眼睛跟踪及驾驶员疲劳检测之研究

摘要

本论文主要描述一个利用多层感知器网络(MLP)来判别驾驶员是否疲劳的安全报警系统(DrowsinessWarningSystem)。驾驶员在长途驾驶或精神不佳的状态时，会在脸部表现出很多的可视信息，例如，眨眼率减低，眼睛开度减小，频繁的点头，打哈欠，眼睛游动加快，等等。在这样的情况下，便产生了潜在的肇事危机。本文采用了一种无接触的监督方法来检测驾驶员眼球的视线方向。即：通过安装在仪表板上的摄像机，采集图像序列，利用图像的小波变换、熵分析等技巧由图像中抽取出驾驶员的脸部及眼睛位置，在此基础上统计眼球的视线方向，再由此判断疲劳程度，当疲劳时予以报警。 本系统采用了熵分析结合粒子过滤器模型的方法对眼球进行跟踪，该方法能实时准确地对眼睛进行定位。本文主要的工作是： (1)系统的总体设计：该系统分为两个阶段：ROI的获取和疲劳检测。在系统中，人脸的检测和眼睛的跟踪是一个关键步骤。人脸检测首先在第一帧中全局搜索感兴趣目标，同时移除外部照明环境的干扰。在跟踪失败时，重新开始新一轮的目标检测。眼睛跟踪则是在前一帧的基础上，局部搜索感兴趣的目标，以确定双目的位置。 (2)人脸检测方法：采用了一种基于熵分析Adaboost人脸检测方法。在对训练集进行训练之后，获得判定树模型。再由输入特征的似然比来检测人脸。实验表明，这种方法能对不同姿势的人脸进行有效的定位且实时响应速度快。 (3)眼睛跟踪算法：在检测的人脸区域，采用自适应超状态粒子过滤器算法实时地跟踪眼睛。近年来，粒子过滤器(ParticleFilter)或者称为条件密度传播算法在混乱场合对目标进行实时跟踪时，表现出良好的性能。传统的卡尔曼滤波器，局限于高斯概率分布。而粒子过滤器可以描述多峰的复杂概率分布。其主要思想是，采用一系列的粒子表示目标的状态，再按照“适者生存”法则进行进化，估计状态的后验分布。本文采用算法的特点是，运用自回归的系统模型来预测双目的状态，采用熵分析确定眼睛类别以确定子代的繁衍。同时，相关的技术被用来处理遮挡情况，以及对眼睛进入和离开场景做出判断。为了减低复杂程度和减少计算量，我们对视频序列进行金字塔分解，跟踪算法在粗造像级实现。 (4)当双目定位出来后，本系统采用了多层感知器网络来作为分析驾驶员视线方向的分类器。最后，利用识别的眼睛图像及MLP的输出，我们推导出一些规则来检测驾驶员的疲劳程度。

目录

文摘

英文文摘

论文说明：图目录、表目录、标记

第一章绪论

第二章小波变换基本理论和方法

第三章基于Adaboost人脸检测方法

第四章基于Particle Filter的眼睛跟踪算法

第五章基于MLP视线方向的估计

第六章基于模糊逻辑疲劳程度的估算

第七章结论与未来展望

参考文献：

作者简介及作者在读博士学位期间发表或录用的论文

致谢