基于视觉的驾驶员疲劳特征提取方法

对驾驶员疲劳检测方法进行了研究,对近年来疲劳检测的研究现状进行了简要介绍,针对驾驶员疲劳检测提出了一种基于视觉的疲劳特征提取方法。对采集图像进行预处理从而提高图像对比度,利用AdaBoost算法定位人脸和眼睛区域,采用自适应阈值方法分割唇色和肤色,提取嘴唇区域;通过计算眼睑和瞳孔区域像素个数占眼部区域像素总个数的比值和嘴部区域的宽高比,分别判断眼睛和嘴巴的开闭状态,从而提取出PERCLOS特征、眨眼频率和哈欠频率等面部疲劳特征,通过疲劳特征可以进一步判断驾驶员的疲劳状态。实验结果表明,该方法可以准确定位眼部和嘴部区域,判断出视频中人员眨眼和打哈欠的次数,实现在复杂背景下驾驶员的疲劳特征提取,为后续驾驶疲劳分析提供重要的依据。

基于面部信息的挖掘机驾驶员疲劳特征提取

针对挖掘机驾驶员疲劳驾驶导致操作事故问题,文章提出一种基于面部信息的挖掘机驾驶员疲劳特征提取方法。首先采用基于AdaBoost算法对人脸和眼部区域进行定位,根据“三庭五眼”的脸部特征定位嘴部;其次用大津法二值化眼部图像,并根据其垂直积分投影判断眼睛状态;最后采用基于Canny的嘴部边缘检测方法获取嘴部似圆度判断嘴部状态。实验表明,该文提出的方法能准确获取驾驶员闭眼和打哈欠的次数,疲劳特征为后续疲劳检测提供了依据。

基于深度学习的疲劳驾驶检测算法

为实现复杂驾驶环境下驾驶人员疲劳状态识别与预警,提出基于深度学习的疲劳驾驶检测算法。利用基于shuffle-channel思想的MTCNN模型检测常规摄像头实时采集的驾驶人员人脸图像,使用PFLD深度学习模型进行人脸关键点检测以定位眼部、嘴部和头部位置,从中提取眨眼频率、嘴巴张开程度和点头频率等特征参数,并通过多特征融合策略获取驾驶人员疲劳状态,从而实现疲劳驾驶的有效预警。实验结果表明,该算法给出的疲劳驾驶预警结果均未出现误判情况,具有较高的检测准确率和较好的鲁棒性。

基于Viola-Jones框架人脸检测算法的汽车疲劳驾驶检测

疲劳驾驶导致汽车交通事故逐年增加,为了提升驾车的安全性,需对驾驶员疲劳状态实时监测并及时提醒.为了提高疲劳驾驶判断效率及准确率,本文运用Viola-Jones框架特征矩阵进行人脸预判断;预判断过程中为了减少Haar值计算量并提高人脸识别速度,采用Adaboost算法和级联分析,剔除非人脸的Haar特征值,实现快速人脸识别;根据色彩空间转化实现眼部分割处理,根据PERCLOS值评估驾驶员是否处于疲劳状态并提前予以警示;通过MATLAB仿真软件实现疲劳驾驶检测算法的仿真分析.在多个样本的测试过程中,该方法有效识别出人脸,并能够准确监测驾驶员的疲劳状态.