一种基于人脸视觉的驾驶疲劳检测的算法

提出了基于人脸视觉技术的驾驶疲劳检测方法．首先利用帧差法检测人脸,然后对脸部进行跟踪．在可靠人脸的基础上,定位眼睛及特征提取,根据疲劳人眼特征和头部状态的疲劳检测来决定是否触发警告．实验证明,可以在自然光情况下,快速实时有效识别出驾驶员疲劳时眼部状态,本算法具有较好鲁棒性．     

驾驶员疲劳状态检测方法研究

为解决由于疲劳驾驶导致交通事故的问题,采用视频图像分析技术处理疲劳的相关特征,运用基于训练的 Adaboost 人脸检测算法精确定位司机脸部和眼睛区域,实时采集眼睛二值化区域面积,采用阈值比较法进行眨眼判断,并提取眼皮疲劳参数 AECS( Average Eyelid Closing Speed) 和 PEＲCLOS( Percent Eyelid Closure over the Pupil Time) ,进行综合疲劳状态分析,最终确定是否疲劳驾驶。实验结果显示,人脸和人眼检测的精度都有较大程度提高,设计的软件可实时监测驾驶员疲劳状态,有效防止疲劳驾驶。     

基于面部特征分析的疲劳驾驶检测方法

为避免疲劳驾驶,通过提取面部疲劳特征参数的方法研究了驾驶员疲劳检测技术.对SSD(single shot multi box de-tector)目标检测算法及连续自适应均值漂移跟踪算法(continuously adaptive MeanShift,CamShift)进行优化,以检测人脸区域.利用特征点定位提取面部疲劳特征参数,并基于眼睛闭合时间百分比(percentage of eyelid closure over the pupil over time,PERCLOS)设定疲劳阈值和疲劳检测策略.在实车样本集上进行试验,结果表明:优化的人脸区域定位方法对光线变化、类肤色干扰的鲁棒性更强;所提取的疲劳特征参数能有效反映驾驶员疲劳状态,平均识别准确率达到了92.2％.改进后的算法系统在基于视觉特征的疲劳驾驶检测技术中达到了较高水平,对于预防交通安全事故具有重大意义.     

基于改进Yolov3的驾驶员疲劳检测

疲劳驾驶是引发交通事故的主要原因之一,为了预防疲劳驾驶的发生,基于多信息融合方法研究了驾驶员疲劳检测技术.通过改进的Yolov3算法与卡尔曼滤波算法的结合进行人脸检测.利用一种基于提升树的算法实现脸部关键点检测,并基于单位时间里眼睛闭合时间所占的百分比(percentage of eyelid closure over...     

基于面部特征的疲劳驾驶检测

文章采用一种基于眼睛闭合度及打呵欠来检测驾驶员疲劳的方法,在YCrCb颜色空间中利用高斯模型进行肤色检测得到人脸的区域,在人脸灰度二值化图中利用五官几何结构的先验知识粗略定位人眼,利用区域生长和形态学运算得到人眼轮廓并计算眼睛的闭合度;检测嘴唇时利用唇色最佳阈值大致确定嘴唇位置,在此基础上通过人脸灰度值特征精确定位嘴唇,然后通过嘴张开程度判断驾驶员是否打呵欠;最后基于2个特征对驾驶疲劳进行判决,实验证明这种方法对驾驶疲劳检测具有较好的效果。     

不同姿态下基于多特征融合的疲劳状态检测方法

针对传统的基于单一特征的疲劳检测方法误检率高、可靠性不强、无法适应复杂多变的行车环境等问题,提出了一种将驾驶员的眼睛、嘴巴等多种面部特征进行融合的疲劳驾驶检测方法。与现有的人脸检测模型相比,这里提出的基于梯度提高的学习框架对于侧脸的检测效果更佳,并且能够更好地满足检测时间上的要求;同时通过改进的LeNet-5神经网络模型对视频中的笑容进行分类,排除了表情变化对疲劳驾驶检测的干扰;最后为了降低头部姿态的偏转对疲劳特征提取的影响,引入了基于欧拉角的特征校正算法;对YawDD疲劳驾驶数据集的检测结果表明:不同姿态下基于多特征融合的疲劳驾驶检测不仅能够有效降低头部偏转对疲劳驾驶检测的影响,而且比传统的疲劳检测方法具备更高的鲁棒性。     

基于MBLBP与Haar特征提取的驾驶疲劳检测

为了提高驾驶员疲劳驾驶的检测效率,提取人脸和人眼的MBLBP与Haar特征,使用gentleboost训练方法得到多级强分类器,用级联的方法对人脸和人眼进行检测和识别.当系统连续三帧检测到人脸但检测不到人眼的情况下判定驾驶员出现疲劳.加入人脸肤色验证信息,构建6个视角分类器,使用动态表观模型(AAM)来拟合人眼.试验结果表明大大提高了驾驶员疲劳的检测效果.     

基于肤色模型和径向基函数网络的脸部检测

驾驶员疲劳状态检测一般采用对人眼的闭合度进行计算,若实现对人眼的闭合度计算首先是对人脸的正确快速检测,针对驾驶室的特定环境,本文研究一种基于肤色模型和径向基函数网络为基础的快速人脸检测算法,该算法首先对输入图像进行RGB和YCbCr颜色空间的转换,其次建立相关的肤色模型,实现人脸区域的粗定位,然后结合径向基函数网络对输入的图像进行训练,这样就可以根据训练的结果判断是否是肤色,从而实现人脸检测。仿真结果表明,所研究的算法较好的提高了强光下人脸的正确检测,为驾驶员疲劳驾驶的研究奠定前期基础。     

基于云平台的疲劳驾驶检测系统

本文针对国内因疲劳驾驶而事故多发的情况,提出了基于深度机器学习和智能云平台的疲劳检测和驾驶事故自动检测解决方法。该方法很好地适应了车辆和驾驶室的复杂工作环境,旨在让操作人员能够快速实现基于深度和机器视觉的疲劳驾驶检测和报警功能,通过在驾驶员的上方安装可移动摄像头实时采集驾驶员的图像,将实时获取的视频流数据送入处理设备进行处理,同时利用预先训练好的疲劳检测模型从摄像头提取出人脸的特征点,依据PERCLOS疲劳驾驶判断准则来判断车辆驾驶者是否已经处于疲劳状态并实时上传图像数据至云端处理平台,同时根据人脸的位移和方向,利用舵机使摄像头始终正对驾驶者的脸部,最终完成一个集便携性、高效性、准确性为一体的疲劳检测系统。     

基于DSP人脸特征识别的司机疲劳驾驶预警系统研究

疲劳驾驶是造成交通事故的一个重要原因。为实时有效地检测驾驶员的疲劳状态,设计了一种融合眼睛和嘴巴两种疲劳特征进行疲劳状态判定的检测算法,并构建了基于DSP人脸特征识别的司机疲劳驾驶预警系统。该算法采用"Harr特征值+Ada Boost"的方法进行人脸识别,然后根据人脸图像的灰度分布定位眼睛和嘴巴的位置,利用Hough变换,以及模板匹配技术判断出人眼的开闭状态,计算PERCOLS值作为司机疲劳驾驶的一个判断指标。除此之外,本系统还利用嘴巴的宽高比及打哈欠的持续时间来综合判定司机的疲劳状态。通过仿真测试结果表明该系统的算法准确、可行、实时性强。