• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于Adaboost和LBP算法的實(shí)時(shí)疲勞駕駛預(yù)警算法

    2022-07-12 05:25:32趙如新宋春林
    微型電腦應(yīng)用 2022年5期
    關(guān)鍵詞:嘴部眼部駕駛員

    趙如新, 宋春林

    (同濟(jì)大學(xué), 電子與信息工程學(xué)院, 上海 201804)

    0 引言

    隨著人們生活水平的提高,中國(guó)機(jī)動(dòng)車(chē)及機(jī)動(dòng)車(chē)駕駛?cè)藛T數(shù)量也隨之增高,同時(shí)也伴隨著更多的交通事故的發(fā)生。根據(jù)新聞報(bào)道,在交通事故中疲勞駕駛是最主要的原因之一。為了能夠有效減少此類(lèi)事故的發(fā)生,目前已經(jīng)有很多方法將人臉識(shí)別技術(shù)應(yīng)用于監(jiān)測(cè)駕駛員面部表情判斷其是否處于疲勞駕駛狀態(tài)而提醒其注意休息。主要思路為從原始駕駛員面部圖像中來(lái)識(shí)別疲勞面部表情。通常使用過(guò)濾響應(yīng),特征碼直方圖或字典原子分布等方法,如:2010年,Cao[1]等人提出一種基于學(xué)習(xí)的局部描述符和姿勢(shì)自適應(yīng)匹配的人臉識(shí)別技術(shù),通過(guò)學(xué)習(xí)局部濾波器來(lái)獲得更好的區(qū)別性,通過(guò)學(xué)習(xí)編碼以獲取更好的緊湊性。但由于針對(duì)于復(fù)雜的非線性面部外觀,局部描述符仍有無(wú)法避免的局限性并且提高人臉識(shí)別的準(zhǔn)確性緩慢。基于該研究,2013年,Chen[2]等人提出一種高維特征及其有效壓縮技術(shù)(HD-LBP)用于人臉識(shí)別,對(duì)傳統(tǒng)方法進(jìn)行高維度映射。所提出的稀疏投影方法在不犧牲精度的前提下減少模型存儲(chǔ)及計(jì)算量。但該方法在實(shí)際應(yīng)用中卻有諸多不足使其十分不穩(wěn)定。隨著機(jī)器學(xué)習(xí)及深度學(xué)習(xí)研究的不斷深入,越來(lái)越多的研究通過(guò)采用深度學(xué)習(xí)模型的方法解決這一問(wèn)題,并且期望能夠得到精度上的高度提升。針對(duì)人臉識(shí)別,常規(guī)的流程包括四個(gè)階段:檢測(cè)、對(duì)齊、表示及分類(lèi)。2014年,Taigman[3]等人通過(guò)對(duì)3D人臉建模來(lái)重新實(shí)現(xiàn)對(duì)齊和表示步驟,以便應(yīng)用分段仿射變換,經(jīng)過(guò)九層深度神經(jīng)網(wǎng)絡(luò)的特征點(diǎn)分析,對(duì)人臉特征點(diǎn)進(jìn)行描述。該神經(jīng)網(wǎng)絡(luò)使用面部數(shù)據(jù)集進(jìn)行了訓(xùn)練,其包含來(lái)自4000多個(gè)身份的400萬(wàn)張面部圖片。經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證,該模型可推廣至任意環(huán)境下的面部圖像。2009年,Balasubramanian等[4]提出一種使用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBFNN)的自動(dòng)識(shí)別面部和嘴部方法。通過(guò)使用多尺度形態(tài)學(xué)進(jìn)行面部和嘴部的特征提取。該方法利用運(yùn)動(dòng)信息對(duì)人臉區(qū)域進(jìn)行定位,并通過(guò)對(duì)人臉區(qū)域的處理確定眼睛的位置。

    根據(jù)以上基于人臉識(shí)別方法的描述,將人臉識(shí)別技術(shù)應(yīng)用于駕駛員疲勞駕駛檢測(cè)的方法應(yīng)運(yùn)而生。2015年,Zhang等[5]根據(jù)經(jīng)驗(yàn)知識(shí)采用快速魯棒性面部檢測(cè)算法來(lái)描述和規(guī)范化面部表情圖像,基于局部特征,對(duì)面部采用局部二進(jìn)制模式算子(Local Binary Pattern, LBP)方式表示,并且發(fā)現(xiàn)LBP功能在疲勞面部圖像內(nèi)能穩(wěn)定執(zhí)行。2010年,Yang等[6]提出了一種基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的駕駛員疲勞估計(jì)推斷方法,其中使用了多個(gè)特征,包括上下文特征,物理特征和非物理特征。主要思想將離散隨機(jī)過(guò)程的當(dāng)前模型擴(kuò)展到連續(xù)隨機(jī)過(guò)程以處理更多實(shí)際情況。實(shí)驗(yàn)表明,物理特征類(lèi)別可以有效地檢測(cè)出駕駛員疲勞駕駛的特征,具有更好的可靠性。2017年,Zhang等[7]提出一種基于眼睛狀態(tài)識(shí)別的駕駛員疲勞檢測(cè)方法。眼睛狀態(tài)識(shí)別方法提供了很高的準(zhǔn)確性。通過(guò)使用眼睛的狀態(tài)計(jì)算PERCLOS和眨眼頻率參數(shù),判別駕駛員是否處于疲勞狀態(tài)。該方法可以在戴眼鏡的情況下工作。然而,由于疲勞駕駛一般出現(xiàn)在深夜凌晨等駕駛艙光照條件較弱的時(shí)段,基于局部特征的算法誤差較大;同時(shí)由于車(chē)載設(shè)備性能的限制復(fù)雜度較高的算法,無(wú)法用于實(shí)時(shí)監(jiān)測(cè)。

    本文將基于駕駛艙實(shí)際環(huán)境,首先計(jì)算駕駛艙環(huán)境像素平均值判別當(dāng)前狀態(tài)為日間或夜間。其中,在地下車(chē)庫(kù)等光線較差的地方統(tǒng)一認(rèn)為為夜間狀態(tài)。針對(duì)不同的環(huán)境,采用不同的面部識(shí)別算法。在日間狀態(tài)下,本文基于AdaBoost算法,選取5個(gè)矩形特征組合作為模板進(jìn)行特征訓(xùn)練,以此得到適合疲勞監(jiān)測(cè)系統(tǒng)所需的眼部及嘴部特征,并依據(jù)此特征計(jì)算眼部PERCLOS值用于判斷駕駛員疲勞狀態(tài)。

    判斷夜間環(huán)境由于光照條件差,傳統(tǒng)利用深度網(wǎng)絡(luò)從圖像幀中提取時(shí)空間特征來(lái)進(jìn)行微表情識(shí)別的誤差率較大。論文[8]中發(fā)現(xiàn)人的瞳孔反射光對(duì)于光變化較為敏感,而人臉的其他部分變化不大。依據(jù)此原理,本文采用相鄰幀間差分的方法確定眼部的特征,同時(shí)使用局部二進(jìn)制特征(local Binary Patterns, LBP)算法來(lái)處理眼部的開(kāi)合狀態(tài)。在已經(jīng)定位眼睛的前提下,根據(jù)人臉部器官的分布來(lái)定位嘴部的位置。然后使用LBP算法進(jìn)一步測(cè)試打哈欠行為,根據(jù)打哈欠的長(zhǎng)度和頻率確定駕駛員的疲勞程度。

    同時(shí),為了評(píng)估眼部狀態(tài)信息和嘴部狀態(tài)信息對(duì)駕駛員是否處于疲勞駕駛狀態(tài)的比重,本文對(duì)其進(jìn)行了實(shí)驗(yàn)比對(duì)。實(shí)驗(yàn)結(jié)果表明:當(dāng)嘴部狀態(tài)信息權(quán)重β為0.44,系統(tǒng)判別精度最高。在日間清醒場(chǎng)景下最高精度可達(dá)93.6%,平均識(shí)別準(zhǔn)確率為92.1%。

    1 疲勞駕駛檢測(cè)算法

    本文提出的基于AdaBoost及LBP算法的日間夜間疲勞駕駛檢測(cè)算法總體框架,如圖1所示。

    該算法共分為兩部分:日間狀態(tài)和夜間狀態(tài)。在識(shí)別出面部信息后,對(duì)眼部信息進(jìn)行PERCLOS值計(jì)算,對(duì)嘴部信息采用LBP算法估測(cè)其開(kāi)合程度及頻率。最后根據(jù)眼部和嘴部的信息值加權(quán)判斷駕駛員當(dāng)前狀態(tài)是否為疲勞駕駛。

    1.1 圖像預(yù)處理

    為了能夠準(zhǔn)確判別出攝像機(jī)所檢測(cè)到的圖像幀中的人臉輪廓,本文采用Canny邊緣檢測(cè)算法[8]對(duì)圖像幀進(jìn)行輪廓檢測(cè)。相比于Sobel算子和Prewitt算子,Canny邊緣檢測(cè)算法具有更低的錯(cuò)誤率,即所有邊緣都可以被找到;邊緣點(diǎn)定位更準(zhǔn)確。Canny算法的主要步驟如下。

    (1) 為了盡可能降低噪聲對(duì)圖像處理的影響,首先對(duì)圖像進(jìn)行高斯平滑濾波,從而減少邊緣檢測(cè)器上的噪聲影響。式1表示當(dāng)卷積核大小為(2k+1)(2k+1)時(shí),卷積核每位計(jì)算式為

    1≤i;j≤(2k+1)

    (1)

    假設(shè)圖像描述為大小為(2k+1)×(2k+1)的矩陣M,則經(jīng)過(guò)高斯濾波后,其像素點(diǎn)m的亮度值為

    m=H*M

    (2)

    其中,*表示卷積。

    (2) 計(jì)算梯度強(qiáng)度和方向,圖像的邊緣可以指向各個(gè)方向,在Canny算法中,選取水平、垂直和對(duì)角邊緣。首先通過(guò)Sobel等算子計(jì)算出水平Gx和垂直Gy方向的一階導(dǎo)數(shù),則可得到像素點(diǎn)處的梯度的值G和方向θ:

    (3)

    θ=arctan(Gy/Gx)

    (4)

    (3) 若x和y方向的Sobel算子分別為sx和sy,圖像窗口為矩陣M,則在像素點(diǎn)m處的梯度值為

    Gx=sx*M

    (5)

    Gy=sy*M

    (6)

    (4) 僅僅采用梯度值來(lái)提取邊緣像素點(diǎn)的結(jié)果仍非常模糊,為了能夠增強(qiáng)邊緣點(diǎn)強(qiáng)度,采用非極大值抑制技術(shù)來(lái)增強(qiáng)邊緣像素點(diǎn)。其主要思路為:將當(dāng)前像素的梯度強(qiáng)度與沿正負(fù)梯度方向上的2個(gè)像素進(jìn)行比較,若當(dāng)前像素的梯度強(qiáng)度與另外2個(gè)像素相比最大,則該像素點(diǎn)保留為邊緣點(diǎn),否則該像素點(diǎn)將被抑制;

    (5) 使用雙閾值檢測(cè)進(jìn)一步確定像素邊緣點(diǎn)。

    如圖2所示,左側(cè)為相機(jī)采集到的圖像幀,右側(cè)為通過(guò)圖像預(yù)處理階段得到的完成邊緣檢測(cè)的圖片。人物的關(guān)鍵邊緣點(diǎn)均被檢測(cè)出,結(jié)果總能保證對(duì)人臉部邊緣點(diǎn)的信息檢測(cè)。

    圖2 采用Canny算法進(jìn)行圖像邊緣檢測(cè)

    1.2 基于Adaboost臉部識(shí)別算法

    Adaboost算法[9]是Boosting族算法中最具代表性的算法。Boosting族算法的主要工作機(jī)制為:首先在初始訓(xùn)練集中進(jìn)行訓(xùn)練,得出初始學(xué)習(xí)器。對(duì)初始學(xué)習(xí)器所預(yù)測(cè)出的樣本質(zhì)量進(jìn)行劃分,重點(diǎn)關(guān)注訓(xùn)練錯(cuò)誤的樣本。基于訓(xùn)練錯(cuò)誤的樣本,進(jìn)行下一輪學(xué)習(xí)器的訓(xùn)練,不斷重復(fù)上述步驟,直至學(xué)習(xí)器數(shù)量達(dá)到期望閾值數(shù)S則停止學(xué)習(xí)。最后,對(duì)這S個(gè)學(xué)習(xí)器進(jìn)行加權(quán)結(jié)合。其主要目的在于將弱學(xué)習(xí)器提升為強(qiáng)學(xué)習(xí)器。Adaboost算法步驟如下。

    (1) 初始化第s個(gè)學(xué)習(xí)器樣本權(quán)重,其中0≤s≤S,

    (7)

    (2) 根據(jù)學(xué)習(xí)器的樣本權(quán)重分布Ds進(jìn)行數(shù)據(jù)訓(xùn)練得到Gs(x):

    Gs(x):χ→{-1,+1}

    (8)

    (3) 計(jì)算Gs(x)在加權(quán)訓(xùn)練數(shù)據(jù)集上的分類(lèi)誤差率:

    (9)

    其中,I(·)為指示函數(shù),同時(shí)判斷分類(lèi)誤差率是否滿(mǎn)足基本條件,若不滿(mǎn)足則停止學(xué)習(xí)。

    (4) 計(jì)算Gs(x)在全部學(xué)習(xí)器中的權(quán)重:

    (10)

    (5) 更新訓(xùn)練樣本權(quán)重:

    Ds+1=(wm+1,1,wm+1,2,…,wm+1,N)

    (11)

    (12)

    其中,Zs是規(guī)范化因子。

    基于以上集成學(xué)習(xí)的優(yōu)勢(shì),本文期望通過(guò)采用Adaboost算法中各個(gè)學(xué)習(xí)器的結(jié)合,使系統(tǒng)對(duì)于眼部及嘴部的位置識(shí)別結(jié)果更加精確。

    1.3 基于幀間差分算法的瞳孔估計(jì)算法

    夜間模式由于光照條件限制,傳統(tǒng)的基于特征提取的人臉識(shí)別方法誤差率較大。由于瞳孔對(duì)可見(jiàn)光反射相較于人臉其他部位變化明顯得多,并且相鄰幀間圖像的間隔不大,只有瞳孔反射光的變化較為明顯,由此采用幀間差分算法對(duì)瞳孔位置進(jìn)行定位。具體步驟如下。

    (1) 將當(dāng)前幀灰度化,之后使用將當(dāng)前幀圖像與上一幀處理過(guò)的圖像做差,最后利用取絕對(duì)值。

    (2) 對(duì)差分圖像進(jìn)行局部二進(jìn)制特征處理,使得眼部特征更顯性地分離出來(lái)。具體做法是用雙峰法將原灰度圖轉(zhuǎn)化為二值圖。

    駕駛艙圖像主要由前景和背景兩部分組成,在處理圖像的灰度直方圖上,前景及背景像素的灰度值分布會(huì)形成山峰狀態(tài),而在兩峰之間的低谷就是圖像分割的閾值所在。從而得出夜間模式下的瞳孔信息。

    為了能夠在夜間模式下獲取到嘴部信息,根據(jù)幀間差分算法估計(jì)出瞳孔位置后,本文將采用“三庭五眼”的規(guī)律來(lái)定位嘴部位置,具體來(lái)說(shuō):人臉上鼻尖和下巴將整個(gè)臉部在豎直方向上三等分,俗稱(chēng)“三庭”。“五眼”是指左右眼的內(nèi)外眼角將人臉從寬度上五等分。實(shí)際效果如圖3所示。

    圖3 “三庭五眼”嘴部位置估計(jì)

    1.4 眼部PERCLOS特征計(jì)算

    在日間模式或夜間模式提取到臉部的眼部信息后,需要計(jì)算獲得眼部的高寬比v用于判斷當(dāng)前眼部狀態(tài)是否處于疲憊狀態(tài)。具體公式如:

    (13)

    其中,we、le分別為讀取到的眼部寬度和眼部長(zhǎng)度。當(dāng)眼部高寬比小于270時(shí),可以視為閉合狀態(tài);當(dāng)高寬比大于400時(shí),視為打開(kāi)狀態(tài)。將高寬比用于計(jì)算PERCLOS(單位時(shí)間內(nèi)眼睛閉合時(shí)間所占的百分率)來(lái)衡量駕駛員的疲勞程度。PERCLOS值計(jì)算式如下:

    (14)

    PERCLOS度量的是單位時(shí)間內(nèi)駕駛員眼睛閉合程度超過(guò)某一閾值(本文所用為70%)的時(shí)間占總駕駛時(shí)間的百分比。在美國(guó)聯(lián)邦道路局的研究中,PERCLOS被證明是九種現(xiàn)有與疲勞駕駛有關(guān)的指標(biāo)中相關(guān)性最好的。

    1.5 嘴部fyawn特征計(jì)算

    在確定的嘴部的大致區(qū)域后,本文使用LBP算法來(lái)檢測(cè)打哈欠的行為。首先將整個(gè)區(qū)域劃分為16×16的cell,在每個(gè)cell中,對(duì)于每一個(gè)像素,將自己的灰度值作為閾值,周?chē)?個(gè)相鄰像素點(diǎn)的灰度值若大于該閾值,則標(biāo)記為1,否則標(biāo)記為0。這樣,與中心像素相鄰的8個(gè)點(diǎn)就產(chǎn)生了一個(gè)8位二進(jìn)制數(shù),即為該中心點(diǎn)的LBP值。如,該矩陣的紋理信息即為(11010011)10= 211。之后計(jì)算每個(gè)cell的LBP直方圖(即統(tǒng)計(jì)LBP值出現(xiàn)的頻率),對(duì)直方圖進(jìn)行歸一化處理。最后將得到的每個(gè)cell的統(tǒng)計(jì)直方圖連接成為特征向量,也就是整個(gè)圖像的LBP特征向量。圖4為經(jīng)過(guò)LBP處理后的矩陣。

    圖4 LBP處理過(guò)程

    在獲得駕駛員嘴部特征后,根據(jù)嘴部高寬比o來(lái)判斷當(dāng)前嘴巴是否處于張開(kāi)狀態(tài),具體計(jì)算式如下:

    (15)

    由實(shí)驗(yàn)結(jié)果發(fā)現(xiàn),當(dāng)o大于1 200時(shí),嘴部處于閉合或正常說(shuō)話裝填;當(dāng)o小于700時(shí),嘴巴處于張大狀態(tài)。為了將駕駛員因受驚而嘴巴張開(kāi)和打哈欠的狀態(tài)區(qū)分開(kāi)來(lái),如果最近的6幀圖像中有超過(guò)5幀嘴部處于張大狀態(tài),則判斷駕駛員在打哈欠。最終,采用如下等式計(jì)算fyawn:

    (16)

    1.6 基于眼部和嘴部信息融合的估計(jì)算法

    基于前文,本文已針對(duì)攝像機(jī)采集到的圖像幀經(jīng)過(guò)處理并針對(duì)不同模式下的臉部及嘴部進(jìn)行識(shí)別。但我們知道,在現(xiàn)實(shí)場(chǎng)景中,駕駛員可能會(huì)說(shuō)話。在這種情況下,嘴部信息可能會(huì)導(dǎo)致結(jié)果的誤判,為了考慮這一點(diǎn),本文提出一種基于權(quán)重的嘴部和眼部信息融合估計(jì)算法,得出最終用于判別駕駛員疲勞狀態(tài)的FV(Fatigue Value)。以提高算法的穩(wěn)定性。主要計(jì)算式如下:

    FV=PERCLOS+β×fyawn

    (17)

    在具體判別過(guò)程中,若FV大于1 500,則判斷駕駛員當(dāng)前為疲勞駕駛狀態(tài),同時(shí)給予駕駛員及周?chē)?chē)輛警告。若FV小于700,則表明駕駛員精神狀態(tài)良好。

    2 實(shí)驗(yàn)結(jié)果與分析

    2.1 實(shí)驗(yàn)環(huán)境配置

    實(shí)驗(yàn)環(huán)境:訓(xùn)練模型所用計(jì)算機(jī)配備I9-9900K CPU、RTX 2070 SUPER顯卡。視頻錄制設(shè)備為羅技C270網(wǎng)絡(luò)攝像頭,視頻分辨率為1 280×720,采樣頻率為60fps。實(shí)驗(yàn)平臺(tái)為Win10操作系統(tǒng)下的MATLAB2020a。

    本文模擬了不同人員在清醒以及疲勞狀態(tài)下駕駛過(guò)程并錄制成視頻作為數(shù)據(jù)集。視頻錄制場(chǎng)景分為白天自然光環(huán)境以及夜晚弱燈光環(huán)境,并要求模擬人員晃動(dòng)頭部以模擬實(shí)際行車(chē)過(guò)程中觀察路面的動(dòng)作,所有錄制均在室內(nèi)完成。其中包含白天自然光環(huán)境與夜晚弱燈光環(huán)境各200段視頻,每段視頻長(zhǎng)度為30 s。

    2.2 嘴部特征權(quán)重分析

    經(jīng)驗(yàn)表明,人在疲勞時(shí)會(huì)伴隨眼睛的打盹及打哈欠狀態(tài)。為了能夠更好的預(yù)測(cè)出駕駛員是否處于疲勞狀態(tài)及嘴部行為權(quán)重β在判別駕駛員疲勞程度中發(fā)揮的作用,本文將β從0開(kāi)始(0即為不考慮嘴部行為)以0.05的步長(zhǎng)增加到1,同時(shí)在夜晚及白天數(shù)據(jù)集下測(cè)試算法總準(zhǔn)確度。結(jié)果如圖5所示。

    圖5 權(quán)重β對(duì)實(shí)驗(yàn)結(jié)果精度的影響

    從圖5的結(jié)果可以看出,算法準(zhǔn)確率在β=0.44處達(dá)到最高值,在β小于0.2及β大于0.55區(qū)間內(nèi)算法準(zhǔn)確率均以較大程度下滑。本文將采用=0.44作為系統(tǒng)的權(quán)值 。

    2.3 夜間環(huán)境算法準(zhǔn)確率分析

    夜晚場(chǎng)景如下表所示,為驗(yàn)證幀間差分算法的有效性,本文實(shí)現(xiàn)了經(jīng)典AdaBoost與SVM算法,并與本文算法進(jìn)行對(duì)比,結(jié)果如表1所示。

    表1 夜間環(huán)境算法準(zhǔn)確率比較

    實(shí)驗(yàn)結(jié)果表明,幀間差分算法在夜晚疲勞狀態(tài)及夜晚清醒狀態(tài)下,識(shí)別準(zhǔn)確率均高于經(jīng)典AdaBoost算法及SVM算法。幀間差分算法比AdaBoost算法在兩種數(shù)據(jù)集上分別高了2.8%和4.1%,比SVM算法在兩種數(shù)據(jù)集上分別高了7.6%和11.1%。在整個(gè)夜晚場(chǎng)景數(shù)據(jù)上,幀間差分算法判別準(zhǔn)確率比AdaBoost算法和SVM算法分別高了3.5%和9.4%。另外,3種算法均在疲勞數(shù)據(jù)集上有更好的表現(xiàn)。

    2.4 算法準(zhǔn)確率分析

    為驗(yàn)證算法整體準(zhǔn)確性,將本文算法在全部數(shù)據(jù)集上與當(dāng)前主流的駕駛員疲勞識(shí)別方法相比較,包括SVM方法、經(jīng)典AdaBoost算法以及EGG腦電圖[10]、脈搏和HPM頭位置測(cè)量法[11]等接觸式判別方式,結(jié)果如表2所示。

    圖6 本文算法在各場(chǎng)景下實(shí)際運(yùn)行結(jié)果

    表2 整體算法準(zhǔn)確率比較 單位:%

    實(shí)驗(yàn)結(jié)果表明,本文算法在4個(gè)場(chǎng)景下均表現(xiàn)良好。具體來(lái)看,在夜晚清醒場(chǎng)景下,本文算法準(zhǔn)確率為90.3%,相比于次高的HPM頭位置測(cè)量法有一定程度的提高,但相較于對(duì)比的AdaBoost算法準(zhǔn)確率有4.1%的上升,在有挑戰(zhàn)性的夜晚環(huán)境中上升幅度明顯。其余算法在夜晚-疲勞環(huán)境下表現(xiàn)不理想。在日間清醒場(chǎng)景下,本文算法較之前夜晚環(huán)境下有3.3%的提升,達(dá)到了4個(gè)場(chǎng)景中最高的93.6%。其余算法中準(zhǔn)確率最高的是經(jīng)典AdaBoost算法,達(dá)到了91.7%。因此,將嘴部開(kāi)合動(dòng)作加入到判斷駕駛員疲勞模型中是有效的。在夜晚疲勞場(chǎng)景中,本文算法對(duì)比經(jīng)典AdaBoost有2.8%的提升。HPM頭測(cè)量法依舊在夜晚場(chǎng)景上表現(xiàn)良好,達(dá)到90.4%。在日間疲勞場(chǎng)景上,本文算法正確率達(dá)到93.4%,相對(duì)于日間清醒場(chǎng)景的93.6%下降了0.2%。經(jīng)典AdaBoost和HPM頭測(cè)量法對(duì)比本文算法分別下降了0.8%和1.7%。

    整體上看,基于脈搏測(cè)量的判別方法在四個(gè)場(chǎng)景下表現(xiàn)均不理想,準(zhǔn)確率保持在65%—70%范圍內(nèi)?;谀槻孔R(shí)別的本文算法、經(jīng)典AdaBoost和SVM方法在日間和夜間場(chǎng)景上有較大性能差異,日間場(chǎng)景準(zhǔn)確率比夜間場(chǎng)景平均有4.0%的提升。其中經(jīng)典AdaBoost方法相差最大,達(dá)到4.9%;SVM次之,為4.3%;本文算法在兩個(gè)場(chǎng)景之間相差最小,為2.8%。因此,幀間差分的識(shí)別方式增強(qiáng)了算法的魯棒性。此外,基于接觸式人體信號(hào)檢測(cè)的EGG腦電圖方法和脈搏測(cè)量法在日間和夜間場(chǎng)景上準(zhǔn)確率變化分別為-0.6%和-1.7%,穩(wěn)定性比基于人臉識(shí)別的方法好得多,說(shuō)明夜間光照條件不佳仍是算法性能的主要瓶頸,之后的工作可以圍繞接觸式測(cè)量與人臉識(shí)別特征相結(jié)合的方向展開(kāi)。

    最后,本文所提出的算法可以在便攜式計(jì)算機(jī)上實(shí)時(shí)運(yùn)行,能夠滿(mǎn)足車(chē)載設(shè)備實(shí)時(shí)監(jiān)測(cè)算法的復(fù)雜度要求。

    3 總結(jié)

    本文提出一種基于AdaBoost和LBP算法的實(shí)時(shí)疲勞駕駛預(yù)警監(jiān)測(cè)系統(tǒng),首先對(duì)攝像機(jī)采集到的視頻進(jìn)行視頻關(guān)鍵幀提取,對(duì)視頻關(guān)鍵幀進(jìn)行圖像預(yù)處理,采用Canny算法進(jìn)行人臉邊緣檢測(cè)確定人臉位置。接下來(lái)主要用于識(shí)別眼睛和嘴巴,主要分為2種情況:在白天模式下,采用AdaBoost算法精確識(shí)別出臉部的眼睛和嘴巴;在夜間模式下,采用幀間差分算法獲取瞳孔信息再通過(guò)人臉面部構(gòu)造估計(jì)出嘴部位置。當(dāng)對(duì)眼部和嘴部進(jìn)行精準(zhǔn)定位后,提取眼部信息并計(jì)算PERCLOS值,采用LBP算法檢測(cè)嘴部開(kāi)合程度及頻率。為了進(jìn)一步明確眼部和嘴部對(duì)疲勞駕駛結(jié)果精度的影響,本文添加β參數(shù)用于眼部和嘴部的權(quán)重平衡,最終對(duì)駕駛員是否處于駕駛狀態(tài)進(jìn)行預(yù)測(cè)并預(yù)警。相比于其他方法,本文所提出的方法在白天模式下可提高4%,在夜間模式下可提高3%,并且具有更好的穩(wěn)定性。

    猜你喜歡
    嘴部眼部駕駛員
    基于高速公路的駕駛員換道意圖識(shí)別
    駕駛員安全帶識(shí)別方法綜述
    此人為何杠得如此囂張?
    圓號(hào)教學(xué)中嘴部教學(xué)的重要性及訓(xùn)練方法研究
    黃河之聲(2020年19期)2020-12-07 18:32:31
    高中素描頭像教學(xué)中提高嘴部刻畫(huà)能力的策略探究
    基于Horn-Schunck光流法的多目標(biāo)反芻奶牛嘴部自動(dòng)監(jiān)測(cè)
    為什么要做眼部檢查
    戴眼罩有助消除眼部疲勞
    如何消除用電腦后的眼部疲勞
    起步前環(huán)顧四周是車(chē)輛駕駛員的義務(wù)
    公民與法治(2016年4期)2016-05-17 04:09:26
    玉树县| 教育| 陆川县| 都安| 武汉市| 高安市| 社会| 兴化市| 海原县| 西盟| 无极县| 黄大仙区| 神农架林区| 沈丘县| 麦盖提县| 伊宁市| 博野县| 吕梁市| 札达县| 体育| 当阳市| 河池市| 涟源市| 保德县| 扬州市| 敦化市| 郸城县| 双牌县| 绥芬河市| 正镶白旗| 安康市| 巫山县| 云阳县| 辽阳市| 霍州市| 大埔区| 兴义市| 报价| 漳浦县| 高州市| 西充县|