基于虹膜检测的驾驶员疲劳检测研究

摘要

随着社会的发展，人民生活水平的不断提高，人们的汽车保有量也在不断增加，随之而来的交通事故也急剧增加，而由于疲劳缘故导致的交通事故所占比重更是非常之高，所以有效防止和监督驾驶员疲劳驾驶，对降低交通事故具有重要意义。目前已经有很多关于疲劳驾驶检测系统的研究，也取得了很多的成果。本文在分析比较前人研究的基础上，采用了基于计算机视觉的方法通过人眼状态来对驾驶员的疲劳程度进行评估判定。
　　本文对于驾驶疲劳检测的研究主要包括以下部分:人脸区域的提取，人眼检测与跟踪定位，虹膜定位，疲劳判定。
　　1.人脸区域提取。在对已有人脸检测算法的分析对比基础上，选择了基于Haar特征的AdaBoost方法对人脸进行检测，并根据人脸在视频图像中的面积大小进行验证。实验检测结果表明，本方法在检测精度和检测时间上均可以达到本研究的要求。
　　2.人眼检测。本文对直方图均衡化进行的改进，提出了加权均衡化的方法对人眼区域进行处理。本文提出了利用直方图的方式选取对人眼区域进行二值化阈值的方法，为人眼区域的分割提供了良好的基础。提出了基于轮廓提取的人眼检测方法。通过此方法可以很好地将眉毛、鼻子阴影、侧面阴影以及其他干扰去除。
　　3.虹膜定位。本文对已有算法进行优化改进，精确的对虹膜进行检测定位。
　　4.本文通过模板匹配的方法对检测到的人眼进行跟踪定位。对影响其运行时间的因素进行了分析，并采用了减小分辨率的方法来增加跟踪的效率，通过实验看到，减小分辨率并没有减少跟踪的精度，但是时间却极大的减少。
　　5.疲劳判定。本文根据虹膜计算上下眼睑的距离并结合眨眼频率计算PERCLOS值，讨论了关于未检测人眼的情况下PERCLOS的计算并做了优化。本文还将匹配跟踪人眼与疲劳判定结合起来，极大的减少整个系统的检测时间。

目录

声明

摘要

1 绪论

1．1 课题研究的背景及意义

1．2 国内外研究现状和发展动态

1．3 本课题研究难点

1．4 本文研究内容与组织结构

1．4．1 本文主要研究内容

1．4．2 本文组织结构

2 人脸区域的提取

2．1 人脸检测方法概述

2．2 人脸检测算法

2．2．1 AdaBoost算法概述

2．2．2 Haar特征以及计算

2．2．3 AdaBoost算法训练过程

2．2．4 筛选式级联分类器以及训练过程

2．2．5 人脸检测过程

2．3 实验结果分析

2．4 本章小结

3 人眼检测与跟踪

3．1 人眼检测

3．1．1 人眼检测算法综述

3．1．2 人眼候选区域的确定

3．1．3 预处理

3．1．3 人眼区域提取

3．1．4 定位瞳孔以及虹膜

3．2 人眼跟踪

3．3 本章小结

4 疲劳判定

4．1 人眼状态识别

4．2 PERCLOS特征值介绍

4．3 驾驶员疲劳程度判定

4．3．1 PERCLOS值的计算

4．3．2 眨眼频率的计算

4．3．3 疲劳判定

4．4 实验结果及分析

4．5 本章小结

5 总结与展望

5．1 工作总结

5．2 工作展望

参考文献

攻读硕士学位期间主要研究成果

致谢