汽车智能驾舱驾驶疲劳检测系统设计

疲劳驾驶是影响交通安全的主要因素,当前疲劳驾驶的检测方法普遍存在设备体积大、侵入性强、实时性差等弊端。文中设计的基于FPGA的疲劳驾驶检测系统,首先利用区域长宽比改进YCbCr人脸分割算法,提高算法在驾驶环境中对于人脸的辨识度;然后建立动态视频人眼跟踪模型,在人脸范围内定位人眼位置,采用三帧差算法检测眨眼动作,以眨眼率作为疲劳的评价指标,对司机状态进行实时监控;最后利用FPGA芯片完成实时图像数据的处理和疲劳驾驶检测。实验证明,该系统具备在光线昏暗和佩戴眼镜等场景下检测疲劳状态的能力,并且检测系统充分发挥FPGA芯片数据并行处理优势,具备体积小、速度快、集成度高,通电即可工作的特点,有利于在狭小的驾驶舱环境部署,具有一定的工程应用价值。

基于FPGA的疲劳驾驶检测硬件加速器设计

随着交通工具大幅使用,交通事故频繁发生,疲劳驾驶是导致交通事故的一项重要原因。该设计采用硬件加速器来处理OV7725摄像头采集的视频流数据,制定肤色阈值来搜索人脸区域的边界,实现视频流实时动态标识人脸,通过人脸特征在阈值内的累计时长来判断疲劳级别并及时预警。得益于硬件加速器的并行处理优势,使得疲劳检测和预警更加快速稳定。该文完成了基于FPGA的人脸识别算法和疲劳驾驶检测的硬件加速器设计,仿真并验证了功能,对性能进行了测试,结果证明可实现快速准确的三级疲劳驾驶判断,并证明了该方案的可行性。

基于面部多特征的驾驶员疲劳状态检测

鉴于传统的疲劳检测模型通过驾驶员单一疲劳特征检测具有局限性的问题,提出了一种新的驾驶员疲劳检测模型。首先使用改进的AdaBoost算法进行人脸检测,解决复杂光源和背景的影响,提高人脸检测效率。然后用LBF算法进行人眼检测,用三庭五眼法进行嘴部检测,通过人眼高宽比和像素比检测人眼闭合程度,通过嘴部高宽比和圆形度检测嘴部打哈欠状态,再综合眼部疲劳特征计算闭眼时间,利用打哈欠频率计算嘴部疲劳。最后综合上述疲劳特征检测驾驶员疲劳状态。实验表明该方法可有效检测驾驶员疲劳状态,满足疲劳检测系统对实时性、鲁棒性的要求。

疲劳驾驶检测中低照度图像增强算法

为了解决现有的疲劳状态检测算法在光线不足时准确率较低的问题,提出了一种在光照不足环境下疲劳驾驶检测的算法。首先对采集到的人脸图像进行低照度图像增强处理,以此来提升图像的曝光度;然后采用YOLO人脸目标检测算法获取到人脸的区域;之后采用人脸特征点检测算法勾画出脸部特征点进行睁闭眼和打哈欠的判断;最后统计单位时间内眼睛闭上的比值与上打哈欠的次数,以此判断驾驶员是否在疲劳状态。实验结果表明,在较暗的环境中,提出的检测算法相较于传统算法取得了更好的效果。

提取驾驶员面部特征的疲劳驾驶检测研究综述

疲劳驾驶是威胁驾驶员人身安全以及道路交通安全的主要因素之一。高效精准的疲劳驾驶检测方法可以有效地保障驾驶员及其周围交通安全,维护交通秩序,减少财产损失和人员伤亡。由于基于驾驶员生理特征和基于车辆行驶信息的疲劳驾驶检测方法具有对驾驶员不友好、影响因素较多等局限性,使得基于驾驶员面部特征的疲劳驾驶检测方法成为研究热点。首先简述了疲劳驾驶面部特征表现,总结了疲劳驾驶领域常用公开数据集的优缺点和应用场景;其次使用公开数据集,通过对比实验,分析研究了疲劳驾驶检测领域常用人脸检测算法的优势和不足;随后给出了基于驾驶员面部特征的疲劳驾驶检测方法流程,总结分析了流程中关键步骤所使用的方法和技术;另外归纳整理了疲劳驾驶领域常用的疲劳判别参数和疲劳驾驶结果预测方法;最后对全文进行总结,给出了基于驾驶员面部特征的疲劳驾驶检测方法目前所面临的挑战,并对未来研究进行了展望。

多特征融合的驾驶员疲劳程度量化方法研究

针对疲劳驾驶检测系统鲁棒性差和疲劳程度划分过于简单的问题,利用MediaPipe人脸关键点检测技术和模糊推理系统,融合多种面部疲劳特征,研究视频序列中驾驶员疲劳程度量化评估方法,实现对驾驶员疲劳程度的实时评分和疲劳预警。首先利用MediaPipe人脸检测模型定位面部关键点;之后使用检测到的关键点从视频帧中实现对面部疲劳动态特征进行提取,得到单位时间内眨眼次数(PERCLOS)、打哈欠时长、有无瞌睡、人脸摆动近似熵四个评估指标,最后设计模糊推理系统对疲劳程度进行量化,实现对驾驶员疲劳程度的实时评估。研究表明,所提出的方法科学有效的实现了对驾驶员疲劳程度的量化评估,进一步提升了基于面部特征的疲劳驾驶检测的鲁棒性和可靠性。

融合机器视觉与高精度定位的高速公路疲劳驾驶行为检测方法

为提高高速公路场景下疲劳驾驶检测的准确率,降低在驾驶员面部易受遮挡、光线复杂的驾驶舱内的疲劳驾驶检测的误判率,提出一种兼顾检测精度与实时性、结合高精度定位与机器视觉的高速公路疲劳驾驶行为检测方法。首先,使用多任务卷积神经网络与FaceNet算法实现驾驶员身份识别,运用改进的实用面部特征点检测器(Practical Facial Landmark Detector,PFLD)算法检测人脸关键点。然后,考虑视频设备工作状态不稳定对疲劳驾驶行为识别产生干扰的场景,基于行驶车辆的轨迹数据,提出纵向位移波动斜率(Slope of Longitudinal Displacement Fluctuation,SLDF),以弥补单一视频设备检测易受光线、遮挡等干扰因素影响的缺陷。随后,使用SLDF指标和3个面部疲劳特征识别疲劳驾驶,并在传统支持向量机(Support Vector Machines,SVM)中加入量子粒子群优化算法,提升SVM分类准确度和缩短运算时间。最后,为验证模型性能进行实车试验,结果表明,复杂场景下疲劳驾驶识别准确率达86.8%,计算时间为3.017 s,与现有其他数据融合算法相比,改进后的SVM分类准确度和运算效率均有提升。融合轨迹、人脸面部多维度、多源的信息有效提高了该系统识别疲劳驾驶的检测精度及其工作的鲁棒性,可为后续高速公路场景下的疲劳特征的检测提供有力支持。

基于PERCLOS的列车司机疲劳检测设计与实现

列车司机长期处于精神高度集中、工作强度较大的工作状态,容易产生生理和心理上的疲劳。本文通过Raspberry PI摄像头对列车司机疲劳状态进行采集,对采集的视频流进行人脸定位和面部特征点的提取,对该列车司机眼睛、嘴巴数据进行分析,结合PERCLOS标准判定列车司机是否疲劳,在GUI界面显示检测结果。

面部识别在检测疲劳驾驶的应用研究

面部疲劳信息收集与报警能够有效降低驾驶员疲劳驾驶导致交通事故的概率。疲劳状况下,驾驶员的决策认知机能下降,比起平时驾驶习惯会出现在同一方向注视时间过长、眼动频率降低、决策执行时间延长的情况,按照PERCLOS准则,眨眼频率、打哈欠程度在判断驾驶员疲劳驾驶上发挥重要作用。本文提出在驾驶员非疲劳状态下自学习基于驾驶员个人习惯的行车状态面部状态,对模型进行训练得出阈值数据,更能科学地根据驾驶人的习惯和个人特殊的特征,人性化地优化面部识别在减少疲劳驾驶应用中的检测模型。

基于YOLOv8和人脸关键点检测的驾驶员疲劳驾驶识别算法设计

据统计,交通事故中因为疲劳驾驶、精神力不集中所导致的事故率占了93%。针对这个问题,引入人脸68个关键点,基于深度学习及机器视觉算法概念,结合YOLOv8模型以及相关疲劳驾驶判定机制,通过PERCLOS算法、MAR算法和EAR算法以及HPE算法提高系统的准确性和可靠性,成功构建了一套可以对疲劳驾驶行为进行识别的算法。

基于卷积神经网络面部图像识别的拖拉机驾驶员疲劳检测

针对疲劳驾驶极易造成拖拉机交通事故这一问题,该文提出了一种基于卷积神经网络面部特征识别的拖拉机驾驶员疲劳检测方法。首先,利用伽马亮度校正对驾驶员面部图像进行光照预处理,再通过小波包去除图像中的椒盐噪声和高斯噪声,对预处理后的图像分别通过PCA-SCM人脸特征识别定位算法和基于人脸核心特征库及肤色模型的人脸识别算法进行驾驶员面部的识别定位,并通过比对这2种算法识别的偏差大小校验算法识别的有效性,以减小拖拉机工作振动时采样对图像中人脸定位精度的影响。将提取到的驾驶员面部图像输入到卷积神经网络进行深度学习和训练,并建立驾驶员疲劳视觉检测模型,从而实现基于拖拉机驾驶员面部图像的疲劳检测。统计训练过程中各项参数变化情况并进行T-SNE降维迭代分析,与其他常规方法相比,CNN在检测准确度和检测效率方面都有较为明显的优势。试验表明,所提出的检测模型准确率98.9%,图片识别效率38 ms/帧(Inter i7-4510U双核处理器),能够实现拖拉机驾驶员疲劳状况的实时检测,该研究可为解决疲劳驾驶这一安全问题提供参考。

基于DSP的嵌入式驾驶疲劳监测系统研究

为了进行有效的、实时的、非接触式的驾驶员疲劳检测,采取NHTSA和FHWA推荐的非接触式疲劳检测方法PERCLOS,利用TI公司的专用图像处理DSP芯片TMS320DM642,构建了车载的基于DSP的嵌入式驾驶疲劳监测系统。首先使用肤色模型算法迅速定位人脸,然后利用累积差分帧和Hough变换等实时图像处理技术来检测、跟踪眼睛,分析眼睛的状态和提取眼睛的特征参数,计算PERCLOS值、判断疲劳程度并采取报警或其他措施。试验结果表明,系统的算法简单、快速、鲁棒性强。

驾驶员疲劳驾驶预警系统的设计

针对疲劳驾驶监测的要求,设计了一种基于TI公司高速图像处理芯片TMS320DM642的疲劳驾驶预警系统,用以判定驾驶员的疲劳程度,降低交通事故.系统采用机器视觉的方法,先通过CCD摄像头拍下驾驶员的面部图像序列,然后检测出脸部,从而定位眼睛,再利用PERCLOS算法判定疲劳状态.实验结果表明,该系统准确率高、速度快,可以满足非接触式、全天候、实时监测的要求.

基于模糊综合评价的疲劳驾驶检测算法研究

疲劳驾驶是引发交通事故的一个主要原因,对驾驶员疲劳驾驶做出准确、有效的检测和预防,具有重要的社会意义.在研究比较了前人工作的基础上,设计了一种基于机器视觉,图像处理的驾驶员疲劳检测机制.首先将传来的连续帧图像(视频)利用 Adaboost 算法进行人脸检测,根据人脸“三庭五眼”的分布特征分割出大致的人眼区域.在人眼定位过程中,采用 OSTU 阈值分割,非线性点运算和积分投影等预处理消除眉毛,并利用模糊综合评价算法对眼睛矩形区域的长宽比、拟合椭圆面积、瞳孔黑色素所占比例这 3 个影响因子进行分析,判别出眼睛的睁开闭合状态.最后根据 PERCLOS 原理对驾驶员的疲劳状态做出检测.实验结果表明,所提算法能够准确地判别出眼睛的睁闭状态及对驾驶员的疲劳状态的检测,具有较高的准确性和实用性.

基于SVM的疲劳驾驶人脸图像特征检测算法

针对传统图像识别算法对疲劳驾驶检测精度差、准确率低的缺陷,提出了一种利用人脸图像特征提取的疲劳驾驶检测方法。首先将实时采集到的车辆驾驶员面部图像进行预处理,借助Dlib检测出图像中的人脸区域并进行人脸图像特征点的标注,然后使用基于眼睛纵横比(Eye Aspect Ratio,EAR)的方法进行图像中人眼疲劳特征的识别,基于嘴唇纵横比(Mouth Aspect Ratio,MAR)的方法进行图像中嘴部疲劳特征的识别,最后利用支持向量机(SVM)的方法将两种特征融合起来进行疲劳驾驶检测。实验表明,该方法可以准确地定位出特征点,疲劳检测的识别率达84.29%,可以有效地识别出疲劳状态。

多特征融合的随机森林疲劳驾驶识别算法

复杂的交通环境、个人和社会因素制约了疲劳驾驶识别技术的应用效果,提出一种对视频中驾驶员脸部状态和车辆驾驶状态数据进行融合分析的疲劳驾驶识别算法。该算法基于Dlib库提取的人脸轮廓点计算眼和嘴的纵横比值,生成眯眼和哈欠特征,基于线性拟合趋势提取法生成车辆操控活跃度特征,然后采用改进后的随机森林模型对疲劳状态进行识别。该模型基于权重对特征的重要性进行评估,提高了树节点分裂的有效性,并给出了森林中树的数量的调控方法。实验结果表明所提算法的疲劳驾驶识别准确率均值达到了92.06%,并具有较好的计算效率,验证了其有效性。

低光照环境下基于面部特征点的疲劳驾驶检测技术

提出了一种新型在低光照环境下有较高适应性和识别精度的疲劳驾驶检测技术。用深度视觉传感器获取驾驶员驾驶图像,用人脸跟踪算法实时提取面部特征点数据,基于最小二乘法对眼睛和嘴巴轮廓进行曲线拟合。计算眼睛和嘴巴开合度归一化指标,提取了眨眼频率、眨眼平均时长、眼睛闭合总时长、打哈欠频率、打哈欠总时长、低抬头频率等6个疲劳识别特征数据。基于数据统计序列的卷积神经网络算法,建立识别模型,构建疲劳状态检测系统。实验表明:本文算法在低光照环境下的疲劳驾驶识别精度达到了90%,识别时间约为130 ms。

基于SSD的多因素融合的驾驶疲劳检测研究

为了降低因疲劳驾驶而导致的事故发生率,提出一种利用卷积神经网络与人脸特征点、疲劳判定指标相融合的方法,共同构建疲劳驾驶检测模型。首先利用SSD网络定位驾驶员的眼睛与嘴巴区域,VGG16网络学习这两个区域所包含的疲劳特征;同时再结合人脸68特征点、眼睛纵横比(EAR)和嘴巴纵横比(MAR)共同判定驾驶疲劳状态。最后,在相同测试集下分别计算SSD算法和Faster-RCNN算法的平均精度均值mAP;在YawDD数据集上应用此模型;并通过模拟驾车环境来验证此模型的可行性。实验结果表明,SSD算法要优于Faster-RCNN算法,并且此模型在YawDD数据集上的检测准确率约达97.2%,摄像头也能对驾驶员的状态进行实时检测。此模型对疲劳状态的检测十分有效,可在一定程度上降低因疲劳驾驶而导致的事故发生率。

基于面部特征分析的疲劳驾驶检测方法

为避免疲劳驾驶,通过提取面部疲劳特征参数的方法研究了驾驶员疲劳检测技术。对SSD(single shot multi box detector)目标检测算法及连续自适应均值漂移跟踪算法(continuously adaptive MeanShift,CamShift)进行优化,以检测人脸区域。利用特征点定位提取面部疲劳特征参数,并基于眼睛闭合时间百分比(percentage of eyelid closure over the pupil over time,PERCLOS)设定疲劳阈值和疲劳检测策略。在实车样本集上进行试验,结果表明:优化的人脸区域定位方法对光线变化、类肤色干扰的鲁棒性更强;所提取的疲劳特征参数能有效反映驾驶员疲劳状态,平均识别准确率达到了92.2%。改进后的算法系统在基于视觉特征的疲劳驾驶检测技术中达到了较高水平,对于预防交通安全事故具有重大意义。

基于Adaboost与肤色分割融合的驾驶员图像脸部检测

采用改进的基于Adaboost的人脸检测算法检测出可能存在的初始人脸区域,适当扩大初始人脸区域的面积,在此基础上,利用基于RGB颜色空间的肤色分割算法进行人脸区域的二次定位,根据定义的脸部区域重合度和人脸几何特征实现对脸部区域的精确融合检测。实验结果证实了该算法的鲁棒性和实时性。