复杂驾驶条件下司机驾驶疲劳度检测的研究分析.pptxVIP

《复杂驾驶条件下司机驾驶疲劳度检测的研究》本科毕设结题答辩电子与信息学院郑伟龙08级电联班指导教师：秦华标教授蒸脸器哪个牌子好 /FMCJb3复杂驾驶条件下人脸检测方法基于眼部特征的驾驶员疲劳状态检测62451复杂驾驶条件下人眼检测和状态识别课题总结与实验效果演示 课题研究背景与意义 课题研究内容与系统框架课题研究背景与意义在欧洲， 10％-20％的司机死亡和受伤是由于疲劳导致驾驶员警戒水平降低所引发。在美国，每年有10万起撞车事故是由于驾驶员困倦所造成的，造成4万的非致命性伤害和1550死亡在我国，在2007年至2009年我国由疲劳驾驶导致的死亡人数分别占机动车驾驶人交通肇事总死亡人数的11.35%、10.91%和12.5%，平均每年约有9000人死于疲劳驾驶。蒸脸器品牌排行榜 /FMCJb课题研究背景与意义本课题的提出是基于以下几点问题：我们能否在交通事故发生之前检测到司机疲劳状态；对于疲劳检测技术，什么技术和方法是最可靠有效的；如何在不分散驾驶员注意力的情况下有效地检测驾驶员精神状态并作出判断。蒸脸器有用吗 /FMCJb课题研究背景与意义疲劳检测试验性产品课题研究内容与系统框架研究内容 本课题研究复杂驾驶环境下驾驶员疲劳度的检测方法，利用近红外主动光源获取驾驶员人脸图像，进一步进行人脸定位、人眼定位、人眼状态跟踪，通过实时跟踪人眼状态，进行睁闭眼判断，判断驾驶员当前是否处于疲劳状态。由于驾驶环境的多变性，本课题重点研究光照预处理以及人眼状态识别方法。蒸脸器的好处和坏处 /FMCJb课题研究内容与系统框架复杂驾驶条件下人脸检测方法人脸检测中的光照问题 根据驾驶员所处地理位置、所驾驶方向、以及驾驶的时间不同，阳光可能从多个方向照射过来，也可能没有阳光（夜晚）；车顶棚在中午的时候会在驾驶员脸上投下阴影。 （多光照）图 2- 单尺度Retinex的实验效果图复杂驾驶条件下人脸检测方法（1）单尺度Retinex算法（SSR） Retinex是一个合成词，是由Retina（视网膜）和Cortex（大脑皮层）组合而成的。Retinex理论解释了相同的物体在不同的光线底下颜色恒定性(Color Constancy)机理亮度图像反射图像图 2- 10 多尺度Retinex的实验效果图复杂驾驶条件下人脸检测方法（2）多尺度Retinex算法（MSR） 多尺度Retinex实质是将多个单尺度Retinex的结果进行加权求和金稻蒸脸器 /FMCJb图 2- 单尺度自商图像效果图复杂驾驶条件下人脸检测方法（3）单尺度自商图像（SSQ） 自商图像与Retinex算法相似，它也是利用平滑核函数对输入图像进行卷积来估计亮度图像，利用输入图像与亮度图像的比值得到光照鲁棒的自商图像。 I(x,y)是输入图像，F是平滑卷积核函数，这里我们用的是低通高斯函数图 2- 12 多尺度自商图像效果图复杂驾驶条件下人脸检测方法（4）多尺度自商图像（MSQ） 多尺度自商图像实质是将多个单尺度自商图像的结果进行加权求和。图 2- 13 离散余弦变换效果图复杂驾驶条件下人脸检测方法（5）离散余弦变换（DCT） 将图像进行离散余弦变换后，低频部分对应图像的亮度分量，反应的是光线变化部分。因此将DCT低频分量置零就可以得到光照鲁棒的反射图像，达到减小光照的影响。图 2- 14 小波变换效果图复杂驾驶条件下人脸检测方法（6）小波变换（WA） 对输入图像进行离散小波变换，然后处理得到的子带图像。它对小波系数矩阵进行加权，对变换的相似系数进行直方图均衡化，再利用反小波变换将独立的子带图像重建后得到归一化的图像。图 2- 15 非局部均值法（NLM）效果图复杂驾驶条件下人脸检测方法（7）非局部均值法（NLM） 这种方法基于一种想法，就是每个小的图像窗口都能找到与之相似的其他图像窗口，利用这些窗口就可以进行去噪处理。 表示加权函数，计算原始图像的空间位置z,x像素局部相似性图 2- 16 直方图均衡化（HE）效果复杂驾驶条件下人脸检测方法（8）直方图均衡（HE） 测试图（原图、SSR、MSR、SSQ、MSQ、DCT、WA、NLM、HE）复杂驾驶条件下人脸检测方法复杂驾驶条件下人脸检测方法基于Adaboost的人脸检测 Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。 优点：1)构建简单子分类器，利用Adaboost算法将这些分类器进行级联，构造强分类器；2) Adaboost算法即使训练次数很多，也不会出现过拟合的问题；3）随着训练迭代次数增加，分类器识别错误率会逐渐下降。图 2- 28 Adaboost人脸检测实验测试图复杂驾驶条件下人脸检测方法基于Adaboost的人脸检测