基于PERCLOS判据的驾驶员疲劳监测系统

针对疲劳驾驶监测常用算法运算效率低的问题,提出了一种基于单位时间内人眼闭合时间所占比例(PERCLOS)判据的驾驶员疲劳监测方案。针对传统顺序执行算法运算效率低的问题,提出了基于流水线算法的人脸检测及人眼跟踪算法。针对传统顺序式算法对硬件要求高的问题,本系统运行在低端现场可编程门阵列(FPGA)上,设备成本大幅降低。并利用PERCLOS判据作为判断驾驶员是否疲劳的依据。实验表明,本文所提出的基于流水线算法的图像处理算法使系统拥有了较高的实时性和较低的资源占用,实现了60fps的处理速度,系统的准确度达到了95%以上。

基于眼睛状态检测的驾驶员疲劳驾驶分析

利用眼睛的状态对驾驶员疲劳进行分析主要有人眼检测和疲劳判断两大问题。驾驶过程中受到光照、角度及眼睛闭合等因素的影响,传统的人眼检测技术误码率较高,而混合复杂的检测技术实时性较差。针对该问题,文章提出一种适用于驾驶员驾驶过程中的人眼快速定位算法。该方法由粗到细,综合运用基于OpenCV的人脸识别、二值化、改进型灰度积分投影、Susan算子角点提取等技术,并结合PERCLOS(percentage of eyelid closure)方法进行疲劳分析。实验结果表明,该方法对各种驾驶环境下驾驶员眼睛的定位,都能快速地获得较高的精度,疲劳检测正确率较高。

基于驾驶模拟实验的眼部指标与疲劳分级

基于同济大学8自由度高仿真驾驶模拟器,利用眼动仪采集了15位驾驶员各一小时驾驶过程中眼部指标,将驾驶员的疲劳状态分为清醒、轻度疲劳、中度疲劳、重度疲劳和极度疲劳5个等级,建立了考虑驾驶员个体差异的分层有序离散选择模型.结果表明:分层有序离散选择模型能有效地考虑驾驶员的个体差异,提高了对驾驶员不同疲劳等级的识别准确率.

基于计算机视觉的驾驶疲劳识别方法的研究

汽车驾驶员疲劳驾驶是引发交通事故的重要原因之一,许多国家在进行疲劳报警器的研究。在介绍和比较多种驾驶疲劳测评方法的基础上,阐述PERCLOS评价驾驶疲劳的机理,并与其他几种方法进行对比,以证明其优越性。设计一套驾驶员疲劳监控系统,应用图像差分的方法,灰度直方图、直方图均衡化等图像分析手段,定位和识别驾驶员眼睛睁开与闭合的变化过程,统计出眼睛闭合时间来确定疲劳程度,并通过利用MATLAB得以实现。给出了一种基于PERCLOS的驾驶员疲劳识别的新方法。

基于无线多模态信号采集的驾驶员疲劳监测系统设计研究

目的:设计基于无线多模态信号采集的驾驶员疲劳监测系统,用于驾驶员疲劳评价和体征监测,以确保驾驶员的交通安全。方法:针对采集单人、单一模态数据,对不同场景的适应性不足等问题,设计基于无线多模态信号采集的驾驶员疲劳监测系统,系统通过摄像头记录驾驶员的面部状态,结合眼睑闭合度进行预评价,利用无线通信控制多个自行研制的电生理信号采集设备,实时采集驾驶员的脑电、心电及眼电信号。通过巴特沃斯低通滤波器和小波变换减少电生理信号中的伪迹和干扰,利用非线性变换提取脑电信号三频段差分熵特征、差分法提取心电中的心率特征,对驾驶员体征和疲劳状态进行实时监测、分析和可视化。结果:通过共模抑制比、输入噪声和信号完整性测试验证,驾驶员疲劳监测系统能够满足脑电、心电的医学采集标准;多人、多通道数据采集实时性误差<62.5 ppm;基于三频带非线性特征计算的疲劳程度与主观评价相关性达到89.1%,相较于双频带线性特征的相关性提升了14.2%。结论:基于无线多模态信号采集的驾驶员疲劳监测系统可实时采集驾驶员的多模体征,有效检测其疲劳和监测心率,对确保驾驶员交通安全具有重要意义和应用价值。

基于DM642的嵌入式疲劳驾驶监测系统的实现

针对基于DM642的嵌入式疲劳驾驶监测系统,讨论了系统的总体结构,提出了采用可控光源、奇偶差分帧和人眼跟踪的人眼检测方法。在与奇偶帧图像采集同步的内外圈光源的照射下,利用近轴光源的红眼效应,引起图像奇帧暗瞳孔、偶帧亮瞳孔,由奇偶差分帧快速实现人眼检测与跟踪。同时分析眼睛的特征参数,在一定时间内连续统计眼睛的闭合时间,计算眼睛累计闭合持续时间占某特定时间的百分率(PERCLOS)值来判断疲劳程度并报警。该系统疲劳监测准确率较高,可在汽车驾驶中进行实时疲劳驾驶监测。

基于高斯眼白模型的疲劳驾驶检测

目的为解决疲劳驾驶检测中人眼状态识别的难点,提出一种基于眼白分割的疲劳检测方法。方法首先对获取图像进行人脸检测,利用眼白在Cb-Cr上良好的聚类性,基于YCb Cr颜色空间建立高斯眼白分割模型;然后在人脸区域图像内做眼白分割,计算眼白面积;最后将眼白面积作为人眼开度指标,结合PERCLOS(percentage of eyelid closure over the pupil over time)判定人的疲劳状态。结果选取10个短视频进行采帧分析,实验结果表明,高斯眼白分割模型能有效分离眼白,并识别人眼开合状态,准确率可达96.77%。结论在良好光线条件下,本文方法能取得不错的分割效果;本文所提出的以眼白面积作为判定人眼开度的指标,能准确地判定人的疲劳状态。实验结果证明了该方法的有效性,值得今后做更深入的研究。

基于眼部自商图—梯度图共生矩阵的疲劳驾驶检测

目的疲劳驾驶是引发车辆交通事故的主要原因之一,针对现有方法在驾驶员面部遮挡情况下对眼睛状态识别效果不佳的问题,提出了一种基于自商图—梯度图共生矩阵的驾驶员眼部疲劳检测方法。方法利用以残差网络(residual network,Res Net)为前置网络的SSD(single shot multibox detector)人脸检测器来获取视频中的有效人脸区域,并通过人脸关键点检测算法分割出眼睛局部区域图像;建立驾驶员眼部的自商图与梯度图共生矩阵模型,分析共生矩阵的数字统计特征,选取效果较好的特征用以判定人眼的开闭状态;结合眼睛闭合时间百分比(percentage of eyelid closure,PERCLOS)与最长闭眼持续时间(maximum closing duration,MCD)两个疲劳指标来判别驾驶员的疲劳状态。结果在六自由度汽车性能虚拟仿真实验平台上模拟汽车驾驶,采集并分析驾驶员面部视频,本文方法能够有效识别驾驶员面部遮挡时眼睛的开闭状态,准确率高达99.12%,面部未遮挡时的识别精度为98.73%,算法处理视频的速度约为32帧/s。对比方法 1采用方向梯度直方图特征与支持向量机分类器相结合的人脸检测算法,并以眼睛纵横比判定开闭眼状态,在面部遮挡时识别较弱;以卷积神经网络(convolutional neural network,CNN)判别眼睛状态的对比方法 2虽然在面部遮挡情况下的准确率高达98.02%,但眨眼检测准确率效果不佳。结论基于自商图—梯度图共生矩阵的疲劳检测方法能够有效识别面部遮挡时眼睛的开闭情况和驾驶员的疲劳状态,具有较快的检测速度与较高的准确率。