基于面部行為分析的駕駛員疲勞檢測(cè)方法研究.pdf

1、近年來(lái)交通事故頻發(fā)，給國(guó)家和個(gè)人帶來(lái)了嚴(yán)重的財(cái)產(chǎn)損失。研究表明，疲勞駕駛是目前引發(fā)交通事故的主要原因之一，已經(jīng)引起許多國(guó)家和政府的重視，因此準(zhǔn)確快速的駕駛員疲勞檢測(cè)的研究具有重要的意義?；跈C(jī)器視覺的檢測(cè)方法以其非接觸性、實(shí)時(shí)性等優(yōu)點(diǎn)，成為駕駛員疲勞檢測(cè)的一個(gè)重要方法。
　　眼睛和嘴部等狀態(tài)的檢測(cè)是疲勞檢測(cè)方法中的重要步驟，但是墨鏡遮擋及光照變化會(huì)對(duì)其產(chǎn)生影響。針對(duì)以上問(wèn)題，本文使用紅外采集設(shè)備對(duì)駕駛員面部圖像進(jìn)行采集，提出一種基

2、于面部行為分析的駕駛員疲勞檢測(cè)方法，其中主要研究?jī)?nèi)容包含人臉檢測(cè)及跟蹤、眼睛和嘴部區(qū)域檢測(cè)、面部狀態(tài)識(shí)別及疲勞檢測(cè)等。
　　首先，通過(guò)基于AdaBoost的檢測(cè)檢測(cè)算法進(jìn)行駕駛員面部檢測(cè)，為了提高檢測(cè)速度及準(zhǔn)確率，本文結(jié)合基于KCF(Kernelized Correlation Filter)的跟蹤算法，對(duì)檢測(cè)到的人臉區(qū)域進(jìn)行快速跟蹤;其次，通過(guò)級(jí)聯(lián)回歸的方法定位面部關(guān)鍵點(diǎn)，根據(jù)關(guān)鍵點(diǎn)位置提取眼睛和嘴部區(qū)域;最后，采用CNN(Co

3、nvolution Neural Network)網(wǎng)絡(luò)模型對(duì)提取出的眼睛和嘴部區(qū)域進(jìn)行狀態(tài)識(shí)別，得到眼睛和嘴部狀態(tài)后，計(jì)算PERCLOS(Percentage of Eyelid Closure Over the Pupil Over Time)、眨眼頻率及打哈欠參數(shù)等，通過(guò)結(jié)合多個(gè)疲勞參數(shù)對(duì)駕駛員的疲勞狀態(tài)進(jìn)行檢測(cè)。
　　實(shí)驗(yàn)結(jié)果表明，該方法在佩戴墨鏡情況下能夠更準(zhǔn)確的檢測(cè)眼睛和嘴部狀態(tài)，進(jìn)而得到更準(zhǔn)確的疲勞參數(shù)。與僅采用PER