基于Android平台的车载疲劳驾驶监测系统

摘要

随着道路交通基础设施的日益完善，机动车保有量和机动车驾驶员人数快速地持续增长，疲劳驾驶现象也日益严重，并逐渐成为导致交通事故的主要因素之一。相关研究表明，如果能对驾驶员的疲劳状态实时监测，并在疲劳驾驶初期及时地给以相应的预警提醒，可有效地避免大量的交通事故。
　　本文对基于Android平台的车载疲劳驾驶监测系统进行了研究。系统以基于Android的智能手机为硬件平台，利用其前置摄像头采集驾驶员的图像，通过分析驾驶员的眼睛闭合状态，并以PERCLOS指标来衡量驾驶员的疲劳状态。本文主要工作如下：
　　（1）人脸检测及跟踪。本文基于Adaboost算法构建了人脸检测系统，基于Kalman滤波实现人脸跟踪系统，在车载环境下采集了大量车内环境图像作为人脸负样本，训练得到了具有较好检测效果的人脸检测器，并通过车载环境下拍摄的驾驶员图像数据对人脸检测及跟踪系统进行了测试。
　　（2）人眼定位。首先，在人脸检测的基础上，根据人脸部器官“三庭五眼”的几何分布特点，进一步缩小人眼定位的检测范围；然后，通过 Adaboost算法构建了人眼定位系统；最后，通过加窗灰度积分投影算法将眉眼部位进行了分离，从而实现了人眼部位的精确定位。
　　（3）疲劳状态识别。采用 PERCLOS方法对驾驶员疲劳状态进行检测，重点研究了基于眼睛区域面积和基于上眼睑曲率的人眼状态识别。在基于眼睛区域面积的人眼状态识别方法中，提出了一种基于Kalman滤波的二值化分割阈值动态调整方法。
　　（4）基于 Android平台的车载疲劳驾驶监测系统实现。通过开源计算机视觉库OpenCV在Android平台上，实现了车载疲劳驾驶监测系统，测试结果表明，一个完整监测流程平均耗时85.15ms，基本可满足实时疲劳监测的要求。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 研究目标与意义

1.2 研究现状

1.3 基于Android平台的车载疲劳驾驶监测系统总体结构

1.4 论文主要内容及章节安排

第二章 人脸检测及跟踪

2.1 人脸检测及跟踪技术概述

2.2 基于Adaboost算法的人脸检测

2.3 基于Kalman滤波的人脸跟踪

2.4 实验与仿真

2.5 本章小结

第三章 人眼定位

3.1 人眼待检测区域分割

3.2 基于Adaboost算法的人眼定位

3.3 基于加窗灰度积分投影算法的眉眼分离

3.4 实验与仿真

3.5 本章小结

第四章 疲劳状态识别

4.1 基于PERCLOS的疲劳状态识别

4.2 基于眼睛区域面积的人眼状态识别

4.3 基于上眼睑曲率的人眼状态识别

4.4 实验与仿真

4.5 本章小结

第五章 基于Android平台的车载疲劳驾驶监测系统的实现

5.1 Android简介及其系统架构

5.2 Android开发平台的搭建

5.3 开源计算机视觉库OpenCV

5.4 系统实现

5.5 本章小结

第六章 总结与展望

6.1 总结

6.2 展望

参考文献

个人简历 在读期间发表的学术论文

致谢