基于眼睛和嘴巴状态的驾驶员疲劳检测算法

针对列车驾驶员疲劳检测问题,提出一种基于人眼和嘴巴状态的驾驶员疲劳检测算法。首先采用改进的AdaBoost算法精确定位驾驶员脸部区域。然后通过模板匹配定位人眼,并根据人脸的几何特征定位嘴巴。最后计算每一帧图像的PERCLOS(per-cent eyelid closure)参数和嘴部动作频率,统计单位时间内双参数与对应阈值的关系,作为判断驾驶疲劳的依据。实验结果表明,在正常光照下,综合眼睛和嘴部信息,比采用单参数检测算法减少了误判、漏判的概率,具有较高的准确性和鲁棒性。     

基于TMS230DM643的驾驶疲劳实时视觉检测系统

针对驾驶疲劳检测系统小型化、廉价和低功耗的实际需求,提出一个基于TMS230DM643的驾驶疲劳实时视觉检测系统。系统通过CCD摄像头获取驾驶员的人脸图像,采用TMS230DM643作为核心处理器,对获取的图像进行人脸检测、眼睛定位等处理,并提取眼睛的闭合度作为PERCLOS疲劳检测的依据。实验表明,系统能够准确实时地检测驾驶疲劳,具有较好的实用性。     

基于高斯眼白模型的疲劳驾驶检测

目的 为解决疲劳驾驶检测中人眼状态识别的难点,提出一种基于眼白分割的疲劳检测方法。方法 首先对获取图像进行人脸检测,利用眼白在Cb-Cr上良好的聚类性,基于YCbCr颜色空间建立高斯眼白分割模型;然后在人脸区域图像内做眼白分割,计算眼白面积;最后将眼白面积作为人眼开度指标,结合PERCLOS（percentage of eyelid closure over the pupil over time）判定人的疲劳状态。结果 选取10个短视频进行采帧分析,实验结果表明,高斯眼白分割模型能有效分离眼白,并识别人眼开合状态,准确率可达96.77%。结论 在良好光线条件下,本文方法能取得不错的分割效果;本文所提出的以眼白面积作为判定人眼开度的指标,能准确地判定人的疲劳状态。实验结果证明了该方法的有效性,值得今后做更深入的研究。     

基于图像识别的嵌入式驾驶员疲劳监测终端设计

疲劳驾驶是导致车辆发生事故的一个主要因素.为了有效防止疲劳驾驶现象的发生,文章研究了一种采用图像识别对驾驶员疲劳状态检测判别的嵌入式监控终端设备.该设备以嵌入式芯片作为核心控制器,利用安装于驾驶台前上方的摄像头采集驾驶员的脸部图像,微处理器采用HOG-SVM算法识别脸部特征,采用灰度积分投影法来实现对图像中眼睛张开定位,使用PERCLOS算法判定人的驾驶状态并实现疲劳状态语音报警提示,同时把驾驶员状态发送到远程管理平台.     

基于DSP的疲劳驾驶检测系统的研究

针对汽车驾驶员疲劳驾驶检测的要求,设计了一种基于图像处理DSP芯片DM6437的疲劳驾驶视觉检测系统。通过DSP的GPIO口用软件控制摄像头轴上和轴外的两种不同波长的近红外光源(850nm/950nn)交替采集驾驶员图像,根据亮瞳效应两帧图像差分后粗定位人眼,用模板检测提取人眼的边界,根据PERCLOS值方法判断驾驶员是否疲劳。根据人眼的不同状态分别处理,用蜂鸣器作为报警系统提醒驾驶员。实验表明,该系统简单实用,而且能够全天候准确快速地判断驾驶员是否疲劳。     

基于图像处理的疲劳驾驶预警研究

基于图像处理知识对疲劳驾驶检测系统进行研究。在构建人脸相关数据库后,主要的疲劳相关信息通过混合模型算法进行获取。首先对图片进行一定的预处理,增加图像增强模块消除实际的光照干扰。采用基于AdaBoost的人脸检测算法为核心检测方法,对人脸的定位以驾驶员眼部特征为关键部位。采用人眼变化曲线分析法与PERCLOS准则相结合的判定方法进行疲劳判定。针对不同需要和特性对疲劳驾驶预警进行优化。实验通过模拟测试验证了关键点定位算法的可实现性与准确性,并验证实际的疲劳测试具有较好的可靠性。     

驾驶员疲劳检测系统的研究

为了减少由于驾驶员疲劳驾驶引起的交通事故,提出驾驶员疲劳状态检测系统的方案。使用3×3中值滤波去除噪声和光照对图像的影响,通过对AdaBoost算法的强分类器训练算法改进、级联分类器优化实现人脸的快速检测,在检测到的人脸区域,通过积分灰度投影和从粗到细改进的模板匹配方法对人眼进行准确定位;通过PERCLOS、眼睛闭合时间、眼睛眨眼频率、嘴巴张开程度、头部运动的计算,进行驾驶员疲劳程度的综合判定。实验结果表明,该方法准确率高,兼具了良好的实时性和鲁棒性。     

基于Blackfin533的驾驶疲劳实时检测预警系统

相关调查显示,疲劳驾驶是机动车交通事故发生的一个重要原因,以Blackfin533型DSP处理系统为硬件平台,设计了一套嵌入式实时的疲劳检测预警系统,以减少交通事故的发生率;主要原理是首先通过摄像头实时地采集驾驶舱内的监控视频图像,然后通过肤色的快速图像处理算法来定位人脸和人眼,最后提出一种根据虹膜外接矩形的形状特征近似计算PERCLOS值来评价驾驶员的疲劳程度,并给出报警信息;结果显示该系统在室内的实验中取得了良好的精度及速度。     

驾驶员疲劳检测报警系统的研究设计

本文设计的驾驶员疲劳检测报警系统采用基于TMS230DM642的第二代高性能多媒体处理器,实现了非接触的、实时驾驶员疲劳状态监测。系统通过基于肤色信息的方法从获取的视频图像中检测人脸的位置,然后采用基于灰度值的方法精确定位人眼,提取眼睛闭合度,采用PERCLOS的PM80标准,实现对驾驶员疲劳与否的判定。     

基于模糊综合评价的疲劳驾驶检测算法研究

疲劳驾驶是引发交通事故的一个主要原因，对驾驶员疲劳驾驶做出准确、有效的检测和预防，具有重要的社会意义.在研究比较了前人工作的基础上，设计了一种基于机器视觉，图像处理的驾驶员疲劳检测机制.首先将传来的连续帧图像（视频）利用Adaboost算法进行人脸检测，根据人脸"三庭五眼"的分布特征分割出大致的人眼区域.在人眼定位过程中，采用OSTU阈值分割，非线性点运算和积分投影等预处理消除眉毛，并利用模糊综合评价算法对眼睛矩形区域的长宽比、拟合椭圆面积、瞳孔黑色素所占比例这3个影响因子进行分析，判别出眼睛的睁开闭合状态.最后根据PERCLOS原理对驾驶员的疲劳状态做出检测.实验结果表明，所提算法能够准确地判别出眼睛的睁闭状态及对驾驶员的疲劳状态的检测，具有较高的准确性和实用性.     

眼睛疲劳程度判定方法研究

在用机器视觉系统监测驾驶员的眼睛疲劳状态时,由于图像采集与图像处理消耗一定的时间,降低了系统的采样率,正常情况下,眼睛的眨动过程非常短暂,过低的采样率会漏掉眼睛某些关键状态的信息。因此直接对视频进行研究并提出用描述统计方法确定眼睛的最大睁开值,进而应用PERCLOS方法进行疲劳判定。对视频序列图像进行抽样,研究不同采样时间间隔对PERCLOS值的影响。通过六名测试者的数据表明：当PERCLOS值在15%附近时疲劳现象明显,随疲劳程度加深PERCLOS值升高,通过对视频序列图像抽样调整采样时间间隔,发现采样间隔在40 ms到120 ms之间时,PERCLOS值比较稳定,最大的相对误差为20.17%,采样间隔时间大于120 ms时PERCLOS值的波动幅度较大,最大相对误差达到54.07%,会影响疲劳判定结果。     

基于多尺度池化卷积神经网络的疲劳检测方法研究

针对视觉特征分析疲劳检测问题,设计了一种级联深度学习的检测系统结构,并提出基于多尺度池化的卷积神经网络疲劳状态检测模型。首先通过深度学习模型MTCNN进行人脸检测,提取出眼睛和嘴巴区域;针对眼睛和嘴巴的状态表征和识别问题,提出一种基于ResNet的多尺度池化模型（MSP）对眼睛和嘴巴状态进行训练;实时检测时,将眼睛嘴巴区域通过训练好的卷积神经网络模型进行状态识别,最后基于PERCLOS和提出的嘴巴张合频率（FOM）对驾驶员进行疲劳判定。实验结果表明,该算法具有较高的检测准确率,同时满足实时性要求,且对复杂环境具有较高的鲁棒性。     

基于眼部自商图—梯度图共生矩阵的疲劳驾驶检测

目的 疲劳驾驶是引发车辆交通事故的主要原因之一,针对现有方法在驾驶员面部遮挡情况下对眼睛状态识别效果不佳的问题,提出了一种基于自商图—梯度图共生矩阵的驾驶员眼部疲劳检测方法。方法 利用以残差网络（residual network,ResNet）为前置网络的SSD（single shot multibox detector）人脸检测器来获取视频中的有效人脸区域,并通过人脸关键点检测算法分割出眼睛局部区域图像;建立驾驶员眼部的自商图与梯度图共生矩阵模型,分析共生矩阵的数字统计特征,选取效果较好的特征用以判定人眼的开闭状态;结合眼睛闭合时间百分比（percentage of eyelid closure,PERCLOS）与最长闭眼持续时间（maximum closing duration,MCD）两个疲劳指标来判别驾驶员的疲劳状态。结果 在六自由度汽车性能虚拟仿真实验平台上模拟汽车驾驶,采集并分析驾驶员面部视频,本文方法能够有效识别驾驶员面部遮挡时眼睛的开闭状态,准确率高达99.12%,面部未遮挡时的识别精度为98.73%,算法处理视频的速度约为32帧/s。对比方法1采用方向梯度直方图特征与支持向量机分类器相结合的人脸检测算法,并以眼睛纵横比判定开闭眼状态,在面部遮挡时识别较弱;以卷积神经网络（convolutional neural network,CNN）判别眼睛状态的对比方法2虽然在面部遮挡情况下的准确率高达98.02%,但眨眼检测准确率效果不佳。结论 基于自商图—梯度图共生矩阵的疲劳检测方法能够有效识别面部遮挡时眼睛的开闭情况和驾驶员的疲劳状态,具有较快的检测速度与较高的准确率。     

基于眼部特征的疲劳检测算法

PERCLOS值因其良好的非接触性和准确性而被广泛应用于疲劳检测,但通常只采用一种PERCLOS标准.针对这种情况,该文提出眼睛持续闭合时间和动态 PERCLOS 值两个参数进行疲劳检测.该算法首先利用Haar-like 分类器和 Adaboost 算法进行人脸检测和定位;然后利用人脸结构特征缩小人眼的搜索区域,进一步利用 Adaboost 算法定位人眼,避免了眉毛的影响;最后采用图像形态学等图像处理方法获取人眼的垂直高度即上下眼帘的距离,判断人眼是否闭合.在疲劳预测阶段,分时间段采用不同的 PERCLOS 值标准进行判断.该算法对每秒10帧视频帧中的人眼定位准确率达到86.14%,并达到实时性要求,能够提高预测疲劳驾驶的准确性.     

驾驶员疲劳检测系统设计

以DM642为主控芯片设计了一套驾驶员疲劳检测的硬件系统,包括主控器模块、视频采集模块、视频输出模块和报警模块等相关电路;综合国内外的研究现状,确定了了疲劳状态判断的理论基础;交叉运用图像处理技术、人脸检测技术和PERCLOS疲劳检测方法,根据眼睛的疲劳特征,实时判断驾驶员的疲劳状态,进行报警,有效防止交通事故的发生;经过对系统的软硬件测试,结果表明,该方案可以有效地识别出驾驶员的疲劳状态,运行速度快、实时性好,具有较高的鲁棒性。     

基于DSP的驾驶员疲劳检测系统

为了能够有效地、实时地对驾驶员进行疲劳检测,构建了以ICETEK-DM6437-B模块为核心、以近红外发光二极管为光源和以电荷耦合器摄像头为图像采集设备的驾驶员疲劳检测系统.提出了以人脸区域定位为检测主体的、在PER-CLOS方法原理基础上改进的PER-NOFACE方法结合多种简单高效的图像处理算法的疲劳检测方案,可有效地检测出驾驶员的疲劳状态.为了保证系统检测的实时性,在DM6437达芬奇处理器上对疲劳检测算法进行了代码优化.实验结果表明,该系统能够较为准确地、实时地对驾驶员进行疲劳状态检测.     

Comparing two video-based techniques for driver fatigue detection: classification versus optical flow approach

Lack of concentration in a driver due to fatigue is a major cause of road accidents. This paper investigates approaches that can be used to develop a video-based system to automatically detect driver fatigue and warn the driver, in order to prevent accidents. Ocular cues such as percentage eye closure (PERCLOS) are considered strong fatigue indicators; thus, accurately locating and tracking the driver’s eyes is vital. Tests were carried out based on two approaches to track the eyes and estimate PERCLOS: (1) classification approach and (2) optical flow approach. In the first approach, the eyes are tracked by finding local regions, the state (open or closed) of the eyes in each image frame is estimated using a classifier, and thereby the PERCLOS is calculated. In the second approach, the movement of the upper eyelid is tracked using a newly proposed simple eye model, which captures image velocities based on optical flow, thereby the eye closures and openings are detected, and then the eye states are estimated to calculate PERCLOS. Experiments show that both approaches can detect fatigue with reasonable accuracy, and that the classification approach is more accurate. However, the classification approach requires a large amount of suitable training data. If such data are unavailable, then the optical flow approach would be more practical.