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。     

基于眼睛状态的驾驶员疲劳识别

有效防止和监督驾驶员疲劳驾驶,对降低交通事故具有重要意义。文章提出了一种基于眼睛状态识别的驾驶员疲劳状态的识别方法。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,然后采用了二值边缘图像的人眼定位方法,计算出眼睛区域的面积和持续闭合时间,依据PERCLOS准则,判断驾驶员是否处于疲劳状态。实验表明,系统能够实时准确地定位人眼及检测眼睛的开闭状态,从而有效地检测驾驶员的疲劳程度。     

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。     

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。      

基于视觉的驾驶人疲劳及注意力监测方法

对驾驶人疲劳状态监测技术进行了深入研究,分析了在实际应用中存在的问题,在此基础上提出基于灰度方差定位驾驶人面部,利用投影曲线极点位置分割面部器官独立区域,对每一个独立区域进行OSTU计算和轮廓提取,最终获得眼睛的轮廓状态,利用PERCLOS判断驾驶人的精神状态。利用驾驶人面部器官定位的结果,对人体头部旋转运动模型进行分析,提出了计算驾驶人面部旋转角度的计算方法。最后给出判断驾驶人的注意力是否分散的判断策略。试验结果表明,该算法实时性好,具有较好的鲁棒性,可以为驾驶人疲劳状态及注意力状态的判断提供较为准确的依据。     

基于传统图像处理算法的车道线检测

在现代交通驾驶领域中,随着自动驾驶技术的迅速发展,车道线检测也变得至关重要。基于此,文章提出了一种基于传统图像处理算法的车道线检测方法,该方法利用了传统图像处理算法中的滤波算法、Canny边缘检测算法和Hough直线检测算法作为基本算法模型,采用只对ROI中进行检测的措施来满足对于前方车道线的准确检测。在检测中,使用了OpenCV开源图像处理库来对进行上述方法进行实现。此方法可极大减少对前方车道线检测的外界干扰,在汽车实验场中利用该方法,可以比较准确地检测出车辆前方的车道线,并且该算法在一般机器上能够实现实时级的车道线检测。但是在实验过程中,也发现当前方的障碍物较多的时候,所采用的算法不能很好地检测出车道线,对外界的抗干扰能力比较差。     

基于视频图像和RBF神经网络的疲劳驾驶监测系统

采用视频采集方式和神经网络方法实现了驾驶员疲劳驾驶的非接触式监测。应用车头前端和车厢内部双路视频摄像头分别采集车辆相对于车道线的行驶轨迹和驾驶员的睁闭眼状态,应用Radon变换提取5 s内车头与车道线间的最大和最小偏离、相邻2帧间车头与车道线的最大角度变化量和平均角度差,应用AdaBoost算法提取驾驶员眼睛闭合帧数比例,并将上述各参数作为RBF神经网络的输入来实现驾驶员疲劳状态的动态监测,实验数据表明监测效果良好。     

计算机视觉和图像处理技术及其在汽车零件检测中的应用

基于计算机视觉和图像处理技术的汽车零件检测系统在智能化、柔性、快速性等方面较接触式检测系统具有更大的优越性, 其主要是应用CCD摄像机实时拍摄汽车零件获取数字影像,然后通过计算机视觉检测技术确定待检测目标的质量信息,与标准模板或设计参数比较以检测汽车零件加工质量。本文综述该技术的基本原理和分类以及近年来此方面的研究成果,分析了利用计算机视觉检测技术对汽车零件进行检测的一般方法和系统构成,并探讨了基于CAD(计算机辅助设计)的计算机视觉检测技术的关键环节。最后对计算机视觉检测技术的发展趋势进行了展望。     

基于转向盘图像的驾驶员疲劳检测方法研究

为避免因疲劳驾驶导致交通事故,提出一种基于转向盘图像的驾驶员疲劳检测方法。该方法利用摄像头实时采集转向盘图像,经过处理得到转向盘转角,进而提取与疲劳相关的零速百分比和角度标准差两项指标,在此基础上采用支持向量机融合算法建立了驾驶员疲劳判别模型。试验结果表明,所建立的判别模型检测正确率达85%,检测方法具有操作简单、实用性强和鲁棒性好等优点。     

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。     

营运长途客车驾驶员疲劳累积规律及模型研究

研究营运长途客车驾驶员的疲劳累积规律是保障公共交通安全的需要.针对黑龙江省海伦市营运长途客车驾驶员,设计疲劳累积随车实验,采集驾驶员状态视频及驾驶员感知判断能力、自我主观疲劳评价等指标,利用视频分析处理软件将驾驶员状态视频转化为PERCLOS-P80值,以此作为疲劳程度的衡量指标.分别从原始疲劳和驾驶疲劳2个方面,对营运长途客车驾驶员疲劳累积规律进行分析,得出原始疲劳与前1d的实际睡眠时间呈负相关、与驾驶时间差呈正相关;驾驶疲劳与原始疲劳及连续驾驶时间呈正相关、与累计休息时间呈负相关的结论.建立了疲劳累积与驾驶员工作、休息时间的关系模型,运用回归技术对模型进行标定,其拟合优度达到0.929.在此模型的基础上,对不同原始疲劳值的驾驶员提出了连续驾驶时间的风险临界值(F=0.3时),给出了营运长途客车驾驶员工作休息建议,为其安全驾驶提供指导.      

基于脉搏波特征融合的驾驶疲劳检测方法

疲劳驾驶是交通事故的主要诱因之一,精确检测驾驶人的疲劳程度是主动预防疲劳驾驶事故的核心内容之一。通过开展自然驾驶试验,以驾驶人的生物信号脉搏波（Blood Pressure Waveform,BPW）为数据源,使用脉搏波波形分析方法从中提取有效表征驾驶疲劳的特征指标,构建用于检测驾驶疲劳等级的BPW特征指标集,在此基础上引入D-S证据理论建立了基于BPW特征融合的驾驶疲劳检测模型。结果表明：该模型对测试数据的疲劳驾驶理论检测精度达到了91.8%,优于贝叶斯网络模型的81.4%和支持向量机模型的84.3%,能够满足实际应用的需求,但与决策回归树检测模型99.7%的精度相比较还有差距。研究获得的基于生物信息融合的驾驶疲劳检查模型和方法在驾驶疲劳检测与监测中具有很好的应用前景,可为辅助安全驾驶和疲劳预警及主动干预提供新的技术方案。     

驾驶时间对营运驾驶员驾驶能力影响的试验研究

针对影响交通安全的疲劳驾驶问题,以公路客运行业的营运驾驶员为研究对象,应用人机工程学和试验心理学的理论方法按驾驶时间的不同设计了区组对比的试验方案,并用试验仪器现场采集了99个样本的试验数据,利用F检验和H检验等统计学方法分析了驾驶时间对驾驶员驾驶能力的影响。结果表明:驾驶时间在8~12 h之间,驾驶员的反应能力和注意能力会显著降低,而驾驶员的感知能力和操作能力的降低不明显;驾驶员的主观疲劳感受随驾驶时间的变化不明显。     

基于多源数据的单调道路环境与驾驶疲劳关系模型

为了研究单调道路环境对驾驶疲劳的影响,采用眼动仪、脑电仪等仪器设备在G109格尔木-西藏沿线开展实车驾驶试验,获取19名被试驾驶过程中的生理和驾驶行为等多源数据以及驾驶疲劳主观KSS量表,分析不同时间窗下各特征参数随疲劳程度的变化规律。采用不同海拔对应的植被等级作为单调道路环境的量化指标,将驾驶疲劳程度划分为清醒、轻度疲劳、重度疲劳3个等级,根据皮尔逊相关性和自变量共线性检验结果,选取脑电（α+θ）/β、平均眨眼持续时间、血氧含量和植被等级为自变量,驾驶人疲劳程度为因变量,建立基于有序多分类Logistic的单调道路环境与驾驶疲劳的关系模型,并分析单调环境下驾驶疲劳生成机理。研究结果表明：在高海拔单调道路环境下,短时驾驶疲劳主要与环境单调程度有关,驾驶时间并不是引起短时驾驶疲劳的主要因素;脑电α/β和心率与驾驶疲劳程度无显著相关性,脑电（α+θ）/β、平均眨眼时间与疲劳程度呈正相关,血氧含量与疲劳程度呈负相关。当植被覆盖率从较稀疏变为稀疏时,驾驶人警觉性较高,疲劳程度增加5.9%;随着植被覆盖率下降至非常稀疏状态,驾驶人会出现克服自身疲劳的情况,疲劳程度增加5.8%;当环境单调性进一步加剧,植被覆盖率降低至严重稀疏状态时,驾驶人疲劳程度明显增加,进入重度疲劳状态。研究成果可为单调道路环境下驾驶疲劳的预防奠定理论基础。