基于人臉面部信息的疲勞駕駛檢測系統(tǒng)的設計與實現(xiàn).pdf

1、眾所周知，疲勞駕駛已經(jīng)是成為引發(fā)全球交通事故的又一大重要原因，同時其所帶來的行車安全隱患也日益受到大眾的廣泛關注。采用科學檢測的方法輔助安全駕駛，預防駕駛員駕駛疲勞已經(jīng)是當前研究的熱點問題之一。
　　本論文采用基于視頻的人臉面部特征狀態(tài)分析方法來判定駕駛是否處于疲勞狀態(tài)。首先,本文綜合比較了各種人臉檢測方法的性能優(yōu)劣，選擇了通過訓練正面人臉樣本分類器的方式對人臉進行實時檢測，較好地滿足了系統(tǒng)的實時性要求，而且分類器訓練過程簡單，方

2、便并易于實施。其次，針對人臉檢測階段出現(xiàn)的頭部較大偏轉或是面部被遮擋情況下不能檢測到人臉的情況，提出了人臉跟蹤策略，并創(chuàng)新性地加入了TLD跟蹤算法，通過在線學習的方式使得系統(tǒng)能夠適應多種特殊條件下的人臉檢測與跟蹤。然后，采用建立人眼面積數(shù)學模型的方式分析人眼狀態(tài)，綜合分析了影響人眼目標區(qū)域面積大小的各種因素，包括駕駛員至攝像頭距離和不同人臉特征，通過控制變量法對模型進行論證求解，將得到的一系列數(shù)據(jù)集反饋更新數(shù)學模型，從而使得模型更加精確

3、有效地判別出人眼的實時狀態(tài)。
　　通過分析不同時期人嘴巴的活動狀態(tài)，獲得了嘴巴寬高比變化曲線 Km。該曲線描繪了駕駛員嘴巴在不同情況下的狀態(tài)變化曲線。將Km變化曲線作為衡量駕駛員是否疲勞的又一關鍵特征，從而有效避免了只依賴于人眼特征的單一性和不確定性。在PERCLOS算法中P80模型的基礎上，并結合嘴巴高寬比Km變化曲線，采用加權方式獲得最后的疲勞判決條件，利用多特征信息融合判斷駕駛員是否駕駛疲勞。最后，經(jīng)系統(tǒng)實驗驗證，本文所提算