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。     

基于防疫常态化的驾驶员疲劳状态检测方法

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。      

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Dlib和变种Transformer的哈欠检测方法

为及时检测驾驶员的疲劳驾驶情况，提出了一种基于Dlib和变种Transformer的哈欠检测方法。首先，基于Dlib的人脸关键点模型构建驾驶员眼部和嘴部的哈欠特征矩阵，然后在视频检测领域提出一种变种Transformer模型对哈欠特征矩阵进行提取和分类，最后基于YawDD数据集进行验证，结果表明，所提出算法的哈欠检测准确率达96.8%，高于已有算法，适用于驾驶员疲劳驾驶时哈欠行为的检测。     

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。     

疲劳驾驶检测方法的研究进展

全世界每年因驾驶员疲劳驾驶而导致的死亡人数占交通灾难性事故的57%,故针对疲劳驾驶检测方法的研究具有现实意义.阐述了目前国内外各类疲劳驾驶检测方法的研究难点,介绍并对比分析了基于驾驶员生理参数、驾驶员行为特征、车辆行为特征的各类客观检测方法;最后对疲劳驾驶检测方法的发展趋势和应用前景进行了论述.     

基于头部姿态特征的列车司机疲劳驾驶检测系统研究

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.     

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。     

疲劳驾驶检测方法研究进展

疲劳驾驶是诱发交通事故的重要因素,研究如何快速准确地识别出驾驶员的疲劳状态,并在事故发生前进行疲劳预警,对预防疲劳驾驶、促进交通安全具有重要的研究价值和社会意义。文章从疲劳的检测原理出发,对比介绍了基于驾驶员生理特征、车辆行为特征、驾驶员面部特征的疲劳检测方法,重点分析了基于机器视觉的疲劳驾驶检测研究现状及其特点,以期为研究人员提供新思路。