基于深度学习的疲劳驾驶检测算法

针对现有疲劳驾驶检测算法实用性差或准确率低的问题,本文提出了一种基于深度学习的疲劳驾驶检测算法.首先,使用HOG （Histogram of Oriented Gradient）特征算子检测人脸的存在;其次,利用特征点模型实现人脸的对齐,同时实现眼睛、嘴巴区域的分割;最后通过深度卷积神经网络提取驾驶员的眼部疲劳特征,并融合驾驶员嘴部的疲劳特征进行疲劳预警.大量的实验表明,该方法在疲劳驾驶检测的准确率、实时性等方面都取得明显的性能提升.     

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.     

基于级联宽度学习的疲劳驾驶检测

为减少因疲劳驾驶引发的交通事故,提出融合多参数的驾驶员疲劳检测算法。用渐进校准网络(PCN)检测人脸图像,通过基于CNN的回归模型定位人脸关键点;根据关键点坐标和面部器官的分布规律提取眼睛和嘴部图像,用宽度学习系统(BLS)分别识别眼睛与嘴巴的状态;将眼睛、嘴巴和头部状态的时序序列送入二级宽度网络对司机的状态进行判别。实验结果表明,该算法的疲劳检测准确率为94.9%,单帧检测时间52.43 ms。     

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。     

眨眼检测与眼睛跟踪

提出一种在视频人脸图像序列中，进行眼睛检测，跟踪和睁、闭状态判别的方法。通过眨眼检测，对眼睛进行定位；使用针对性强的内眼角提取算子，确定内眼角精确位置；利用内眼角特征来动态跟踪眼睛；睁眼模板在线生成和更新，通过当前眼睛区域和睁眼模板的相关分析来判别睁、闭眼状态。实验结果表明，算法在50场/s的处理速度下，内眼角点定位准确率达到98%以上，眨眼检测正确率为97.5%。     

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.     

基于CNN和SVM的疲劳驾驶闭眼特征实时检测

针对现有疲劳驾驶检测方法中实时性和泛化能力不足的问题, 本文提出了一种基于卷积神经网络(Convolutional Neural Networks, CNN)和支持向量机(Support Vector Machine, SVM)的疲劳驾驶闭眼特征检测方法, 使用CNN获取人脸相关特征点的位置并定位眼部感兴趣区域(Region Of Interest, ROI), 通过灰度化和直方图均衡化操作减弱光照差异的影响, 提取ROI的方向梯度直方图(Histogram of Oriented Gradient, HOG), 并用SVM对HOG进行分类, 相应的判断出原始图像是否包含疲劳驾驶闭眼特征. 本文给出了所提方法在PC平台和ARM平台实现的实时性验证, 在不同光照和背景条件下对多位受测人员进行测试, 实验结果表明该方法对疲劳驾驶闭眼特征检测准确率在94％以上, 处理速度满足实时性要求, 且具有较强的泛化能力.     

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。     

一种改进型KCF的疲劳驾驶检测方法

随着人民生活水平的提高,汽车人均持有量持续上升,从而也就导致了交通事故的增加,根据统计可知,大多数交通事故都是由疲劳驾驶导致的,因此为了减少司机因为疲劳驾驶导致的交通事故,对司机的疲劳程度检测是十分有必要的;目前现有的疲劳检测方法虽然种类较多,但是大多数存在着部署困难、实时性差、检测精度不高等缺点,因此难以在实际生活中应用;为了克服以上缺点,在这里提出了一种基于视觉的实时疲劳检测方法;该方法通过优化KCF算法实现实时人脸跟踪,再利用现有的人脸关键点检测手段,实现对眼睛和嘴巴的状态识别;最后结合SVM实现对驾驶员疲劳状态的检测;实验结果表明,提出的方法具有较好的实时性,并且精度较高,能够满足日常需求。     

基于视频的人眼跟踪方法研究

疲劳驾驶是交通事故发生的主要原因之一.在车载的驾驶员疲劳检测系统中,对于人眼的高效、实时、准确检测和跟踪是关键技术之一.本文研究基于视频信息的驾驶员人脸图像中眼睛的跟踪方法.采用Viola-Jones算法和AdaBoost算法设计了Haar级联人脸分类器,根据人脸的几何结构和眼睛的特性,通过两次定位的方法实现了对眼睛的定位和跟踪.实验表明,本文方法具有检测精度高、鲁棒性强的特点.     

低光照图像增强算法综述

低光照图像增强旨在提高光照不足场景下捕获数据的视觉感知质量以获取更多信息,逐渐成为图像处理领域中的研究热点,在自动驾驶、安防等人工智能相关行业中具有十分广阔的应用前景。传统的低光照图像增强技术往往需要高深的数学技巧以及严格的数学推导,且导出的迭代过程普遍流程复杂,不利于实际应用。随着大规模数据集的相继诞生,基于深度学习的低光照图像增强已经成为当前的主流技术,然而此类技术受限于数据分布,存在性能不稳定、应用场景单一等问题。此外,在低光照环境下的高层视觉任务(如目标检测)对于低光照图像增强技术的发展带来了新的机遇与挑战。本文从3个方面系统地综述了低光照图像增强技术的研究现状。介绍了现有低光照图像数据集,详述了低光照图像增强技术的发展脉络,通过对比低光照图像增强质量与夜间人脸检测精度,进一步对现有低光照增强技术进行了全面评估与分析。基于对上述现状的探讨,结合实际应用,本文指出当前技术的局限性,并对其发展趋势进行预测。     

低光照下的无人机异物检测与定位

为解决无人机在低光照环境下的巡检过程中, 不能对场景中的异物进行识别与定位, 导致后续智能算法无法获得环境语义信息的问题. 本文提出一种将ORB-SLAM2算法与适用于低光照目标检测改进的YOLOv5模型进行信息融合的方法. 首先, 通过RGB-D相机自采集低光照数据集进行深度学习训练及融合算法验证. 然后, 结合关键帧信息、目标检测模块的输出结果以及相机的固有信息完成目标像素坐标提取. 最后, 通过关键帧信息和像素坐标完成目标物体相对世界坐标系的位置解算. 本文实现了低光照环境下目标物体较为准确的识别和目标物体在世界坐标系中分米级的定位, 为低光照环境下无人机智能巡检提供了一种有效的解决方案.     

低光照环境下的图像恢复与目标识别方法

现有的低光照图像目标识别方法通常将图像恢复与目标识别任务分开处理,且在图像恢复质量和计算时间上无法满足目标识别任务的要求.针对这些问题,首先,提出一种高效的图像恢复卷积神经网络架构,通过融合不同尺度的特征图来聚合多级上下文特征信息,减少卷积层的信息冗余,提高图像恢复任务的实时性.并且设计了一个局部-全局注意力模块,通过校准各特征图的局部信息和特征通道之间的关系,提高恢复网络对噪声和图像内容的区分能力.其次,提出了一种图像恢复和目标识别任务协同处理的方法.利用目标识别的高级语义信息指导图像恢复网络学习,从而突出目标的结构和纹理等特征,使恢复结果更加适应目标识别任务.实验结果表明,该方法在图像恢复质量、计算时间和目标识别率上明显优于已有方法.     

低照度视频监控图像降噪算法设计与实现

针对低照度环境下视频监控图像噪点较多的问题,提出一种基于运动检测的低照度视频监控图像降噪算法。在研究低照度视频监控图像噪声特点的基础上,通过一种阈值运动检测算法将图像帧划分成8×8的运动像素宏块和静止像素宏块,对运动像素宏块采用改进的维纳滤波算法进行降噪,对静止像素宏块采用数学形态学和中值滤波相结合的算法进行降噪。实验数据显示,该算法总体时间复杂度接近O(n),使用该算法降噪后的图像的PSNR值和DV,BV值均高于经典降噪算法,证明了该算法在降低时间复杂度的同时,能有效降低图像噪声,并较好地保持图像的解析度。     

一种基于MDARNet的低照度图像增强方法

由于低照度环境下所采集的图像存在亮度低、对比度差、出现噪声和色彩失衡等低质问题,严重影响其在图像处理应用中的性能.为了提升低照度图像质量,以获得具有完整结构和细节且自然清晰的图像,结合Retinex理论与卷积神经网络,提出了一种基于MDARNet的低照度图像增强方法,并引入Attention机制模块和密集卷积模块以提升性能.首先,MDARNet利用同时包含二维和一维的3个不同尺度卷积核对图像进行初步特征提取,并用像素注意模块对多尺度特征图进行针对性学习;其次,设计跳跃连接结构对图像进行特征提取,使图像特征被最大限度地利用;最后,用通道注意模块和像素注意模块同时对提取到的特征图进行权重学习和照度估计.实验结果表明：MDARNet能够有效提升低照度图像的亮度、对比度、色彩等;且相较于一些经典算法,该方法在视觉效果及客观评价指标（PSNR,SSIM,MS-SSIM,MSE）能够得到更好的效果.     

复合主干融合的图像增强算法

基于深度学习的微光图像增强算法所生成的图像普遍存在噪声凸显和细节丢失等问题,而端对端深度学习算法的性能又在很大程度上依赖于骨干网络的提取能力,因此,通过探索更有效的骨干网络结构可以提升微光增强任务的性能收益.本文提出了一种复合主干网络融合策略的图像增强算法,将不同图像增强算法中的主干网络进行融合,以提高整体网络的特征提取能力.该算法通过逐层融合来自不同主干网络的特征信息,将复合特征引导到解码器中,再充分利用不同的上采样方法,将主干网络融合的特征进行堆叠,最终生成正常光照条件下的图像.通过与现有的主流算法进行定量与定性的对比实验,结果显示,本文方法显著提升了微光图像的亮度,同时保留图像的细节特征,在峰值信噪比和结构相似性客观指标上,在LOL-V2数据集上达到了24.35 dB和0.871,有效解决了图像增强后的噪声凸显和细节丢失问题.     

低照度视频图像自适应补偿增强的设计与实现

针对低照度环境下视频图像对比度低、难以识别的问题,提出对比度自适应补偿增强算法。首先,提取低照度环境下视频图像特征参数的平均灰度,根据原始图像的灰度级差异建立人类视觉对比度分辨率补偿的数学模型,并对真彩色三原色分别采用比例积分补偿。然后,当补偿程度低于明视觉恰可分辨差异时,设置补偿阈值线性补偿明视觉至满带宽。最后,结合主观图像质量评价和图像特征参数建立补偿比例系数的自动寻优模型,并把该模型嵌入到Directshow视频处理系统,应用于视频图像自适应增强。实验测试结果表明,补偿增强系统的实时性好,可以有效挖掘暗视觉信息,能够广泛应用于不同场景。     

基于迭代多尺度引导滤波Retinex 的低照度图像增强

为提高低照度图像的视觉感知,提出了基于迭代多尺度引导滤波Retinex 的低照度 图像增强算法。首先,将图像转换到YCbCr 空间;然后对Y 分量用迭代多尺度引导滤波算法 估计照度图像,以指数形式迭代增加尺度参数与平滑参数,在保持边缘的同时消除各种对比度 细节;接着用照度图像求得反射图像,并进行对比度校正;最后将图像转换到RGB 空间,得 到最终增强后的图像。实验表明,该方法能更好地估计照度图像,从而使增强后的图像视觉效 果获得明显改善。     

基于模拟多曝光融合的低照度图像增强方法

针对部分低照度图像整体亮度偏暗、对比度差和视觉信息偏弱等问题，提出一种基于模拟多曝光融合的低照度图像增强方法。首先，利用改进的变分Retinex模型和形态学的结合产生基准图来保证曝光图像集中的主体信息；其次，结合Sigmoid函数和伽马矫正构造新的光照补偿归一化函数，同时提出了一种基于高斯引导滤波的反锐化掩模算法，用于调整基准图的细节；最后，分别从亮度、色调和曝光率设计曝光图集的加权值，通过多尺度融合得到最终增强结果，有效地避免了增强结果中的光晕和颜色失真。在不同的公开数据集上的实验结果表明，与传统的低照度图像增强方法进行相比，所提方法降低了亮度失真率，提升了视觉信息保真度。该方法能够有效地保留视觉信息，有利于实现低照度图像增强的实时性应用。     

图像增强对低光照场景语义分割影响研究

在低光照环境下获取的图像通常会出现图像亮度低、颜色失真、细节信息丢失以及对比度低等问题。为了满足主观视觉体验的需求,往往会对图像进行增强处理。然而,图像增强对机器视觉应用性能的影响缺乏系统研究。本文以语义分割这一机器视觉应用为例,首先对主流的语义分割方法和低光照图像增强方法进行归纳总结,然后对经图像增强方法处理的低光照图像进行语义分割,从而探究图像增强方法对低光照场景语义分割性能的影响。实验结果表明,增强处理可以改善图像的人眼视觉效果,但是可能会引入噪声等影响,并且图像增强方法和语义分割方法关注的重点和特征不完全一致。图像增强对于低光照场景语义分割性能的促进作用并不明显,甚至会带来负面影响。