基于視覺分析的疲勞檢測(cè)方法研究.pdf

1、研究疲勞狀態(tài)特別是駕駛員的疲勞狀態(tài)檢測(cè)技術(shù)具有十分重要的意義。本文提出了一種魯棒的基于Adaboost層疊式級(jí)聯(lián)分類技術(shù)的快速人臉和人眼自動(dòng)檢測(cè)方法，結(jié)合圖像MeanShift跟蹤算法能實(shí)時(shí)處理人臉視頻流，快速定位人眼區(qū)域并檢測(cè)出人眼狀態(tài)，通過分析人眼的閉合時(shí)間比和睜眼頻率可以判斷人員的疲勞狀態(tài)。
　　 本文回顧了基于特征、基于模型匹配、基于統(tǒng)計(jì)學(xué)習(xí)的幾類人臉與人眼檢測(cè)算法。基于統(tǒng)計(jì)學(xué)習(xí)的Adaboost提升算法，采用Viola

2、提出的積分圖方法快速計(jì)算人臉與人眼的Haar特征值，采用Adaboost瀑布式級(jí)聯(lián)分類器構(gòu)建人臉與人眼快速檢測(cè)器，是本文的研究重點(diǎn)。通過先檢測(cè)人臉，再定位人臉，基于人眼的生理結(jié)構(gòu)粗略定位人眼區(qū)域后，再利用級(jí)聯(lián)分類器可以快速檢測(cè)人眼區(qū)域。由于人眼搜索范圍的縮小，加快了人眼檢測(cè)算法并有效減少誤報(bào)，使得投入更為復(fù)雜的人眼檢測(cè)器也不會(huì)使執(zhí)行速度明顯下降。
　　 在疲勞檢測(cè)系統(tǒng)中，要求算法能實(shí)時(shí)對(duì)頭部旋轉(zhuǎn)、光照變化、閉眼等情況下跟蹤眼睛，

3、本文采用了MeanShift和Kalman濾波器相結(jié)合的跟蹤算法，算法不需要在每一獨(dú)立的圖像中都采用級(jí)聯(lián)分類器檢測(cè)人臉和人眼，利用視頻圖像在時(shí)間上的相關(guān)性加快目標(biāo)搜索速度，從而達(dá)到實(shí)時(shí)性，提高系統(tǒng)的適應(yīng)性。
　　 測(cè)試中使用了OpenCV2.0所帶的一個(gè)人臉特征庫和兩個(gè)人眼特征庫，分別對(duì)六組樣本進(jìn)行了測(cè)試，實(shí)驗(yàn)結(jié)果表明本文所設(shè)計(jì)的非接觸人眼狀態(tài)檢測(cè)方法實(shí)時(shí)性強(qiáng)，檢測(cè)正確率高。測(cè)試中所用到的分類器特征庫，在今后的應(yīng)用中還可不斷補(bǔ)充