基于自适应伽马校正的异常驾驶行为检测方法

针对低照度条件下重型卡车司机异常驾驶行为检测方法存在检测准确率低、检测速度慢等问题,结合图像自适应增强方法和轮廓定位检测思想,提出一种基于自适应伽马校正的异常驾驶行为检测方法。对传入视频图像进行自适应伽马校正,通过抑制噪声、改善暗部和提升信息熵来提高识别准确率。基于图像灰度值和信息熵对双阈值伽马函数进行自适应调节,从而获得更丰富的边缘信息和色彩信息。利用K-近邻背景建模法将驾驶员前景图像分离以确定检测区域,通过边缘检测进行驾驶员头部和手部轮廓识别,获得关键定位点间的欧氏距离,并进行异常驾驶行为判断。在此基础上,结合异常行为次数和时间阈值,解决环境干扰和图像噪声的问题。实验结果表明,与单尺度Retinex、多尺度Retinex以及自适应直方图均衡方法相比,所提方法在提高检测准确率的同时有效提高了检测速度,能在不同环境下有效检测异常驾驶行为。