基于多視覺信息融合的駕駛員疲勞檢測方法研究與實現(xiàn).pdf

1、駕駛員疲勞駕駛是造成交通死亡事故的重要原因之一，駕駛疲勞檢測已成為智能運輸系統(tǒng)（ITS）研究的熱點之一。本文首先對基于計算機視覺的駕駛員疲勞檢測的研究現(xiàn)狀進行了總結(jié)和分析，并提出一種基于多視覺信息融合的疲勞檢測方法。該方法采用雙攝像機聯(lián)合定位跟蹤面部，有效地提高了面部信息采集的精度，然后通過一系列的臉部特征提取和跟蹤的算法實時獲取眼睛、嘴部、頭部運動等多種與疲勞程度相關(guān)的重要視覺特征信息；最后提出一種改進的貝葉斯算法融合多視覺信息來估計

2、駕駛員的疲勞程度。
　　 本文研究的核心內(nèi)容包括：基于雙攝像機的人臉定位跟蹤算法研究與實現(xiàn)；眼睛和嘴部特征實時檢測與跟蹤算法研究與實現(xiàn)；多種視覺疲勞特征信息提取、貝葉斯多信息融合等算法的實現(xiàn)與改進。
　　 首先提出了一種基于雙攝像機的人臉定位跟蹤算法。本文通過兩個攝像機實時地采集駕駛員視頻圖像，其中固定攝像機A用于拍攝駕駛員上半身，可控攝像機B用于跟蹤拍攝駕駛員而部，并提出了一種基于膚色區(qū)域分割與人臉驗證相結(jié)合的人臉初步

3、定位方法和基于CAM Shift跟蹤與人臉驗證相結(jié)合的跟蹤方法從攝像機A采集的圖像中快速定位和跟蹤臉部位置。系統(tǒng)根據(jù)攝像機A中定位的臉部位置信息，通過串口發(fā)送云臺控制指令控制高速可控攝像機B實時轉(zhuǎn)動，跟蹤拍攝駕駛員頭部。實驗結(jié)果顯示基于雙攝像機的人臉定位跟蹤算法相比單攝像機算法可以有效地提高臉部圖像的采集精度，獲得大分辨率的臉部圖像，以便更精確地提取臉部疲勞特征信息。同時系統(tǒng)還可以在對攝像機A所得視頻的處理過程中獲取駕駛員的頭部運動信息

4、。
　　 除了獲取頭部運動信息，還改進和提出了一系列眼睛及嘴部特征實時檢測與跟蹤的算法，提取從攝像機B所得視頻中實時地采集駕駛員的眼睛和嘴部狀態(tài)信息作為疲勞程度估計的主要特征。本文提出了一種改進的粒子濾波人眼定位及跟蹤方法，首先采用了基于Haar-Like特征級聯(lián)分類器的檢測方法，在人臉區(qū)域內(nèi)按照不同尺度搜索存在的眼睛，然后通過檢測到的眼睛位置初始化粒子濾波算法。為了提高算法的準(zhǔn)確性，減小環(huán)境噪聲和干擾的影響，本文提出了一種一階

5、濾波算法來對跟蹤結(jié)果進行再次濾波修正，并根據(jù)人臉的位置信息和眼睛定位的歷史信息來判斷眼睛是否跟蹤丟失。若跟蹤丟失則采用Haar-Like特征級聯(lián)分類器重新檢測眼睛位置。
　　 嘴部定位采用三停五眼的方法。此方法簡單，效率較高。其原理是根據(jù)眼睛的位置及大小確定嘴部的相對位置。
　　 本文選取了多種視覺特征作為疲勞估計特征，包括眼睛閉合程度、眨眼頻率、打哈欠頻率和點頭頻率。本文分析了相關(guān)的視覺疲勞特征計算方法，并提出一種判斷

6、眼睛及嘴部開合狀態(tài)的新方法。其原理是根據(jù)眼睛或嘴部的外接矩形寬高比及面積判斷眼睛及嘴部狀態(tài)。與以往的算法相比該方法可以更精確地表示眼睛及嘴部的狀態(tài)。該方法是獲得眼睛閉合程度、眨眼頻率、打哈欠頻率的基礎(chǔ)算法。點頭頻率特征是通過跟蹤頭部運動獲得的。
　　 最后，采用貝葉斯算法對以上疲勞特征進行融合，計算駕駛員疲勞程度。由于動態(tài)貝葉斯網(wǎng)絡(luò)中轉(zhuǎn)移概率較難獲取，本文提出一種概率更新的方法實現(xiàn)了對疲勞特征的動態(tài)貝葉斯融合，并在室內(nèi)環(huán)境對算法