基于CLM的驾驶员违章打电话检测系统设计

为减少因违章打电话造成的交通事故发生,本文利用计算机视觉技术对驾驶员违章打电话的行为进行检测,基于受约束局部模型检测嘴部区域的特征变化,结合色调饱和度亮度(hue-saturation-valiue,HSV)彩色空间模型特征和模板匹配检测手部特征来判断驾驶员是否存在使用电话的行为。该方法可适应驾驶室内光线的复杂变化,达到较好的测试结果,且程序存在良好的可移植性,方便在嵌入式系统和车载机上实现。验证结果表明,该系统对光照有较好的抗干拢能力,可实现实时监测和输出,并对驾驶员的驾驶行为进行检测,而且与只检测手部皮肤来确定是否存在打电话的行为方法相比,本文方法具有更高的精度,减少了误报的出现。该研究可对驾驶员的违章行为进行及时有效的提醒,有利于减少交通事故,保证安全驾驶。

CLNF在人脸识别中的应用研究

针对人脸特征点定位的精确性对人脸识别系统精确性的影响,本文在受约束的局部模型(constrained local models,CLM)基础上,主要研究人脸特征点定位算法——受约束的局部神经域模型(constrained local neural fields,CLNF)算法。考虑每个patch模型(特征点检测器)的可靠性,CLNF结合局部神经域(local neural field,LNF)的patch模型,在拟合过程中,由原来的正则化特征点均值偏移(regularised landmark mean shift,RLMS)改为采用不均匀的正则化特征点均值偏移方法进行人脸拟合,同时,在人脸数据集Multi-PIE上进行实验,并对比分析两种模型。分析结果表明,CLNF定位算法在平均用时、成功率及误差率方面都具有明显优势,证明CLNF的LNF patch模型在人脸特征点拟合的精确性相对于CLM有明显提高。该技术拟合速度更快,拟合准确率更高,能够使人脸识别技术更加精确,具有更大的优势。该研究具有广泛的应用前景。