共查询到20条相似文献,搜索用时 15 毫秒
1.
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。 相似文献
2.
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。 相似文献
3.
4.
5.
6.
7.
8.
基于眼睛状态识别的驾驶员疲劳实时监测 总被引:1,自引:0,他引:1
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。 相似文献
9.
基于DSP的嵌入式驾驶疲劳监测系统研究 总被引:1,自引:0,他引:1
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。 相似文献
10.
疲劳驾驶检测是交通安全领域的研究分支, 而新冠疫情形势下口罩的佩戴又提出了新的挑战。为此通过基于ResNet-10的SSD模型检测驾驶员人脸, 并使用MobileNet-V2轻量级模型判断是否佩戴口罩, 测试集验证该分类器可以达到98.50%的判断精度。在未佩戴口罩的情况下采用传统图像HOG特征结合SVM分类器检测驾驶员人脸。在后续处理中利用级联回归器定位特征点和提取时间窗口内的疲劳指标, 采用二次判定对疲劳状态采取文字和声音预警, 而在清醒状态下会调整各项判断阈值。对算法在预采集的视频样本和NTHU-DDD测试集下进行测试, 验证了该框架能以18.42帧/s的总体速度实现92.65%和86.09%的检测精度。实验结果表明, 该框架应对佩戴眼镜、脸部姿态变化和光照条件差异具有强鲁棒性, 而且能够兼顾疲劳检测的口罩干扰和实时性。 相似文献
11.
12.
(接2022年第7期)一、驾驶员疲劳监测相关术语GB/T39263-2020《道路车辆先进驾驶辅助系统(ADAS)术语及定义》对驾驶员疲劳监测(DFM)和驾驶员注意力监测(DAM)都给出了定义。《驾驶员注意力监测系统性能要求及试验方法》中对驾驶员注意力监测系统及相关的表述和定义如下:1.注意力分散驾驶员在驾驶车辆时因疲劳驾驶、受外界环境干扰或从事与驾驶无关的动作,导致其无法专注执行驾驶任务的状态。 相似文献
13.
14.
随着智能驾驶汽车的高速发展,L2级别的高级辅助驾驶系统装车率也越来越高,L3级自动驾驶已逐步实现,而安全自动驾驶还尚未完全落地,当前正处于人机共驾阶段,尽管ADAS系统可以降低交通事故发生率,但疲劳驾驶、分心驾驶和危险驾驶等交通安全“隐形杀手”仍长期存在,给驾驶员和乘客带来生命安全,驾驶员状态监测系统能有效避免疲劳或者分心驾驶引发的交通事故,已经成为避免事故和改善道路驾驶安全的一项关键技术。本文介绍了驾驶员状态监测系统工作原理,分析了目前国内外驾驶员监测系统的测试评价方法,并总结了该系统的未来发展动向。 相似文献
15.
依托浙江省交通运输厅科技计划项目《面向职业驾驶员的穿戴式心电数据采集及个体健康状态异常分析技术研究》。"两客一危"驾驶员一直是特重大交通事故的主要肇事者,而疲劳驾驶又是诱发事故发生的三大最主要原因之一。针对疲劳驾驶的隐蔽性,且尚未有科学严谨的检测方法来判断疲劳驾驶,并预防疲劳驾驶导致交通事故的发生。面向公路运营行业职业驾驶员,基于可穿戴式的心电监测设备,对驾驶员驾驶过程中的心电数据进行实时监测,进行疲劳程度分析与管理。研究结果有助于"两客一危"相关管理部门及运营企业对驾驶员的管理,以减少运营车辆造成的交通事故。 相似文献
16.
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。 相似文献
17.
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。 相似文献
18.
19.
列车司机疲劳驾驶严重威胁列车行车安全.为弥补人眼检测方法存在的不足,提出了1种基于头部姿态特征的列车司机疲劳驾驶检测方法.该方法首先采用AdaBoost算法检测人脸区域,然后采用Camshift算法对人脸进行跟踪,并对人脸的旋转角度进行计算,得出其旋转角速度以及旋转角加速度,最后根据其头部的倾斜角度以及旋转角速度综合判断列车司机的疲劳状态.建立了头部旋转物理模型,得到头部自由旋转时角速度与角加速度随旋转角度的变化曲线.在上述方法的研究基础上,研发了1个基于头部偏转情况判断疲劳驾驶的系统.该方法的疲劳检测成功率为87.5%,但其只能对头部缓慢倾斜和头部突然向两侧倾斜这2种疲态状态进行报警,尚不能对打呵欠、低头、闭眼等其他疲劳状态做出反应,需与其他检测方式结合使用. 相似文献