当前位置:文档之家› 智能交通系统概论终结

智能交通系统概论终结

智能交通系统概论基于视频的驾驶员疲劳驾驶检学院:专业:姓名:学号:基于视频的驾驶员疲劳驾驶检摘要随着我国经济的高速发展,汽车大量普及,交通安全问题也日益严重,每年在交通事故中死亡的人数也明显增多,同时也带来了重大的经济损失,而在交通事故中,不可忽略的因素就是疲劳驾驶。

为了解决驾驶员疲劳驾驶实时监控的问题,本文通过安装在车上的视频监控对驾驶员的驾驶状态进行分析,(1)采用AdaBoost方法进行初步的人脸检测,利用Haar-like小波特征描述检测目标和利用积分图进行加速,从而完成初步人脸定位。

(2)采用ASM方法对面部特征点定位。

(3)人脸特征点跟踪:根据跟踪结果的置信度,建立人脸特征跟踪的跟踪策略,从而决定跟踪模块和模块之间的切换。

(4)最终利用眼睛和嘴巴的运动特征,对面部运动进行量化描述,根据优化后的时间窗长度,计算面部运动统计指标进行疲劳检测。

此种方法是直接可以在现有的汽车装置上进行应用,有较高的应用价值。

关键词:疲劳驾驶;人脸检测;特征检测;运动特征;疲劳检测AbstractAlong with the economy of our country develop rapidly and the number of the cars is increasing, the problem of the traffic safety is becoming more and more serious, as a result, the number of the people who were killed in the traffic accident are increasing ever year, at the same time it also brought a great economic losses. However, for the traffic accident, one of the neglected factor is that fatigue driving. In order to solve the problem of driver fatigue driving real-time monitoring, in this paper, on the basis of video monitor installed in the car on the driver's driving condition is analyzed, (1) using AdaBoost method carries on the preliminary face detection, using Haar - like little potter character description to detect target and acceleration, by means of integral figure to complete the preliminary face positioning. (2) using ASM method of facial feature points positioning. (3) facial feature points tracking: according to the tracking results of confidence, tracking strategy, establish facialfeature tracking to determine trace switch between modules and modules. (4) the use of the movement of the eyes and mouth features, to quantitative description of facial movements, according to the optimized time window length, detect fatigue calculation facial movements of statistical indicators. This method is directly can be applied in the existing automobile device, has higher application value.Key words:Fatigue driving; Feature detection; Movement characteristics; fatigue test引言世界卫生组织预测,现在到2030年,机动车数量增加使得交通事故死亡增加一倍,其中疲劳驾驶是主要原因之一,据调查显示,25%导致人员伤亡的交通事故是由疲劳驾驶引发的。

而根据法国警察总署事故统计,因疲劳驾驶而发生的车祸的占人身伤害事故的14.9%,占死亡事故的20.6%,而美国公路交通安全管理估计,美国每年有10万起交通事故是由疲劳驾驶引起的,疲劳驾驶会使事故发生的危险增加4到6倍。

而在我国其中数据显得更为严重。

1疲劳驾驶定义及影响疲劳驾驶是指驾驶员在驾驶机动车的过程中,由于长时间的不休息和超强度的操劳,以致体力、脑力、心力并用,体力、精力消耗严重,从而出现视线模糊、反应迟钝、动作呆板等驾驶技能下降的疲倦显现,以及打盹等驾驶机能低落现象的总称。

疲劳驾驶会影响到驾驶员的注意、感觉、知觉、思维、判断、意志、决定和运动等各个方面。

因此疲劳后驾驶会感觉到瞌睡,四肢无力,注意力不集中,判断能力下降,严重的会出现精神恍惚或者是瞬间记忆消失,出现动作迟缓或过早,这样的情况下极易发生交通事故。

2研究目的及方法比较防止驾驶员疲劳驾驶,从而避免交通事故,保障人民的生命财产安全,因此开展针对驾驶员疲劳检测方法的研究具有重要的理论和实际应用价值。

各种研究方法及其特性比较:3关键技术及具体方法3.1 初步人脸检测采用AdaBoost 方法进行人脸检测,利用快速的特征计算方法,加快了检测速度。

(1)计算图像特征:建立有代表性的训练样本库,获取大量人脸和非脸图像并进行尺寸归一化,采用Haar-like 小波特征描述待检测目标,利用积分图进行Haar-like 小波特征的快速计算,得到该图像的所有Haar-like 小波特征(2)利用所述小波特征的快速计算得到的图像特征训练强分类器:用基AdaBoost 的学习算法从一个大的Haar-like 小波集( 弱学习器) 中选择特征,然后将弱学习器组合成强分类器( 可以达到高效分类。

特征过多会导致检测实时性的降)3.2人脸特征点定位ASM 方法进行面部特征点的定位,采用形状信息和局部表观特征相结合的方法,对眼睛、嘴巴等面部特征点进行由粗到精的准确定位。

(1)对眼睛、鼻子、嘴巴进行初步定位后,采用主动形状模型(ASM) 对人脸特征点( 特征点是指面部那些包含丰富轮廓信息的点) 进行精确定位( 只要在人脸训练图像中包含足够多的人脸变化情况,就可以训练出具有足够表达能力的人脸模型,而且针对佩带眼镜、面部角度变化、非均匀光照等方面,具有较好的鲁棒性) 。

(2)建立训练样本数据:在每幅样本图像( 用于训练的图象) 上标定出( 可用手工完成)N 个轮廓点( 即作为特征点) 建立训练样本数据;每副训练图像的人脸形状可用一套特征点坐标来表示:xj =(x1,y1,x2,y2,.....xN,yN),其中(xi,yi) 是第j 副图像中第i 个特征点的坐标,N 为特征点个数,每幅图像代表一个形状向量。

获取每一个特征点( 轮廓点) 附近的特征信息( 特征点附近的灰度、纹理信息),用这些特征信息作为进行匹配的主要依据。

(3)基于训练样本数据,建立样本图像的形状模型:对样本图像的形状向量归一化( 由于各个样本图像拍摄条件、分辨率的差异,得到形状向量的坐标具有不同的比例尺寸,因此要归一化) ;通过平移、旋转、缩放等一系列图像变换,使所有样本图像在同一坐标系中具有一致性的表示;将所有样本图像中抽取的形状向量连接起来构成训练数据,经过主成份分析,对训练数据去相关和降维;(4)建立形状模型之后,建立局部表观模型:( 局部表观模型用来表示每个特征点周围的灰度表观结构,该模型在最终的搜索中用来在图像中发现人脸连特征点) 在每幅图像的每个特征点沿着轮廓法线方向抽取若干像素作为灰度特征,建立相关的局部表观模型;采用灰度平均值和协方差作为该点的匹配特征,对每个特征点作同样的采样分析可得(5)利用建好的形状模型和局部表观模型进行特征点匹配:在每个特征点的可能搜索位置建立局部表观模型,并采用马氏距离作为匹配函数去比较在当前点计算得到的局部表观模型和对应形状模型上的点的平均局部表观模型的相似程度;距离越小,对应点的局部表观模型越相似,相似程度越大,对应的特征点被移到局部表观模型最为相似的位置去;在新的迭代开始前,不断调整人脸姿势和形状的参数去匹配新的位置点;然后ASM利用局部表观特征进行迭代,在每步迭代中通过调整形状参数向量改变当前模型的位置和形状,完成图像与模型的匹配;搜索步长取决于每次迭代特征点所允许移动的距离;当距离不再变小时( 即相似程度不再变大),迭代完成,人脸ASM 模型就收敛在新的位置上。

3.3人脸特征点跟踪根据跟踪结果的置信度,建立人脸特征跟踪的跟踪策略,决定检测模块和跟踪模块的切换。

(1)在当前帧进行人脸特征点定位后,在下一帧对人脸特征点进行跟踪。

用当前帧的脸特征点位置作为迭代的初始位置,继续运行ASM 算法搜索下一帧的特征点位置,于是人脸特征点位置就可以在图像序列中一帧帧地通过跟踪得到(2)(在特征点跟踪过程中,随着人脸角度、表情、光照的不断变化,特征点位置的误差会逐步累积、增大,最终导致无法准确定位人脸特征点位置。

因此) 在跟踪过程中当误差累积到一定程度的时候,截断跟踪误差,进行新的检测,对人脸特征进行新的初始定位,使人脸特征点跟踪从检测到的新的准确的位置开始,继续进行特征点的定位和跟踪3.4疲劳检测最终利用眼睛和嘴巴的运动特征,对面部运动特征进行量化描述,根据优化后的时间窗长度,计算面部运动统计指标进行疲劳检测。

结论对于硬件没有特殊的要求,而且不涉及复杂运算,实时性好,可以满足实际中的实时应用。

在佩戴眼镜、人脸角度、非均匀光照等方面,具有较好的鲁棒性。

可以适用于各种类型的车辆,提醒驾驶员处于疲劳状态,避免交通事故的发生。

参考文献1、《基于视频的驾驶员疲劳状态检测方法研究》大连海事大学硕士论文2、《基于改进的ASM方法的人脸特征点检测》中山大学硕士论文3、《基于Adaboost的人脸检测方法及眼睛定位算法研究》期刊4、《基于视频的驾驶员疲劳检测技术的研究》哈尔滨理工大学硕士论文。

相关主题