论文部分内容阅读
随着汽车保有量的不断增加，道路交通事故数量居高不下。世界卫生组织在2013年全球道路安全的报告中指出：每年死亡于交通事故的人数为124万，相当于每秒有25人因交通事故而死亡；交通事故是15至29岁年轻人的主要死因，而且中等收入国家的年道路交通死亡率最高。众多研究表明，驾驶员疲劳是交通伤亡事故中的重要原因，而因人体生物钟和夜间复杂行车环境的影响，夜间又是疲劳驾驶的多发阶段。 为了降低因驾驶员疲劳而引发交通事故的风险，本文采用可根据不同的光照条件自动切换模式的红外摄像头采集驾驶员的面部视频，并对其分析，提取PERCLOS、平均闭眼速度AECS、眨眼频率BF、哈欠频率YawnFreq以及点头频率NodFreq五项疲劳参数，采用支持向量机SVM的方法对参数融合，设计了可对驾驶员的疲劳状态进行全天候监测的系统。 为了准确快速地提取疲劳参数，首先采用Gentle-Adaboost算法对大量正常光照和红外条件下的人脸和非人脸样本进行训练，得到可以用于检测不同光照环境中人脸的分类器，用其对驾驶员进行人脸检测，并将Camshift和Kalman算法相结合实现人脸跟踪。根据“三庭五眼”的器官分布规则，在获取的面部区域设定眼部和唇部的ROI区域，然后将眼睛分类器和唇部分类器运用于已设定的区域，得到眼睛和唇部区域。对眼睛区域进行水平积分投影和垂直积分投影，采用高斯模型对垂直积分投影曲线分析，判定眼睛的睁闭状态，进而提取PERCLOS、AECS和BF三项反应在眼部的疲劳参数。正常光照下的唇部采用唇色和肤色的色度差异进行唇部分割，红外条件下的唇部采用灰度分割法，将唇部的高宽之比作为张口度，统计张口度大于阈值时的连续帧数，以此判断驾驶员是否打哈欠。将两眼中心和唇部中心连接成一个三角形，根据三角形的变化检测驾驶员是否点头，计算NodFreq。 采集多位驾驶员疲劳和清醒时的视频，提取五项疲劳参数作为训练样本集，用SVM对其训练得到模型参数，进而对驾驶员的疲劳状态进行检测。在实验平台上的验证结果表明，该系统满足准确性和实时性的要求。