基于SVM的驾驶员面部朝向检测

驾驶员精神状态监测对于交通事故控制具有重要作用.基于支持向量机(SVM)建立信息融合的面部朝向检测模型,在驾驶员面部图像视觉特征(眼睛、嘴部及面部轮廓)检测基础上,通过分析头部运动过程中各特征的空间位置变化规律,利用SVM对驾驶员面部朝向进行多信息融合估计.结果表明,特征检测方法可实现面部各视觉特征的可靠检测,分析得出的各特征运动变化规律可用于对面部朝向的有效估计,从而为驾驶员驾车精神状态监测提供技术支持.

基于DCNN的人脸特征点检测及面部朝向计算

在介绍人脸特征点检测的理论知识的基础上,提出了一种基于深层卷积神经网络(Deep Convolutional Neural Network,DCNN)解决人脸5点特征点(眼角、鼻子、嘴角)预测问题的方法。通过添加更多的卷积层稳定地增加网络的深度,并且在所有层中使用3×3的卷积滤波器,有效减小参数,更好地解决了人脸特征点检测问题。然后计算双眼角与嘴角所成平面与正视时此平面的单应性矩阵,最后利用等效算法求解驾驶员面部转角。实验结果表明,面部特征点检测准确率达到97.96%,算法在角度判断上的误差是1°~5°,这证明了该算法对注意力分散监测的有效性。

安全驾驶中驾驶员面部朝向的检测研究

本论述研究了安全驾驶中驾驶员面部朝向的分析与判断。首先使用彩色空间转换提取人脸区域,然后采用Canny算子进行边缘检测,再利用Hough变换提取面部特征,最后对驾驶员头部朝向进行分析和跟踪。通过大量数据的研究,得出了头部朝向特征值与偏转角度的关系,并由此得到注意力分散阈值的范围,当超出此范围时检测系统报警,并且通过实验证明了该方法对注意力分散监测的实时性和有效性。

一种计算驾驶人面部朝向角度算法

利用机器视觉对驾驶人疲劳状态及注意力状态进行监测和分析是安全辅助驾驶领域内的研究热点之一,而对驾驶人面部朝向角度进行计算则是注意力状态分析的前提条件。首先介绍了驾驶人面部及面部器官定位的思路,然后重点讨论了驾驶人面部朝向的技术环节,在对人体头部旋转运动的分析基础上,提出了计算驾驶人面部旋转角度的计算方法。实践证明,采用的处理算法实时性好,准确率较高,效果非常理想,为下一步的驾驶人注意力状态分析及相关信息提取打下了良好的基础。

基于回归森林的面部姿态分析

快速稳定地计算头部姿态的算法在很多应用领域都是非常重要的,为了寻求在飞行模拟器中实时跟踪操纵者头部运动的新方法,提出一个基于随机回归森林、使用深度数据来解决面部朝向的计算框架.该框架利用标注了真实头部位置和朝向的大规模人体面部模型数据库进行随机森林的训练,将携带标注真实参数值的随机采样图像块输入随机森林进行训练;在决策树叶子节点中得到姿态参数的高斯分布,再使用得到的随机森林进行面部姿态的计算,从而将面部姿态分析问题转换为待测试深度图像的随机采样子域的投票问题.测试了参数和引入计算的图像特征对识别性能的影响,并与相关算法进行比较,结果表明,该框架有较高的识别率和抗干扰能力,能够处理头部姿态大范围、快速变化、暂时性遮挡以及面部表情等数据.

基于特征点识别的头部姿态计算

为了提升使用随机回归森林进行头部姿态分析的精度,提出了一种基于特征点识别分析头部姿态的计算框架.考虑到高误差投票的干扰,该计算框架以随机森林的特征点识别为基础从而避免异常投票干扰,将头部姿态计算问题转换为空间鼻尖特征点和朝向特征点的识别问题.在随机森林的训练中,决策函数使用了高斯曲率和平均曲率作为图形特征,根据微分熵的信息增益在随机生成的决策函数库中搜索最优化决策函数.在训练完成的随机回归森林的叶子节点中,通过分析保存的样本数据,可以得到目标特征点的高斯分布估计.根据实验测试结果,在适当的阈值设定的情况下,该方法可以实现较高的识别成功率,使用曲率后明显提高了识别精度,能够在一定程度上处理有遮挡的数据,并且该方法已经成功应用于虚拟座舱的实时头部姿态分析计算系统.