论文部分内容阅读
疲劳驾驶而引发的交通事故在道路交通安全事故中占了不可忽视的比重，各国研究人员都对如何监测驾驶员疲劳驾驶展开了大量的研究。目前，基于眼睛特征的检测方法被认为最有效、实时的、相关性最好的驾驶员疲劳状态评测方法，复杂环境下的眼睛定位和眼睛状态识别是其中需要解决两个关键的技术。为了减少复杂光照的影响，同时满足夜间使用的要求，本文采用850nm主动LED光源和窄带滤光片相结合的图像采集系统。在此条件上，本文研究了复杂环境下驾驶员眼睛定位算法，建立了一个完整的近红外眼睛图像数据库，并提取能有效描述眼睛状态的特征，建立了复杂环境下近红外眼睛状态识别模型。本文的工作主要如下：（1）驾驶员眼睛定位需要定位睁眼和闭眼，同时受光照变化、戴眼镜遮挡、成像条件等因素的影响，使用单一的特征或定位方法不能保证定位的鲁棒性。因此，本文对基于Haar特征、团块检测、主动形状模型三种定位方法进行分析对比，并提出了一种基于Haar特征和团块检测相级联的定位方法。在近红外条件下，该方法能够定位睁闭眼睛两种情况，在不戴眼镜和戴眼镜睁眼的情况下精确度很高，也能解决大部分戴墨镜和戴眼镜睁闭眼的定位情况，同时计算复杂度不高，满足实时性要求。（2）在精确定位眼睛后，需要对眼睛状态进行判别，眼睛会因为周围环境的变化而发生形变，给眼睛状态识别带来了极大的挑战。本文构建了一个完整的近红外眼睛图像数据库用于训练和测试，该数据库包含38种不同的变化模式，共十万多幅样本图像，该数据库包含丰富的变化模式，方便研究人员对算法关键问题进行研究。（3）本文提出了一种基于HOG-LBP特征融合的近红外眼睛状态识别算法，HOG能很好地描述眼睑和瞳孔区域的梯度变化，LBP特征则能有效地提取眼睛的局部纹理特征，利用PCA方法对这两种特征进行降维，并融合为HOG-LBP特征，最后采用RBF的SVM建立眼睛状态判别模型。该算法在数据库中睁眼的平均准确率为95.73%，闭眼平均准确率为97.16%，在低处理平台完全能达到实时的要求。