学位论文 > 优秀研究生学位论文题录展示

基于人脸定位技术的疲劳驾驶检测方法

作　者: 孙睿
导　师: 马争
学　校: 电子科技大学
专　业: 通信与信息系统
关键词: 疲劳驾驶检测 PERCLOS 人脸定位 AdaBoost OpenCV LBP
分类号: TP391.41
类　型: 硕士论文
年　份: 2010年
下　载: 215次
引　用: 0次
阅　读: 论文下载

内容摘要

随着车辆的不断增加,交通问题越来越受到关注。其中,因为疲劳驾驶产生的交通事故成为了一个重大社会问题。因此,寻求一种车载、实时、客观的疲劳驾驶检测技术,对于减少因为疲劳驾驶产生的交通事故,保障人民生命财产安全,加强客运安全管理等方面有重大意义。在本文中,首先概述了各种疲劳驾驶检测方法,确立了使用PERCLOS(percentage of eyelid closure over the pupil over time,人眼闭合的百分比)方法作为研究的方向。这是因为PERCLOS方法具有设备简单、成本较低、舒适可靠的特点。并且重点研究如何通过人脸图像技术实现PERCLOS的办法。本文的主要工作如下:1.详细阐述了Viola经典人脸定位的方法,该方法包括了:haar-like特征,光平衡的预处理,级联AdaBoost分类器,多尺度问题等一个完整的解决人脸检测定位的系统方案。2.详细阐述了如何将Viola人脸定位方法运用于疲劳驾驶检测的各个环节中:包括人眼定位,人眼状态识别以及PERCLOS计算。3.应用OpenCV实现了疲劳驾驶检测的演示程序。包括应用OpenCV实现视频图像的读取,各个分类器的训练,以及目标检测等。4.除了使用haar-like特征外,还对使用LBP特征进行了一些实验探索,研究了一种LBP特征缩放的方法,和一种快速高效的人眼定位与状态识别的方法。5.对本文PERCLOS方法做出总结并对进一步的研究工作做出了一些展望。

全文目录

摘要  4-5
ABSTRACT  5-8
第一章绪论  8-14
  1.1 引言  8
  1.2 疲劳驾驶检测技术的发展概况及现状  8-12
    1.2.1 国内外疲劳驾驶检测技术的种类和发展趋势  8-10
    1.2.2 基于PERCLOS 方法的疲劳驾驶检测技术概述  10-12
  1.3 研究的主要内容及采用的方法  12-14
第二章经典人脸图像技术在疲劳驾驶检测中的应用  14-35
  2.1 人脸定位技术的概述  14-15
  2.2 Viola 经典人脸定位算法的介绍  15-27
    2.2.1 模式识别与人脸定位  15-17
    2.2.2 haar-like 特征  17-21
    2.2.3 光照均衡的预处理  21
    2.2.4 AdaBoost 分类器  21-25
    2.2.5 多尺度问题  25-27
  2.3 CAS-PEAL-R1 人脸库  27-28
  2.4 利用Viola 方法进行人眼定位  28-31
    2.4.1 人脸定位与人眼定位的差异  29-30
    2.4.2 人眼定位的技巧  30-31
  2.5 利用Viola 方法进行人眼状态识别  31-33
  2.6 使用PERCLOS 方法进行疲劳检测  33-34
  2.7 本章小结  34-35
第三章运用OpenCV 进行疲劳驾驶检测程序设计  35-48
  3.1 OpenCV 介绍  35-36
  3.2 运用OpenCV 应用程序进行目标检测  36-41
  3.3 目标检测相关的函数  41-43
  3.4 疲劳驾驶检测演示平台  43-47
    3.4.1 疲劳驾驶检测演示系统组成  43-45
    3.4.2 疲劳驾驶检测演示软件  45-47
  3.5 本章小结  47-48
第四章运用LBP 特征理论进行疲劳驾驶检测的探索  48-62
  4.1 LBP 特征方法介绍  48-52
    4.1.1 原始LBP  48-49
    4.1.2 LBP 扩展  49-50
    4.1.3 非参数分类理论  50-51
    4.1.4 旋转不变LBP  51-52
    4.1.5 对比度和纹理模式  52
    4.1.6 多分辨率LBP  52
  4.2 运用LBP 特征缩放实现人脸定位  52-56
    4.2.1 LBP 理论扩展  53-55
      4.2.1.1 LBP 参数实数化  53-54
      4.2.1.2 二进制环状子窗口  54
      4.2.1.3 边缘区域  54-55
      4.2.1.4 LBP 特征的缩放  55
    4.2.2 LBP 特征的运用  55-56
      4.2.2.1 LBP 特征的获得  55
      4.2.2.2 训练  55
      4.2.2.3 人脸定位检测  55-56
    4.2.3 实验  56
    4.2.4 结论  56
  4.3 LBP+SVM 模式实现人眼定位与状态识别  56-61
    4.3.2 候选点的选取  58-59
    4.3.3 SVM 验证  59
    4.3.4 候选点的选取  59-60
    4.3.5 结论  60-61
  4.4 本章小结  61-62
第五章总结与展望  62-64
致谢  64-65
参考文献  65-69
攻读硕士学位期间的研究成果  69-70

基于人脸定位技术的疲劳驾驶检测方法

内容摘要

全文目录

相似论文