基于面部信息融合的驾驶员警惕性检测研究

摘要

随着经济飞速发展，国内机动车保有量超过三亿辆，给社会带来便捷的同时，也因大量交通事故造成了巨大损失。相关研究和统计报告表明，交通事故主要起因是驾驶员警惕性降低，因此，驾驶员警惕性检测的研究，对于改善交通道路安全具有重大意义。 警惕性包含注意力程度和疲劳状态两个主要因素，然而传统的警惕性研究中，通常只考虑了其中之一。为全面检测驾驶员警惕性，本文基于面部信息融合的方法，围绕面部特征点定位方法、关键特征点跟踪方法、警惕性检测模型搭建等核心问题展开研究。具体研究工作如下： 1、驾驶员面部特征点定位。针对简单的特征点定位方法精度和鲁棒性不足的问题，提出基于修正主动形状模型（ASM）的人脸特征点定位方法。首先建立了包含26个特征点的人脸ASM，其次通过将面部结构约束引入平均合成精确滤波器（ASEF），抑制不合理输出，并利用旋转并联的方法进一步增强了鲁棒性，然后将改进ASEF用于修正人脸ASM。最后通过实验，验证了所提方法能够有效提高特征点的定位精度。 2、驾驶员面部特征点跟踪。针对特征点定位难以适应头部姿态变化所产生的检测视线方向困难的问题，提出基于自适应ASEF相关滤波的特征点跟踪方法。首先，通过将多模板自适应以及学习率浮动策略引入ASEF相关滤波跟踪算法，解决了采用固定学习率只能适应目标简单变化的缺陷。然后，利用双瞳孔、鼻尖三个特征点之间相对位置的变化，调整待测区域尺寸，进一步降低了目标尺度变化的影响。最后通过实验，验证了所提方法的有效性。 3、驾驶员警惕检测模型搭建。针对传统驾驶员警惕性研究不全面的问题，设计了各部分面部信息的计算方法，并建立了警惕性检测模型。首先，基于三角形视线模型、眼睑中点距离、嘴唇中点距离分别计算了驾驶员视线方向、单位时间内眼睛闭合时间所占百分比（PERCLOS）、嘴巴张开程度等驾驶员状态参数。然后，通过级联方法融合各参数得到特征向量，最后基于支持向量机（SVM）建立了驾驶员警惕性检测模型。实验显示，该模型的识别准确率达到93.8%，每帧平均49.13ms，表明本文所提方法能够有效识别驾驶员的警惕性程度。

目录

声明

致谢

变量注释表

1 绪论

1.1研究背景及意义

1.2国内外研究现状

1.2.1 基于生理信号的检测方法

1.2.2 基于驾驶行为的检测方法

1.2.3 基于面部信息的检测方法

1.3本文主要研究内容

1.4本文章节安排

2 面部信息检测的基本方法概述

2.1 面部信息检测的基本方法介绍

2.1.1 人脸特征点定位算法

2.1.2 目标跟踪算法

2.1.3 分类算法

2.2本文研究路线

2.3.1 MUCT人脸数据集

2.3.2 目标跟踪测试集

2.3.3 驾驶员面部视频序列

2.4 本章小结

3 基于修正ASM算法的驾驶员面部特征点定位

3.1基于ASM算法的特征点定位

3.2.1 ASEF算法的基本原理

3.2.2 基于面部结构约束的ASEF算法

3.2.3 基于多角度并联的ASEF算法

3.3 修正ASM算法

3.4实验与分析

3.4.1 改进ASEF的测试

3.4.2 修正ASM的测试

3.5 本章小结

4 基于自适应ASEF相关滤波的驾驶员特征点跟踪

4.1ASEF相关滤波跟踪算法的基本原理与分析

4.2 基于自适应ASEF相关滤波器的特征点跟踪

4.2.1 基于多模板自适应的ASEF相关滤波跟踪

4.2.2 基于尺度自适应的ASEF相关滤波跟踪

4.3实验与分析

4.3.1 参数设置

4.3.2 结果分析

4.4 本章小结

5 驾驶员警惕性检测模型

5.1.1 视线方向检测

5.1.2 眼睛状态检测

5.1.3 嘴巴状态检测

5.2 基于支持向量机的驾驶员警惕性检测模型

5.2.1 SVM的基本原理

5.2.2 搭建驾驶员警惕性检测模型

5.3实验与分析

5.3.1 面部信息检测测试

5.3.2 警惕性检测模型测试

5.4 本章小结

6 工作总结与展望

6.1工作总结

6.2工作展望

参考文献

作者简历

学位论文原创性声明

学位论文数据集