疲勞駕駛檢測系統(tǒng)中若干關(guān)鍵問題技術(shù)研究.pdf

1、是交通運輸業(yè)的永恒主題。近年來,隨著道路汽車數(shù)量的急速增長,交通事故的發(fā)生率也越來越高,給人類社會帶來日益嚴重的的危害。在這嚴峻的環(huán)境下,疲勞駕駛檢測技術(shù)受到了最為廣泛的關(guān)注。作為一種避免交通事故、減少事故損失的有效手段,它成為交通工程領(lǐng)域的研究熱點,代表著未來車輛發(fā)展的趨勢。
　　 本文對疲勞駕駛檢測系統(tǒng)中若干關(guān)鍵技術(shù)進行了研究,具體的研究工作如下:
　　 1、人臉跟蹤與檢測。采用AdaBoost人臉檢測算法對人臉進行

2、檢測,深入分析Camshift算法實現(xiàn)人臉跟蹤,并針對它的不足進行改進:利用AdaBoost人臉檢測算法實現(xiàn)人臉跟蹤窗口的自動初始化,提出了基于雙眼模板匹配的CamShift人臉跟蹤算法,解決了場景中存在大面積類似膚色物體干擾時跟蹤失誤的問題。
　　 2、首次引入基于LBP-TOP(Local Binary Patterns From Three Orthogonal Panels)的嘴部特征提取方法對嘴部狀態(tài)進行識別。LBP(

3、Local Binary Patterns)是一種很有效的紋理描述算子,可以對灰度圖像中局部領(lǐng)域的紋理信息進行度量和提取,能捕捉圖像中微量的細節(jié)特征,而LBP-TOP是在LBP的基礎之上結(jié)合考慮時空域的角度,分別從三個正交平面上提取嘴部圖像序列的紋理特征,目的是更好的表達嘴部運動的實質(zhì)信息。
　　 3、提出了基于SLBP-TOP(Synthesized Local Binary Patterns From Three Ortho

4、gonalPanels)的嘴部特征提取方法。該方法為了進一步改善LBP算子存在的一些缺陷,根據(jù)LBP-TOP中不同平面嘴部信息的差異性,引入CBP(Centralizcd Binary Patterns)算子,在二者基礎之上將三個平面的特征分為兩類,分別采用LBP和CBP算子,然后綜合三個特征作為SLBP-TOP(Synthesized Local Binary Patterns From Three Orthogonal Panels