当前位置:首页 > 疲劳驾驶检测方法 本科毕设开题报告
灰度投影法
[10,11]
对人脸图像进行水平和垂直方向的投影,根据波峰波谷的分布
信息来定位眼睛,这种方法定位速度较快,但波峰波谷的分布对不同的人脸和姿态的变化非常敏感,定位精度较差,并易陷入局部最小而导致定位失败。
模板匹配是一种有效的模式识别技术,它能利用图像信息和有关识别模式的先验知识,更加直接地反映图像之间的相似度,传统的模板匹配方法首先要分别得到左眼和右眼模板,然后分别用左右眼模板在图像中进行匹配,得到两个相似度最大的点作为定位的眼睛,这种方法使用方便,但计算量较大,定位准确率较低(因为左眼和右眼模板不能适用于库中的每个人,往往只能定位到一只眼睛)。此外还有一些其它的定位算法如对称性法、神经网络法、多分辨率的马赛克图法等。
由于人脸作为一个非钢体,在信息输入时存在尺度、位置、姿态变化问题,很难做到面面俱到,又因为眼睛定位算法本身存在如计算量大,算法不易实现的局限性。所以目前的眼睛定位算法最终的目标是在定位速度,定位精度和定位稳定度之间寻求平衡。
三、研究内容及实验方案:
该研究利用CCD摄像机和采集卡实时捕捉驾驶员面部图像,应用C++Builder 6.0在Windows XP平台上开发驾驶疲劳检测系统,该系统对采集到的视频进行肤色分割,人脸识别,眼睛定位,统计近30s的眼睛闭合持续时间根据PERCLOS判断驾驶员是否产生疲劳。
1. 研究内容
利用CCD摄像机和视频采集卡进采集人脸图像序列,对采集到图像进行肤色分割。在肤色分割过程中,色彩空间选取为YCbCr,肤色模型为高斯模型,根据肤色模型,计算图像中的像素点的肤色概率,然后归一化到0~255,得到人脸灰度图像。对灰度图像进行二维高斯函数进行平滑,抑制噪声。考虑到检测的实时行,在最佳阈值选取上采用2维最大类间方差快速迭代算法,以提高程序运行速度。为避免将肤色区域错分为背景,在图像二值化的过程中采用双阈值,从而有效的保护了肤色区域和类肤色区域。对二值图像进行连通域检测,彻底消除背景和类肤色区域,凸现人脸区域。连通域检测算法大都采用像素标记法,传统的像素标记法需要对图像进行多次扫描,才能准确的划分连通标记,本研究采用基于链表的连通域检测算法,该算法以连通直线为最小处理单元,只需对图像扫描以一次,就能给每个连通域分配唯一标记,并且该算法还能统计连通域像素的数目和连通域的边界位置。在检测到的面部区域中进行一次连通域检测,寻找人脸五官区域。最后根据人脸面部特征的几何关系定位人眼。进而获得每帧图像中眼睛的睁闭信息,统计近30s的眼睛闭合持续时间,计算PERCLOS
值,检测驾驶员是否疲劳。
2.系统框图:
视频采集 肤色检测 图像平滑 阈值分割 连通检测 人脸识别 连通检测 疲劳检测 面部特征识别 眼睛定位 图1 驾驶疲劳检测系统框图
如图1所示,系统对采集到视频进行实时处理,主要包括肤色分割,连通检测,人脸识别和眼睛定位,计算PERCLOS值,最终判断驾驶员是否出现疲劳。
四、目标、主要特色及工作进度 1.目标
(1) 实时性
系统能够实时对采集到的视频进行图像处理,检测驾驶员是否处于疲劳状态。 (2) 准确性
在一定距离范围内能自动识别人脸,对于未采集到人脸的图像应停止疲劳检测,采集到的人脸后眼睛定位准确,检测结果能真实反映驾驶员的精神状态。
2.主要特色
采用连通域检测,保证了人脸识别和眼睛定位的精度。
3.进度
第1-3周:安装采集卡和驱动程序,了解采集卡函数库的功能和参数。熟悉C++Builder
的编程环境,学习C++的类和对象的创建方法在C++Builder中进行视频采集的和保存。
第4-6周:对采集到的视频序列利用高斯模型进行肤色分割,在此基础上进行高斯滤
波,利用最大类间方差计算阈值,实现图像的二值化,之后进行图像腐蚀。
第5-8周:实现连通域的检测,作初步的人脸识别。利用连通域检测算法,做面部特
征识别。利用面部特征的几何关系定位眼睛。
第9-10周:实现系统的样本采集功能,提高系统的通用性。计算PERCLOS,检测驾驶
员是否疲劳。
第11-12周:软件调试,撰写毕业设计论文。
五、参考文献
[1] .Saroj KL Lal and Ashley Craig.Policing & Education Conference[C]. Pattern
Recogintion,2000.19(21):1010-1024
[2].杨渝书,姚振强,李増勇.心电图时域指标在驾驶疲劳评价中的有效性研究[J].
机械设计与制造,2002,(5):94-95
[3].郑培,宋正河,周一鸣.机动车驾驶员驾驶疲劳测评方法的研究状况及发展趋势
[J].中国农业大学报,2001,6(6):101-105
[4].Govindaraju V.Locating human faces in Photographs[J].International
Journal of Computer Vision,1996,19(2):129-146
[5].Jeng S.H,Liao H YM,Han C C,et al.Facial feature detection using
geometrical face model:an efficientapproach[J].Pattern Recognition, 1998,31(3):273-282.
[6].Yow K C,Cipolla R.Feature-base human face detection[J].Image and Vision
Computing,1997,15(9):713-735.
[7].山世光,高文,陈熙霖.基于纹理分布和变形模板的面部特征提取[J].软件学
报,2001,12(4):127-134
[8].张欣,徐彦君,杜利民.彩色图像中主要人脸特征位置的全自动标定[J].中国图象
图形学报,2005,5(A):45-60
[9].王磊,莫玉龙,戚飞虎.基于霍夫变换和眼睑模板的眼睛特征提取[J].红外与毫米
波学报,1999,18(1):30-34
[10]. Brunelli R,Poggio T.Face Recognition:Features versus Templates[J].IEEE
Transaction on PRIA ,1993,15(10):1042-1052
[11].耿新,周志华,陈世福.基于混合投影函数的眼睛定位[J].软件学报,
2003,14(8):87-93
共分享92篇相关文档