疲劳驾驶检测方法 本科毕设开题报告

毕业设计（论文）开题报告

题目 驾驶员疲劳检测方法研究

专 业 名 称 通信工程

班 级 学 号 04042229

学 生 姓 名 王文进

指 导 教 师 熊邦书

填 表 日 期 2008 年 3 月 15 日

一、 选题的依据及意义：

疲劳驾驶是指驾驶员在驾驶的过程中出现疲倦状态，导致不能正常驾驶。驾驶员产生疲劳之后，思维能力下降，反应迟钝，注意里分散，视力下降。当驾驶员在驾驶过程中出现疲劳状况时，容易引发交通事故。

根据美国国家公路交通安全管理局统计，在美国平均每年因疲劳驾驶导致10万起交通事故，约1550起交通事故导致人员人死亡，71万起导致人员受伤，直接经济损失125亿美元。据美国睡眠基金会的2005年的睡眠调查，在2.8亿受访者当中，有60%（约1.7亿）的人说他们在过去的一年里曾经在驾驶过程中感到过疲倦，37%（约1亿）的人承认他们曾经在驾驶过程中睡着了，4%（约1100万）的人说他们曾经因疲劳驾驶遭受过意外或差点遭受意外。

欧洲的情况也是如此：根据英国汽车协会统计，英国车祸的死亡事故中，有10%是因司机疲劳驾驶引起的。在德国境内的高速公路上25%导致人员伤亡的交通事故都是由疲劳驾驶引起。

由此可见，疲劳驾驶是造成交通事故的一个重要因素。由于交通事故并不是在一产生疲劳时就发生，如果能找到一种方法，在驾驶中实时检测驾驶员的精神状态，在他们刚刚出现驾驶疲倦的迹象时就发出警报或者强行减速，甚至强制停车休息，那么就能有效的保证行车安全，因此许多国家都积极开展驾驶疲劳检测的研究工作。

二、国内外研究概况及发展趋势（含文献综述）：

驾驶疲劳检测方法的一般思路是：首先选取能够反映疲劳的特征，然后进行特征提取，最后将提取到的特征和预先设定的标准进行比较，判断是否疲劳。根据选取的特征的不同，目前的疲劳驾驶检测的方法研究分为以下两类：

1 基于驾驶员生理反应的方法研究

这类方法需要获取驾驶员的生理信息，通常是通过监测驾驶员的脑电图,心电图,肌电图来判断驾驶员是否疲劳。

脑电图一直被誉为检测疲劳的“金标准”，澳大利亚的Saroj KL Lal和Ashely Craig

[1]

对35名驾驶员进行试验，分析得出他们在清醒、接近疲劳、疲劳、极度疲劳

[2]

和从疲劳中警醒这5个阶段脑电图变化的特点；心电图指标通常包括心率指标和心率变异性指标。上海交通大学的杨渝书

等人采集16名测试者在实验室模拟驾驶90

分钟的心电信号，发现有4个心电时域指标与疲劳程度明显相关；肌电图检测是指在肌肉表面固定好电极，用肌电图记录仪记录肌电信号。通过分析肌电图得出：肌电图的频率随着疲劳的产生和疲劳程度的加深呈下降趋势，肌电图的幅值增大则表明疲劳程度的加大

[3]

。

2. 基于计算机视觉的方法研究

由于监测驾驶员的生理信号的仪器需要使用传感器来获取驾驶员的生理信息，如脑电图、心电图和肌电图的测量需要在皮肤上粘贴电极，会给驾驶员带来不适，影响驾驶员操作。目前开展的疲劳检测研究主要是利用计算机视觉的技术来监测驾驶员的物理反应。一般的做法是使用摄像机采集驾驶员脸部视频序列，然后进行视频处理，提取所需要的眼睛特征，如眨眼频率，睁闭眼时间，然后统计PERCLOS值，判读驾驶员是否处于疲劳状态，该方法的关键技术是人脸识别和眼睛定位。

2.1 人脸识别技术

人脸图像包含丰富的特征信息，其中最典型的有颜色特征（肤色、发色等）、轮廓特征（椭圆轮廓等）、结构特征（对称性、投影特征等）。为了利用这些特征信息进行人脸检测，国内外的有关学者设计了多种多样的人脸检测方法，根据对人脸特征信息利用方式的不同，可以将人脸检测的方法分为以下两类： 2.1.1基于先验规则的方法

基于先验规则的方法直接利用先验的人脸知识信息，在提取一些低层次的特征的基础上再对图像进行基于知识的分析以进行人脸检测，根据所用先验知识的不同，可细分为：

①轮廓规则

人脸的轮廓可近似地看成一个椭圆，则人脸检测可以通过对检测椭圆来完成，Govindaraju

[4]

等把人脸抽象为3段轮廓线：头顶轮廓线，左侧脸轮廓线和右侧脸轮

廓。对任意一幅图像，首先进行边缘检测，并对细化后的边缘提取曲线特征，然后计算各曲线组合成人脸的评估函数检测人脸。

②器官分布规则

虽然人脸因人而异，但都遵循一些普遍适用的规则，即五官分布的几何规则。检测图像中是否有人脸即是检测图像中是否存在满足这些规则的图像块。这种方法一般首先对人脸的器官或器官的组合建立模板，如双眼模板、双眼与下巴模板，然后检测图像中器官可能分布的位置，对这些位置点分别组合，用器官分布的几何准则进行筛选，从而找到可能存在的人脸

③肤色、纹理规则

人脸肤色聚类在颜色空间中一个较小的区域，因此可以利用肤色模型有效地检测出图像中的人脸。

2.1.2 基于统计学习的方法

它主要采用了在模式识别领域的一些新进展，将人脸检测当作一个“二分类问题”，使用大量的人脸与非人脸样本训练，构造分类器，通过判别图像中所有可能区域属于哪类模式的方法实现人脸的检测，把人脸检测问题转化为统计模式识别问题。其主要方法有：神经网络方法，支持向量机方法SVM，Adaboost方法和主成分分析PCA。由于人脸检测问题的复杂性，针对不同的应用场合，每种方法都有其适用范围，同时也有其局限性，也就是说现在还不存在万能的人脸检测方法。利用多种特征（轮廓、器官、肤色），综合多种统计方法（概率模型、神经网络、SVM、Adaboost等），将是今后人脸检测发展方向之一。

[5,6]

。

2.2 眼睛定位技术

眼睛作为人脸的重要特征，目前的眼睛定位方法较多，归纳起来有区域分割法、边缘提取法、灰度投影法以及模板匹配等。

区域分割法

[7]

首先对人脸的二值图像进行区域分割，然后设定一系列经验值和支

持函数粗定位眼睛，该方法对于如人眼闭合、戴眼镜等情况定位失败。

边缘提取法

[8,9]

是首先进行对人脸图像进行边缘提取，然后用霍夫变换检测眼

球，构造一个包括眼睛、眼睑的眼部模板，用一系列函数从能量角度找出眼睑。该方法需要做大量预处理，参数过多的眼部模板不适用于个体差异太大的人脸。