基于多识别区域融合的机动车驾驶员检测框架

受光照条件、图像噪声和复杂背景等因素的影响,在机动车驾驶员检测过程中难以获取不同卡口图像下的驾驶员特征.为了解决上述问题,文中提出基于多识别区域融合的精准驾驶员位置检测框架,用于提高驾驶员识别率.首先基于图像梯度特征算法获得车牌定位,然后使用自适应方法得到车窗区域,最后采用多识别区域融合策略得到准确的驾驶员区域.在10个图像测试库上的测试表明,文中方法可以获得较高的识别率.

基于卷积神经网络的驾驶员检测和安全带识别

为了降低驾驶员检测算法的复杂度,提高安全带识别算法的准确率,提出了一种基于卷积神经网络的驾驶员检测和安全带识别的方法。通过减轻级联网络框架,调整特征训练比,尽可能快而多地生成驾驶员候选框,再利用深度特征差异、检测和边框校准之间的相关性,精确定位驾驶员位置。通过改进经典卷积神经网络,最大和平均池化层相结合,减少全连接,并通过特征批量化处理,减轻计算量,提高了安全带识别准确率。实验结果表明,与其他方法相比,驾驶员检测算法的综合评判标准平均增加了6.7%,安全带识别的准确率平均提高了3.4%,满足实时性要求。

基于特征融合和注意力的驾驶员吸烟目标检测

由于香烟目标较小,图像分辨率较低,目前传统的目标检测算法不足以支撑对香烟的检测,为警戒驾驶员在驾驶时吸烟出现的安全问题,提出一种驾驶员吸烟检测算法。结合SSD目标检测模型,在其骨干网络中引入CSP架构;利用反卷积操作,将有效特征层进行融合;在GAM注意力机制上改进其通道子模块,结合最大池化和平均池化,抑制与香烟不相关的特征。模型在自制驾驶员吸烟数据集上的识别mAP达94.93%,具有较好的鲁棒性以及泛化能力。

基于改进SRGAN的驾驶员异常行为检测算法

针对道路监控图像质量较低导致的驾驶员异常行为检测精度不足的问题,提出了一种基于改进SRGAN的检测算法。该算法采用SRGAN进行图像质量重建,并利用ConvNeXt-v2改进SRGAN生成器与判别器的残差块,从而充分挖掘低分辨率图像的特征。引入金字塔注意力模块以降低噪声干扰,进一步提升图像重建质量。在客观评价指标方面,在自建数据集LD上进行实验,结果表明,与传统SRGAN相比,文章提出的算法PSNR值提升了4.2251 dB,结构相似度SSIM提升了0.098,且在图像细节清晰度方面表现出明显优势。此外,将改进的SRGAN与YOLOv8目标检测模型相结合,AP精度提升了4.5%,显著提高了检测准确度。

基于机器视觉的驾驶员危险驾驶检测系统的设计与实验研究

本文基于机器视觉技术设计了驾驶员危险驾驶检测系统,该系统的硬件部分包括DSP芯片、摄像头和音频芯片等;软件部分包括图像采集和预处理模块,目标检测模块和疲劳驾驶检测模块。实验结果表明,该系统的人脸检测准确率较高,疲劳驾驶检测的准确度达到86%,较好地完成了驾驶员危险驾驶行为的检测任务。

基于多信息协同融合的驾驶员疲劳检测的交通机电系统安全监测预警系统研究

随着科技的不断进步和经济的飞速发展,汽车保有量的飞速增长,导致道路交通事故大幅度的上升,伴随物联网的兴起,车联网成未来交通机电系统发展重中之重,为交通机电系统安全监测扩展到具体车辆提供了技术基础,因此,开展多信息融合的疲劳驾驶的监测的研究对交通机电系统安全管理体系构建尤为重要。我们研究分析了疲劳驾驶的眼部监测方法,建立矫正人脸的姿态模型,通过坐标系统使人眼位于水平位置并进行监测,利用PERCLOS原理的P8O标准监测疲劳程度。然后对车辆行驶轨迹进行监测,车辆偏离率反映车辆偏离车道的程度,对于车辆沿斜线行驶时,车道偏离量变化率来判断偏离的快慢。最后对驾驶员动作阶段设定数学模型,建立疲劳度模型。

基于YOLOv3的驾驶员疲劳检测系统的算法设计

该算法设计利用高效的YOLOv3对实时驾驶员疲劳监测系统进行了研究并构建。YOLOv3算法以其快速且精准的物体识别能力,为目标检测领域带来了颠覆性的变革。该系统融合了先进的面部关键点定位技术,可精确捕捉眼部动作,通过监测眨眼频率等指标,对驾驶者的疲劳程度进行精准评估。实验部分在云端平台展开,借助大量数据对模型进行训练,不仅证明了系统的实时响应性和实用价值,更为智能化的提升道路交通安全防范提供了新的思路。

嵌入式驾驶员状态检测算法的实现与优化

提出了一种可以在嵌入式平台上实时运行的驾驶员状态检测算法.状态检测采用了基于统计学习的Adaboost算法与动态建模算法.与传统的采用主动红外光的方法相比,本系统采用对人眼更为安全的被动式方法,且对光线的变化有更好的鲁棒性.算法的主要创新点是:1)提出了检测区域自适应调整的单双眼检测相结合的Adaboost人眼检测算法,提高了人眼检测的准确性与速度;2)提出基于高斯混合模型的人眼动态建模跟踪算法,自动提取驾驶员眼睛区域灰度分布的信息,实现了对不同驾驶员人眼的建模与跟踪定位.在多个公共数据集以及实车采集的视频上进行的实验表明,该算法能够准确判断驾驶员的状态,满足实时处理的要求.

紧急避撞工况下驾驶员异常行为检测

在紧急避撞场景下,驾驶员极易因慌乱和误判,产生异常驾驶行为,故提前检测出驾驶员的异常行为对于确保驾驶员自身和周边交通的安全有重要意义。为此,本文中提出了综合转向盘转角残差序列和相平面图判断的异常驾驶行为检测方法。首先,基于相平面法确定车辆稳定性边界;接着,建立基于模型预测控制的驾驶员模型,构造实际驾驶操作与驾驶员模型参考输入间的转向盘转角残差序列;最后,计算驾驶员异常行为因子和评价函数,实现了对车辆偏离预期行驶轨迹的异常行为检测。仿真和硬件在环试验结果表明,所提出的异常驾驶行为检测方法能最晚于车辆偏离轨迹0.5 s前检测出驾驶员异常行为。

基于驾驶员面部检测的自适应碰撞预警系统

碰撞预警系统(FCW)是高级辅助驾驶系统(ADAS)的重要组成部分,它可以识别潜在的碰撞危险并提醒驾驶员。传统的FCW对驾驶员假设了固定的反应时间,导致警报无法根据不同的驾驶员状态调整从而产生误报。在此基础上,本文提出了一种基于驾驶员面部监测的自适应碰撞预警系统,该系统利用相机采集驾驶员面部信息,通过深度残差网络、PERCLOS(百分比眼开度跟踪)和位姿估计等方法检测驾驶员的年龄、情绪、疲劳和注意力,然后利用模糊控制对所获信息进行评价,得到相应的反应时间,最后将此系统放在CarMaker/Simulink进行建模仿真测试。结果显示此系统通过测试标准并可以自适应不同的驾驶员状态。

多特征融合的驾驶员疲劳检测研究

针对驾驶疲劳检测中面部特征定位及驾驶员疲劳状态判别方法判断存在的不足,提出了利用监督下降算法同时定位驾驶员的多个面部特征。在眨眼、哈欠及点头判断的基础上,提取驾驶员眨眼频率、哈欠频率及点头频率多个特征值建立疲劳检测样本数据库,并构建朴素贝叶斯分类器进行疲劳判断。当驾驶员出现疲劳驾驶时及时给以警告信息,以预防交通事故发生。在实际的驾驶环境视频测试结果中,驾驶员疲劳状态的判别平均准确率达到了94.87%,具有较好的性能。

驾驶员疲劳检测中的嘴部状态研究

针对嘴部作为人脸的重要信息集中点之一这个特性,提出了一种用于驾驶员疲劳检测的嘴部状态的研究算法。首先采用改进的Adaboost算法精确定位人脸区域,然后利用迭代式阈值选择法对人脸下半部分进行二值化处理,得到嘴部完整轮廓后使用Harris角点检测找出嘴角,同时矫正倾斜嘴部,最后通过计算嘴部张开度和持续时间来判断是否疲劳。实验表明,该算法具有较快的速度,同时对疲劳检测的进一步研究有重要的作用。

面向ARM平台的自标定驾驶员疲劳检测方法

提出了一种面向进阶精简指令集机器(ARM)平台的自标定驾驶员疲劳检测方法。对驾驶员不同身高、体型及车内摄像头不同位置,采用驾驶员初始姿态自标定方法;采用改进的基于深度学习的多任务卷积神经网络(MTCNN),提取人脸识别和特征点,以得到头部姿态、眼睛、嘴巴运动等信息;基于操作员序列的深度卷积神经网络,来判断驾驶员的疲劳状态等级。实验了驾驶员疲劳检测方法。结果表明:相对于没有标定,采用本驾驶员自标定的方式,识别准确性提高了15%,采用MTCNN方法和ARM NEON加速技术,在“全志H5”、“树莓派”和Android手机上,运行速度分别是200、150、140 ms,提高约50%。因而,该检测方法,既提高了系统鲁棒性,也满足实时需求。

基于可变形部件模型的驾驶员人脸检测

交通监控中车辆驾驶室内环境较为复杂,如光线暗、遮挡、分辨率低等,现有的人脸检测方法效果不佳.提出了一种基于可变形部件模型的驾驶员人脸检测方法.通过提取聚合通道特征(局部二值模式和梯度方向直方图),得到候选人脸目标.基于监控图像中车牌与驾驶员人脸的相对位置存在比较固定的模式,将车牌与驾驶员人脸看作是可变形部件模型中的两个部件,用于验证车牌和候选目标相对位置关系的合理性,从而确定驾驶员人脸的位置.实验结果表明提出的方法提高了检测准确率和综合性能指标,有效地滤除了人脸虚警,且召回率影响较小.

驾驶员安全带检测方法研究综述

驾驶员安全带检测作为计算机视觉的一个具体应用领域,目前基于计算机视觉相关技术的驾驶员安全带检测方法以节约人力、实时监督、高精度等优势逐渐成为研究热点。对近年来驾驶员安全带检测方法进行了系统性的分析和总结,对驾驶员安全带检测背景和传统传感器检测方法进行了简要说明;介绍了数字图像处理和机器学习的相关方法,分析总结其优缺点;重点分析和总结了深度学习的方法,从模型训练常用方法、卷积神经网络和衍生的目标检测算法的发展历程及其在驾驶员安全带检测中的应用三个方面进行介绍;对当前研究仍面临的问题以及进一步的研究方向进行了总结和展望。

驾驶员注意力监测系统测试评价方法分析

随着ADAS技术不断优化与发展,智能汽车也逐渐向智能化、网联化的方向发展,但是驾驶员分心在交通事故产生的原因中占据很大一部分。不少汽车厂家开始研究驾驶员分心监测,为了评判分心监测系统的好坏,不同地区也制定并公布了不同的测试评价标准。据此,探讨了驾驶员分心的种类划分、厂家常用的监测手段与国内外驾驶员分心检测系统、测试评价标准。

MATLAB人脸识别在驾驶员疲劳检测中的应用研究

MATLAB人脸识别技术具有干扰小、非接触和识别准确的优势,可以在驾驶员疲劳检测中得到应用。基于这种认识,本文在分析MATLAB人脸识别技术的基础上,对该技术在驾驶员疲劳检测中的应用情况展开了分析,从而为关注这一话题的人们提供参考。

驾驶员疲劳检测系统功能开发与测试

简述了驾驶员疲劳检测系统功能开发及测试方法。驾驶员疲劳检测系统通过声光用户交互形式,及时提醒驾驶员安全驾驶,降低了事故发生的可能性,有效提高了驾驶员和货物安全。

基于多模态信息联合判断的驾驶员危险行为监测系统

危险驾驶是引发交通事故的主要原因,严重威胁公众的人身和财产安全。车辆在行驶过程中,各种环境因素复杂多变,严重干扰了驾驶员危险行为监测系统的识别精度;现有的驾驶员危险行为监测检测系统主要是通过眨眼和打哈欠的频率来判断驾驶员是否出现危险驾驶行为,忽略了表情、动作以及视线方向等多个重要信息。针对这些问题,提出了一种基于多模态信息联合判断的驾驶员危险行为监测系统,该系统使用分布在驾驶舱3个不同位置的近红外图像作为输入,解决了光照强度变化和视角盲区问题;设计了一种基于多任务学习的深度神经网络,该网络可以同时完成人脸检测、表情识别以及危险动作分类等任务,极大地提升了系统的识别精度,提升了运行效率。实验证明,所提出系统的识别准确率为96.2%,运行速度为81 fps,性能优于目前常用的算法。

基于迁移VGG和线性支持高阶张量机的驾驶行为异常检测

基于视觉对驾驶行为进行异常检测中,出于行车安全的角度考虑,在采集驾驶行为样本时异常驾驶行为不能长时间持续,因此数据集会存在异常样本数较少的问题。而对于高阶小样本数据,线性支持高阶张量机(Support Higher-Order Tensor Machine,简称SHTM)具有很好的分类性能。但视觉图像会包括整个驾驶区域,使其存在较多冗余信息,影响SHTM的分类精度,采用视觉几何群19网络(Visual Geometry Group Network19,简称VGG19)对数据进行特征提取能够有效的解决这个问题。同时,对于VGG19训练过程中样本数不足的问题,迁移学习能够很好的解决。因此,提出迁移VGG支持高阶张量机算法(Transfer VGG-Support Higher-Order Tensor Machine,简称迁移VGG-SHTM),利用VGG19对样本数据进行特征提取,并引入迁移学习的方法解决VGG19训练过程中数据样本较少的问题,最后利用SHTM对提取的特征进行分类,实现驾驶行为异常检测。为了验证该方法的有效性,邀请十位不同的驾驶员进行驾驶行为异常检测实验,对比VGG19、SHTM以及迁移VGG-SHTM的分类精度。结果显示迁移VGG-SHTM算法分类性能最佳。