復(fù)雜駕駛條件下司機(jī)駕駛疲勞度檢測的研究課件

1、復(fù)雜駕駛條件下司機(jī)駕駛疲勞度檢測的研究本科畢設(shè)結(jié)題答辯電子與信息學(xué)院鄭偉龍08級電聯(lián)班指導(dǎo)教師：秦華標(biāo)教授蒸臉器哪個牌子好 /FMCJb 課題研究背景與意義1課題研究內(nèi)容與系統(tǒng)框架2復(fù)雜駕駛條件下人臉檢測方法3復(fù)雜駕駛條件下人眼檢測和狀態(tài)識別4基于眼部特征的駕駛員疲勞狀態(tài)檢測 5課題總結(jié)與實驗效果演示62課題研究背景與意義3在歐洲， 10-20的司機(jī)死亡和受傷是由于疲勞導(dǎo)致駕駛員警戒水平降低所引發(fā)。在美國，每年有10萬起撞車事故是由于駕駛員困倦所造成的，造成4萬的非致命性傷害和1550死亡在我國，在2007年至2009年我國由疲勞駕駛導(dǎo)致的死亡人數(shù)分別占機(jī)動車駕駛?cè)私煌ㄕ厥驴偹劳鋈藬?shù)的11.3

2、5%、10.91%和12.5%，平均每年約有9000人死于疲勞駕駛。蒸臉器品牌排行榜 /FMCJb課題研究背景與意義4本課題的提出是基于以下幾點(diǎn)問題：我們能否在交通事故發(fā)生之前檢測到司機(jī)疲勞狀態(tài)；對于疲勞檢測技術(shù)，什么技術(shù)和方法是最可靠有效的；如何在不分散駕駛員注意力的情況下有效地檢測駕駛員精神狀態(tài)并作出判斷。蒸臉器有用嗎 /FMCJb課題研究背景與意義5疲勞檢測試驗性產(chǎn)品課題研究內(nèi)容與系統(tǒng)框架7復(fù)雜駕駛條件下人臉檢測方法8人臉檢測中的光照問題根據(jù)駕駛員所處地理位置、所駕駛方向、以及駕駛的時間不同，陽光可能從多個方向照射過來，也可能沒有陽光（夜晚）；車頂棚在中午的時候會在駕駛員臉上投下陰影。

3、（多光照）復(fù)雜駕駛條件下人臉檢測方法10（1）單尺度Retinex算法（SSR）Retinex是一個合成詞，是由Retina（視網(wǎng)膜）和Cortex（大腦皮層）組合而成的。Retinex理論解釋了相同的物體在不同的光線底下顏色恒定性(Color Constancy)機(jī)理亮度圖像反射圖像圖 2- 單尺度Retinex的實驗效果圖復(fù)雜駕駛條件下人臉檢測方法11（2）多尺度Retinex算法（MSR）多尺度Retinex實質(zhì)是將多個單尺度Retinex的結(jié)果進(jìn)行加權(quán)求和圖 2- 10 多尺度Retinex的實驗效果圖金稻蒸臉器 /FMCJb復(fù)雜駕駛條件下人臉檢測方法12（3）單尺度自商圖像（SSQ）

4、自商圖像與Retinex算法相似，它也是利用平滑核函數(shù)對輸入圖像進(jìn)行卷積來估計亮度圖像，利用輸入圖像與亮度圖像的比值得到光照魯棒的自商圖像。I(x,y)是輸入圖像，F(xiàn)是平滑卷積核函數(shù)，這里我們用的是低通高斯函數(shù)圖 2- 單尺度自商圖像效果圖復(fù)雜駕駛條件下人臉檢測方法14（5）離散余弦變換（DCT）將圖像進(jìn)行離散余弦變換后，低頻部分對應(yīng)圖像的亮度分量，反應(yīng)的是光線變化部分。因此將DCT低頻分量置零就可以得到光照魯棒的反射圖像，達(dá)到減小光照的影響。圖 2- 13 離散余弦變換效果圖復(fù)雜駕駛條件下人臉檢測方法15（6）小波變換（WA）對輸入圖像進(jìn)行離散小波變換，然后處理得到的子帶圖像。它對小波系數(shù)矩

5、陣進(jìn)行加權(quán)，對變換的相似系數(shù)進(jìn)行直方圖均衡化，再利用反小波變換將獨(dú)立的子帶圖像重建后得到歸一化的圖像。圖 2- 14 小波變換效果圖復(fù)雜駕駛條件下人臉檢測方法17（8）直方圖均衡（HE）圖 2- 16 直方圖均衡化（HE）效果復(fù)雜駕駛條件下人臉檢測方法18 測試圖（原圖、SSR、MSR、SSQ、MSQ、DCT、WA、NLM、HE）復(fù)雜駕駛條件下人臉檢測方法19基于Adaboost的人臉檢測Adaboost是一種迭代算法，其核心思想是針對同一個訓(xùn)練集訓(xùn)練不同的分類器(弱分類器)，然后把這些弱分類器集合起來，構(gòu)成一個更強(qiáng)的最終分類器(強(qiáng)分類器)。優(yōu)點(diǎn)：1)構(gòu)建簡單子分類器，利用Adaboost算法

6、將這些分類器進(jìn)行級聯(lián)，構(gòu)造強(qiáng)分類器；2) Adaboost算法即使訓(xùn)練次數(shù)很多，也不會出現(xiàn)過擬合的問題；3）隨著訓(xùn)練迭代次數(shù)增加，分類器識別錯誤率會逐漸下降。復(fù)雜駕駛條件下人臉檢測方法20基于Adaboost的人臉檢測訓(xùn)練過程使用類Haar矩形特征作為輸入，利用積分圖像加速矩形圖像值的計算，訓(xùn)練各個弱分類器，最后將弱分類器節(jié)點(diǎn)組成篩選式級聯(lián)方式。檢測過程通過加載分類器，根據(jù)訓(xùn)練所得到的分類器特征對輸入圖像進(jìn)行檢測圖 2- 28 Adaboost人臉檢測實驗測試圖人眼檢測和狀態(tài)識別研究21人眼檢測定位方法研究眼睛定位是較難的研究課題，因為人的眼睛的面積比例比較小，另外由于人臉區(qū)域眉毛、眼鏡等干擾

7、也會造成眼睛定位算法的錯誤識別。人眼檢測定位方法：基于Adaboost的眼睛檢測定位方法基于人臉三庭五眼比例特征人眼檢測定位方法人眼檢測和狀態(tài)識別研究22基于Adaboost的眼睛檢測定位方法圖 3- 2 基于Adaboost的眼睛檢測定位方法效果圖人眼檢測和狀態(tài)識別研究24人眼狀態(tài)識別方法研究本課題對以下幾種眼睛狀態(tài)識別方法進(jìn)行研究和比較基于眼瞼曲率的眼睛狀態(tài)識別基于分段眼瞼曲率的眼睛狀態(tài)識別基于橢圓擬合的人眼狀態(tài)識別基于水平投影及比例特征的人眼狀態(tài)識別判斷黑色像素比例進(jìn)行人眼狀態(tài)識別人眼檢測和狀態(tài)識別研究25基于眼瞼曲率的眼睛狀態(tài)識別人眼睜開時，上眼瞼向上彎曲，曲率為正；而在閉合時，上眼瞼

8、基本呈扁平狀，曲率基本為零。因此可以通過提取人眼的上眼瞼，通過計算上眼瞼的曲率來判斷當(dāng)前人眼狀態(tài)。人眼檢測和狀態(tài)識別研究27基于眼瞼曲率的眼睛狀態(tài)識別曲率閾值睜眼樣本（124）閉眼樣本（130）正確數(shù)錯誤數(shù)正確率（%）正確數(shù)錯誤數(shù)正確率（%）0.1141131191.11052580.70.1151121290.31072382.30.1161121290.31092183.80.1171011381.51102084.60.1181091587.91121886.1人眼檢測和狀態(tài)識別研究28基于分段眼瞼曲率的眼睛狀態(tài)識別這種方法與上面方法類似。主要區(qū)別在于：（1）眼瞼曲線的擬合，眼瞼曲線原先

9、利用提取的邊緣曲線，而這里利用的是三階多項式對眼瞼曲線進(jìn)行擬合。（2）曲率的計算，前面的方法考慮的是上眼瞼的整體特性，只計算一次曲率，而本方法是將眼瞼曲線分成若干段，再分別計算這幾段的曲率，將這些曲率進(jìn)行求和后，作為判斷眼睛狀態(tài)參數(shù)。眼瞼輪廓曲線擬合上眼瞼邊界點(diǎn)提取人眼檢測和狀態(tài)識別研究29基于分段眼瞼曲率的眼睛狀態(tài)識別曲率閾值睜眼樣本（124）閉眼樣本（130）正確數(shù)錯誤數(shù)正確率（%）正確數(shù)錯誤數(shù)正確率（%）0.121081687.1646649.20.131071786.3755557.70.141071786.3814962.30.151051984.7943672.30.1699257

10、9.81062481.5人眼檢測和狀態(tài)識別研究30基于橢圓擬合的人眼狀態(tài)識別人眼輪廓與橢圓非常近似，人眼在睜開狀態(tài)下的圓形度要高于閉眼狀態(tài)下的，通過對人眼進(jìn)行橢圓擬合，然后判斷橢圓長半軸以及短半軸的比例關(guān)系可以作為人眼狀態(tài)判斷的參數(shù)。圖 3- 上眼瞼輪廓曲線擬合人眼檢測和狀態(tài)識別研究31基于橢圓擬合的人眼狀態(tài)識別b/a睜眼樣本（124）閉眼樣本（130）正確數(shù)錯誤數(shù)正確率（%）正確數(shù)錯誤數(shù)正確率（%）0.21117794.3755557.70.221121290.3874366.90.231051984.7923870.80.241022282.31003076.90.25992579.810

11、42680.0人眼檢測和狀態(tài)識別研究32基于水平投影及比例特征的人眼狀態(tài)識別當(dāng)人眼睜開時，水平投影直方圖高度比較低，寬度比較長，而人眼閉合狀態(tài)時，水平投影直方圖高度比較高，寬度比較短。人眼圖像二值化效果左圖是睜眼圖像直方圖投影，右圖是閉眼圖像直方圖投影人眼檢測和狀態(tài)識別研究33基于水平投影及比例特征的人眼狀態(tài)識別高度/寬度睜眼樣本（124）閉眼樣本（130）正確數(shù)錯誤數(shù)正確率（%）正確數(shù)錯誤數(shù)正確率（%）4982679.01191191.551032183.41091191.561061885.51161489.271081687.11042680.0人眼檢測和狀態(tài)識別研究34判斷黑色像素比例

12、進(jìn)行人眼狀態(tài)識別人眼圖像二值化效果該方法判斷的依據(jù)是當(dāng)睜眼時，人眼區(qū)域的黑色像素比例會大于閉眼的情況。人眼檢測和狀態(tài)識別研究35人眼狀態(tài)識別方法結(jié)果分析人眼狀態(tài)識別方法睜眼樣本識別率閉眼樣本識別率處理時間評價基于眼瞼曲率的方法87.9%87.7%11ms好基于分段眼瞼曲率的方法79.8%81.5%12ms較好基于橢圓擬合的方法80%80%10ms較好基于水平投影及比例特征方法85%91%14ms好判斷黑色像素比例的方法76.6%65.4%8ms較差基于眼部特征的疲勞狀態(tài)檢測36基于PERCLOS與眨眼頻率的疲勞檢測PERCLOS準(zhǔn)則PERCLOS(Percentage of Eyelid Cl

13、osure Over the Pupil Time)是指單位時間內(nèi)眼睛閉合的時間的百分比。通過大量實驗數(shù)據(jù)表明，PERCLOS與疲勞程度具有良好的相關(guān)性，美國公路管理局推薦將PERCLOS準(zhǔn)則作為基于視覺的駕駛疲勞判斷的最好方法?；谘鄄刻卣鞯钠跔顟B(tài)檢測37基于PERCLOS與眨眼頻率的疲勞檢測PERCLOS計算方法在本課題PERCLOS大于0.4時則認(rèn)為駕駛員處于疲勞狀態(tài)基于眼部特征的疲勞狀態(tài)檢測38眨眼頻率人的眼睛在正常情況下眨眼頻率平均為10-15次/分，如果眨眼頻率過低，可能是因為駕駛員疲勞，這種情況可以通過PERCLOS原理檢測；另一方面可能是駕駛員走神，目光呆滯，這時計算得到的PERCLOS會很低，但是這種情況也應(yīng)該報警，需要通過計算眨眼頻率進(jìn)行檢測。系統(tǒng)閾值：下限不低于5次/分，上限不高于25次/分基于PERCLOS與眨眼頻率的疲勞檢測基于眼