基于机器视觉的驾驶员疲劳驾驶检测方法研究

摘要

道路交通事故一旦发生会给国家和人民的生命财产造成极大的损失。其中，驾驶员疲劳驾驶是引发恶性道路交通事故的最主要原因。因此，对驾驶员疲劳驾驶进行检测和预警具有重大的学术、经济和社会意义。利用机器视觉技术，融合多个疲劳特征对疲劳驾驶进行综合检测，已成为世界范围内的一个研究热点。
　　 疲劳是一个非常复杂的生理现象，基于单一疲劳特征的疲劳驾驶检测方法在检测效果上存在着先天缺陷。基于多个疲劳特征的疲劳驾驶检测方法能够克服单一疲劳特征检测方法的不足，具有检测范围广、准确率高、可靠性强等优势。然而利用信息融合技术融合反映驾驶员疲劳的直接和间接疲劳特征对疲劳驾驶进行综合检测的研究还处于初步探索阶段，有许多科学问题亟需解决。
　　 本文采用理论分析、计算机仿真和实车模拟实验相结合的研究方法，对基于机器视觉的驾驶员疲劳驾驶融合检测方法涉及到的4个关键性问题进行了研究，包括解决驾驶员脸部的快速检测和准确定位问题，开发用于检测疲劳驾驶的车道线实时检测算法，对恰当选取的疲劳特征参数进行有效计算并提出合理的疲劳度量化方法，提出基于多个疲劳特征的疲劳驾驶融合检测方法。取得的创新性研究成果主要有：
　　 （1）针对基于单一特征驾驶员脸部检测算法在检测精度和可靠性方面的局限性，提出了多特征双重匹配验证的人脸检测算法。首先采用改进的基于Haar-like特征的人脸检测算法在整幅图像上检测出可能存在的初始人脸区域，然后自适应地扩大初始人脸区域范围，并在此基础上利用基于肤色特征的方法在YCbCr空间上进行脸部的二次检测，最后根据定义的脸部区域重合度和人脸几何先验知识对驾驶员脸部区域进行双重匹配验证进而制定相应的定位规则对脸部进行融合检测。各种路况下的实验结果证明了该算法的有效性。
　　 （2）针对高速公路车道线的特点，提出了改进的基于机器视觉的车道线实时检测算法。利用直线车道线模型，采用基于Hough变换的车道线参数全局提取和基于最小二乘拟合的局部小窗口提取相协调的方法对车道线进行检测。在图像的预处理过程中，采用改进快速中值滤波算法、基于梯度方向角直方图和连通性分析相结合的滤波方法对车道线图像进行滤波处理，提高了车道线检测的准确率。根据当前帧图像车道线的有效区域，利用Kalman滤波算法预测车道线感兴趣小窗口的位置和大小，提高车道线实时检测的效率。
　　 （3）在人脸检测和车道线检测的基础上，通过选择恰当的疲劳特征参数，提出了相应的疲劳特征参数计算及疲劳度量化方法。利用机器视觉技术对频繁眨眼、频繁打呵欠和异常偏离车道3个疲劳特征参数进行检测和提取。针对上述3个疲劳特征参数，通过驾驶仿真模拟实验采用主、客观量化相结合的方法对驾驶员的疲劳程度进行量化。利用统计分析方法，对疲劳特征参数及其对应的疲劳度之间的相关性进行分析，验证所选疲劳特征参数的有效性。实验结果表明，所选择的3个疲劳特征参数能够有效反映驾驶员的疲劳程度，且提出的疲劳特征检测算法准确、可靠。
　　 （4）为提高基于单一特征检测算法的准确率和可靠性，提出基于减法聚类和改进粒子群优化TS模糊神经网络的疲劳驾驶融合检测算法。该算法从直接反映驾驶员疲劳的两个面部特征和间接反映疲劳的一个车辆行为特征两个方面对疲劳驾驶进行综合检测。运用TS模糊神经网络来识别疲劳驾驶。采用减法聚类算法对网络进行结构辨识，确定模糊规则的条数及相关参数的初始值。同改进遗传算法和BP算法的训练效果进行比较，运用改进的粒子群优化算法对网络进行训练。仿真和实车模拟实验表明，该算法不仅能有效改善TS模糊神经网络的收敛速度和识别精度，而且能提高疲劳驾驶的检测正确率。

目录

文摘

英文文摘

第一章 绪论

1.1 选题背景及意义

1.2 国内外研究现状

1.2.1 疲劳驾驶检测方法的研究难点

1.2.2 疲劳驾驶检测方法的研究现状

1.2.3 疲劳驾驶检测系统的研究现状

1.3 研究目标及方法

1.4 论文结构及研究内容

1.5 本章小结

第二章 基于机器视觉的驾驶员脸部检测

2.1 引言

2.2 基于Haar-like特征的人脸检测算法

2.2.1 基于Haar-like特征的脸部检测

2.2.2 改进的基于Haar-like特征的脸部检测

2.3 基于肤色特征的人脸检测算法

2.3.1 光照补偿

2.3.2 颜色空间选择及转换

2.3.3 肤色相似灰度值的计算

2.3.4 改进Otsu肤色分割算法

2.3.5 脸部边界确定及检测结果

2.4 基于多特征双重匹配验证的人脸检测

2.4.1 单一特征检测算法的局限

2.4.2 驾驶员脸部检测融合算法

2.5 本章小结

第三章 用于检测疲劳驾驶的车道线实时检测算法

3.1 引言

3.2 车道线检测总体方案

3.3 车道线模型

3.4 感兴趣区域的确定

3.5 图像预处理

3.5.1 图像滤波

3.5.2 基于车道线特征的滤波算法

3.5.3 基于Sobel边缘检测的车道线边缘提取

3.5.4 梯度方向角直方图筛选

3.5.5 车道线连通性分析

3.6 车道线参数提取

3.6.1 基于Hough变换的车道线参数提取

3.6.2 基于最小二乘拟合的车道线参数提取

3.7 基于Kalman滤波的车道线跟踪算法

3.7.1 Kalman滤波的基本理论和预测流程

3.7.2 基于Kalman滤波的车道线跟踪

3.8 车道线实时检测实验

3.9 本章小结

第四章 疲劳特征参数计算及疲劳度的量化

4.1 引言

4.2 疲劳特征参数计算

4.2.1 眼部疲劳特征提取及计算

4.2.2 嘴部疲劳特征提取及计算

4.2.3 异常偏离车道特征提取及计算

4.3 疲劳度的量化

4.3.1 疲劳度的主观量化

4.3.2 疲劳度的客观量化

4.3.3 疲劳度的综合量化

4.3.4 疲劳度量化实验

4.4 疲劳特征参数跟疲劳度的相关性分析

4.5 本章小结

第五章 疲劳驾驶融合检测

5.1 引言

5.2 基于Takagi-Sugeno模型的网络结构

5.3 网络的结构及参数优化

5.3.1 减法聚类确定网络结构及初始参数

5.3.2 改进遗传算法优化网络参数

5.3.3 改进粒子群算法优化网络参数

5.4 样本选择及网络训练

5.4.1 样本选择

5.4.2 神经网络仿真训练

5.4.3 疲劳驾驶检测模拟实验

5.5 本章小结

第六章 结论

6.1 主要成果总结

6.2 进一步研究的展望

致谢

参考文献

攻读博士学位期间取得的科研成果及获奖情况