基于AdaBoost算法的疲劳驾驶检测系统研究

为提高行车安全性,结合驾驶员人眼开度特征开展了疲劳驾驶检测系统研究,提出采用AdaBoost算法实现人脸及人眼的定位方法。驾驶员视频图像在动态直方拉伸和训练好的AdaBoost算法分类器作用下实现人脸、人眼定位;对获得的眼部图像进行边缘检测及轮廓提取,计算轮廓内像素点得到眼睛的开度信息;利用PERCLOS算法计算一段时间内驾驶员的闭眼帧数及眨眼频率比例,获得驾驶员疲劳状态。试验结果表明,该系统具有较好的抗环境干扰和实时性,能准确地完成疲劳判断。     

基于眼睛状态识别的驾驶员疲劳实时监测

提出了一种基于眼睛状态识别的驾驶员疲劳状态实时监测的方法。为了实现眼睛状态的检测,首先通过计算累计背景和当前帧的差分图像的质心确定脸部范围,然后通过二值化和轮廓检测确定眼睛的搜索区域。在利用启发式规则进行筛选定位之后,计算眼睛骨架曲线和两眼角连线之间的距离得到眼睛的睁开程度。通过计算相应的疲劳指标如PERCLOS、平均睁眼程度、最长眼睛闭合时间来推测驾驶员的疲劳状态。以驾驶员面部视频的主观评分作为评价依据对检测方法进行评价,结果显示上述3个指标在不同的疲劳等级下均存在显著性差异,通过对不同指标的融合可达到较好的疲劳检测准确率。     

适用驾驶员疲劳状态监测的人眼定位方法研究

驾驶员在车辆行驶过程中是否疲劳驾驶可以从眼睛的状态反映出来，利用驾驶员眼睛的状态信息来判断驾驶员疲劳状况是一种可行的方法。在采用计算机视觉对驾驶员进行驾驶行为监控时，驾驶员面部眼睛定位是判断驾驶员是否疲劳驾驶的关键。为了解决面部眼睛定位的实时性以及头部旋转不确定性等问题，本文在人脸面部定位的基础上，给出了一种基于区域标示算法的面部人眼定位算法。试验验证了上述算法的有效性。     

基于类Haar特征的驾驶者人眼疲劳状态的检测方法研究

使用摄像头采集视频图像,对输入图像做预处理(图像灰度化、中值滤波等);通过学习训练的方法构造基于类Haar特征的层叠式分类器,利用基于类Haar特征的层叠式分类器从输入图像中直接定位人眼;把人眼部分的图像截取出来,二值化人眼图像;然后计算二值化图像中垂直方向上瞳孔的宽度大小,从而判断眼睛的状态;最后通过多次的捕捉,计算眼睛闭合的频率来得出其疲劳状态。试验验证了上述算法的有效性。     

基于红外光源的驾驶员眼睛特征提取

驾驶员疲劳与精神分散是引发夜间行车交通安全事故的主要因素之一,驾驶员服睛位置的快速准确定位是利用视觉方法对驾驶员的夜间驾驶状态进行监测和预警的前提。文中利用Otsu阈值方法分割驾驶员人脸,根据分割后的二值化图像进行水平和垂直方向投影确定人脸位置,并在可靠定位人脸区域的基础上,建立了眼睛位置检测的感兴趣区域。采用Harris角点特征提取的方法在感兴趣区域内进行眼睛位置的快速有效定位。实验结果表明,该算法具有很好的可靠性和实时性,为后续夜间驾驶员状态研究奠定了良好基础。     

基于DSP的嵌入式驾驶疲劳监测系统研究

为了进行有效的、实时的、非接触式的驾驶员疲劳检测,采取NHTSA和FHWA推荐的非接触式疲劳检测方法PERCLOS,利用TI公司的专用图像处理DSP芯片TMS320DM642,构建了车载的基于DSP的嵌入式驾驶疲劳监测系统。首先使用肤色模型算法迅速定位人脸,然后利用累积差分帧和Hough变换等实时图像处理技术来检测、跟踪眼睛,分析眼睛的状态和提取眼睛的特征参数,计算PERCLOS值、判断疲劳程度并采取报警或其他措施。试验结果表明,系统的算法简单、快速、鲁棒性强。     

基于灰度投影的驾驶员图像眼睛定位

眼睛位置的快速准确定位是利用视觉方法对驾驶员的驾驶状态进行监测和预警的前提。采用一种基于灰度特征投影的方法进行眼睛位置的有效快速定位。在利用皮肤颜色YCrCb空间分布二维高斯模型可靠定位人脸区域的基础上，建立了进行眼睛位置检测的感兴趣区域，最后分别对灰度图像和二值化图像进行水平和垂直方向灰度投影确定眼睛位置。实验结果表明，该算法具有很好的可靠性和实时性，为后续驾驶员状态研究奠定了良好基础。     

基于红外图像的夜间驾驶员疲劳检测系统设计

当前来说由于疲劳驾驶而引发的交通事故越来越多,而夜间是疲劳驾驶的高发时段,由于这种原因,文章设计了适用于在夜间监测驾驶员是否处于疲劳状态的系统。利用OPENCV软件对得到的红外图像进行人脸的检测与识别,得到人脸的红外图像,针对得到的人脸红外图像进行灰度化和二值化的处理,设定一个阈值根据二值化后像素的个数判断驾驶员是否处于疲劳状态,如果处于疲劳状态的情况下,系统就会报警提醒驾驶员注意采取措施。如果驾驶员并不处于驾驶疲劳的状态,那么监测系统将继续检测。     

基于深度学习的船舶驾驶员疲劳检测算法

针对日益凸显的船舶值班人员疲劳驾驶问题，为有效预警值班驾驶员的疲劳状态，保障船舶航行安全，研究了基于深度学习的疲劳检测算法。考虑到船舶驾驶台空间大、背景复杂等特点，使用深度可分离卷积改进RetinaFace人脸检测模型，优化模型的检测速度；基于Channel Split和Channel Shuffle思想，结合批量归一化、全局平均池化等技术搭建改进的ShuffleNetV2网络，自动提取图像特征，识别眼睛、嘴巴的开闭状态；根据PERCLOS准则融合眼睛、嘴巴2个特征参数综合判定驾驶员是否疲劳。实验结果表明:改进后RetinaFace模型的检测速度由9.33帧/s提升至22.60帧/s，人脸检测精度和速度均优于多任务卷积神经网络（MTCNN）；改进的ShuffleNetV2网络识别眼睛、嘴巴状态的准确率高达99.50%以上；算法在模拟驾驶台环境中识别疲劳状态的精确率达到95.70%，召回率达到96.73%，均高于目前常见的Haar-like+Adaboost以及MTCNN+CNN疲劳检测算法。算法检测每帧图片仅需0.083 s，基本满足实时检测的要求。      

基于人眼特征的疲劳驾驶状态检测方法

为获取用于检测驾驶疲劳状态的关键指标,通过实车试验采集了驾驶员行为状态、眼动数据和车辆动态信息,对比分析了各参数对驾驶员主观疲劳状态的反映程度。对于驾驶员眼部特征检测,使用特征提取器完成人脸位置的实时跟踪,并使用 68 点面部特征检测算法标记关键点位置,估算出眼睛长宽比（EAR）。通过分类与回归树（CART）决策算法训练数据模型,实现在一定窗口期内对驾驶员眨眼行为的准确决策分类,获得眼睛闭合率（PERCLOS） 等关键眼部特征指标。在此基础之上设计了 13 种驾驶疲劳状态检测指标,并与卡罗林斯卡嗜睡量等级（KSS）这一主观疲劳程度衡量参数作相关性评价。研究结果表明： PERCLOS 与KSS 的相关性最高,相关系数为 0.83,因此借助 PERCLOS 可以较准确地判断驾驶疲劳状态。     

基于前额脑电多尺度小波对数能量熵的驾驶疲劳检测分析

为研究脑机接口（BCI）在交通运输中的应用，减少因疲劳驾驶导致的交通安全事故，提出基于前额脑电（EEG）信号多尺度小波对数能量熵的驾驶疲劳检测方法。首先，设计驾驶仿真模拟试验，利用脑电帽采集26名被试清醒驾驶和疲劳驾驶的前额EEG信号，试验过程中，使用主观检测方法每隔20 min对被试进行问询；其次，应用MATLAB对采集到的EEG数据进行预处理，基于2种驾驶状态形成被试初始样本数据集；进而，在该数据集基础上，利用多尺度熵的概念，提取EEG信号小波对数能量熵（WLE）特征，同时提取经典模糊熵（FE）特征进行比较分析；然后，运用极限学习机（ELM）对提取的特征数据集进行快速有效的精准分类，并使用留一交叉验证法进行验证评估；最后，对比经典FE分类表现，并结合多种性能指标对驾驶疲劳检测结果进行综合比较。研究结果表明：在本文试验条件下，基于多尺度WLE（MWLE）的前额EEG疲劳识别率显著高于基于多尺度FE（MFE）的识别率，其理论平均正确率达91.8%；基于多尺度熵的EEG信号特征提取方法能有效提高驾驶疲劳识别效果和算法效率；多种性能指标表明前额EEG的WLE可以作为衡量驾驶疲劳的有效生理指标；结果验证了采用基于ELM对MWLE的前额EEG信号进行驾驶疲劳检测方法的有效性和实用性，有助于促进可穿戴BCI在疲劳驾驶预警中的应用。     

基于生物电信号的驾驶疲劳检测方法

驾驶疲劳检测技术是当前安全辅助驾驶技术的一个研究热点,其中基于生物电信号的检测方法最直接。本文主要介绍驾驶疲劳的生成机理、检测方法的分类和基于脑电、心电、眼电和肌电等主要生物电信号检测方法的研究现状。最后,针对当前研究领域的不足给出了建议,以供研究者参考。     

基于 Bi-LSTM 的多类型特征融合驾驶员疲劳识别方法

针对传统的基于驾驶员面部图像采集的单一类型特征的疲劳识别方法，在阴影遮挡及光照变化场景下存在准确性、鲁棒性不足的问题，深入开展基于多类型特征融合的驾驶员疲劳识别方法研究。在分析非图像化的驾驶员疲劳特征的基础上，通过机器人操作系统 （Robot Operating System， ROS）的话题订阅来实现驾驶员生理特征、操作行为特征及面部特征的多源数据同步采集。处理原始数据并分析数据特性，提出了一种融合生理特征与驾驶员及观测者主观评价的数据标注策略，标注疲劳特征，构建驾驶员疲劳数据集；将驾驶员操作行为特征与面部特征融合，形成多类型特征融合序列，并基于双向长短时记忆 （Bi-directional Long Short-Term Memory，Bi-LSTM）网络，构建多类型特征融合的疲劳识别模型；通过单一类型特征与多类型特征对比试验、不同场景对比试验证明，基于Bi-LSTM的多类型特征融合识别方法的准确率和鲁棒性较单一类型特征识别方法均有明显提升，能在各种场景下更好地识别驾驶员的疲劳状态。     

驾驶人在手机通话行为中的认知分心图像识别研究

在手机通话（MPC）行为中，驾驶人极易陷入认知分心（DCD）状态，对此提出了一种基于头-眼行为特性的DCD图像识别方法。为适应自然驾驶中的波动光照和复杂背景，首先建立基于YCbCr色彩空间的在线肤色模型，提取待检肤色区域的PCA-HOG特征并建立支持向量机分类器来识别MPC手势；与此同时，采用多尺度局部模极大值方法检测嘴部显著边缘，并通过边缘活跃度来识别驾驶人说话行为，综合MPC手势和说话行为建立MPC行为的判别逻辑。最后，以5 s为时间窗口获取驾驶人的眼球活跃度、眨眼指数、头部横摆和俯仰运动活跃度，采用D-S证据理论建立融合头-眼行为特性的DCD识别方法。试验结果表明：融合手势和说话行为图像检测的MPC识别率为92.8%；对于不佩戴眼镜的驾驶人，眼球活跃度是DCD识别率最高的单一指标，“眼球活跃度-头部横摆活跃度-头部俯仰活跃度”融合证据的DCD识别率最高，为86.2%；对于佩戴眼镜的驾驶人，“头部横摆活跃度-头部俯仰活跃度”融合证据的DCD识别率最高，为83.2%；算法对熟练驾驶人的DCD识别率略高于非熟练驾驶人。     

基于深度学习的驾驶员状态识别

提出了基于驾驶员脸部及周围信息的驾驶员状态检测方法。文章通过实车摄像头采集了驾驶员驾驶状态视频数据,利用Dlib和OpenCV库对采集的驾驶员图像进行脸部检测,基于驾驶员脸部数据建立了深度学习数据集,然后基于该数据集设计了一种卷积神经网络模型FaceNet,利用PyTorch深度学习框架在数据集上对模型进行训练,最终得到了有较高准确率的驾驶员状态检测模型,其可识别抽烟、睡觉、左手打电话和右手打电话四种驾驶员状态。     

基于神经网络的疲劳驾驶识别系统

驾驶疲劳识别系统主要依据驾驶员眼部信号、驾驶行为、生理信号等来判断疲劳状态。文章通过BP神经网络与疲劳驾驶相结合,对疲劳参数进行分析,建立基于神经网络的疲劳驾驶实时识别系统,从而提高疲劳检测的准确率。     

面向ARM平台的自标定驾驶员疲劳检测方法

提出了一种面向进阶精简指令集机器(ARM)平台的自标定驾驶员疲劳检测方法。对驾驶员不同身高、体型及车内摄像头不同位置,采用驾驶员初始姿态自标定方法;采用改进的基于深度学习的多任务卷积神经网络(MTCNN),提取人脸识别和特征点,以得到头部姿态、眼睛、嘴巴运动等信息;基于操作员序列的深度卷积神经网络,来判断驾驶员的疲劳状态等级。实验了驾驶员疲劳检测方法。结果表明:相对于没有标定,采用本驾驶员自标定的方式,识别准确性提高了15%,采用MTCNN方法和ARM NEON加速技术,在“全志H5”、“树莓派”和Android手机上,运行速度分别是200、150、140 ms,提高约50%。因而,该检测方法,既提高了系统鲁棒性,也满足实时需求。     

基于模式识别的车辆防疲劳驾驶智能转向盘及其监控算法的设计

该转向盘以嵌入式系统为核心,利用GPS数据变化判定车辆驻、行状态,以控制持续驾驶时间的计算周期,利用变压器式角位移传感器采集转向盘转角电压变化,采用电压波模式识别判断疲劳状态,并结合持续驾驶时间参量对疲劳驾驶进行预警。