脸检测方法

2.3 图像预处理

2.4 基于Adaboost算法的人脸检测

2.5 算法实验结果分析

2.6 本章小结

第三章 驾驶员人眼区域的定位

3.1 引言

3.2 常用人眼定位方法介绍

3.3 人脸区域预处理以及人眼检测区域选择

3.4 基于连通域质心点的人眼精确定位

3.5 基于双线性插值法矫正人脸

3.6 本章小结

第四章 驾驶员人眼状态的判别

4.1 引言

4.2 主要人眼状态判别方法

4.3 基于PCA算法的人眼状态判别

4.4 基于灰度投影法的人眼状态识别

4.5 本章小结

第五章 驾驶员疲劳检测

5.1 基于PERCLOS原理的疲劳检测算法

5.2 人眼开度的计算

5.3 基于P80标准的疲劳程度判断方法

5.4 实验数据分析

5.5 疲劳程度检测影响因素分析

5.6 本章小结

第六章 总结和展望

6.1 工作总结

6.2 未来工作展望

参考文献

致谢

附录A：攻读硕士学位期间参研项目和科研成果