CN103714660B - 基于图像处理融合心率特征与表情特征实现疲劳驾驶判别的系统 - Google Patents
基于图像处理融合心率特征与表情特征实现疲劳驾驶判别的系统 Download PDFInfo
- Publication number
- CN103714660B CN103714660B CN201310731567.1A CN201310731567A CN103714660B CN 103714660 B CN103714660 B CN 103714660B CN 201310731567 A CN201310731567 A CN 201310731567A CN 103714660 B CN103714660 B CN 103714660B
- Authority
- CN
- China
- Prior art keywords
- driver
- information
- image
- facial
- heart rate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 title claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 230000010365 information processing Effects 0.000 claims abstract description 8
- 230000001815 facial effect Effects 0.000 claims description 87
- 210000001508 eye Anatomy 0.000 claims description 46
- 238000000034 method Methods 0.000 claims description 42
- 238000001514 detection method Methods 0.000 claims description 21
- 230000004069 differentiation Effects 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000012512 characterization method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 210000001061 forehead Anatomy 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000007664 blowing Methods 0.000 claims description 4
- 230000008921 facial expression Effects 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 210000003128 head Anatomy 0.000 claims 1
- 238000003672 processing method Methods 0.000 abstract 1
- 150000001875 compounds Chemical class 0.000 description 6
- 210000000744 eyelid Anatomy 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 241001282135 Poromitra oscitans Species 0.000 description 3
- 206010048232 Yawning Diseases 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 210000005252 bulbus oculi Anatomy 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 230000011514 reflex Effects 0.000 description 2
- 230000008786 sensory perception of smell Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像处理融合心率特征与表情特征疲劳驾驶判别的系统,包括信息采集装置、信息处理装置和预警装置,其特征在于所述信息采集装置用于采集驾驶人面部图像序列,并提供给信息处理装置;所述信息处理装置用于对采集到的驾驶人面部图像序列进行处理分析,得到驾驶员的表情特征信息及心率特征信息,并将表情特征和心率特征进行信息融合,用以判别驾驶员是否处于疲劳状态;预警装置,用于当驾驶员出现疲劳驾驶时,根据预警策略和疲劳等级向预警提示器发送指令,向驾驶员提示预警。该系统通过图像处理的方法将心率特征和表情特征结合起来,实现疲劳驾驶判别的算法及车载装置,提高了疲劳驾驶判别系统的精确度、鲁棒性和可靠性。
Description
技术领域
本发明属于智能交通技术领域,具体涉及一种基于图像处理融合心率特征与表情特征实现疲劳驾驶判别的系统。
背景技术
随着汽车数量的日益增多和高速公路的不端延伸,车速越来越快,道路交通安全形势日益严峻,汽车交通事故随之增多,不仅造成了大量人员伤亡和巨额的经济损失,而且导致了诸多社会问题。调查显示,疲劳驾驶是交通安全最重要的隐患之一,驾驶人在疲劳时,对周围环境的感知能力、行驶判断能力和对车辆的操控能力都大幅度降低,很容易发生交通事故。随着人们安全意识的增强和科学技术的进步,驾驶人疲劳驾驶判别技术已成为汽车安全技术领域的一个主要发展方向,研究开发高性能的疲劳驾驶判别及预警技术,对改善我国交通安全状况意义重大。
驾驶人疲劳状态的检测目前有较多研究的方法,按检测的类别可大致分为基于驾驶人生理信号的检测、基于驾驶人操作行为的检测、基于车辆状态信息的检测和基于驾驶人生理反应特征的检测等方法。
基于生理信号(脑电信号、心电信号等)判别疲劳驾驶的准确性较高,且对所有健康的驾驶员来说,生理信号差异性不大,具有共性,但传统的生理信号采集方式需要采用接触式测量,给驾驶人疲劳检测的实际应用带来很多不便和局限性。
驾驶人的操作行为除了与疲劳状态有关外,还受到个人习惯、行驶速度、道路环境、操作技能的影响,因此需要考虑的干扰因素较多,影响基于驾驶人操作行为(如方向盘操作等)判别疲劳驾驶的精确度。
利用车辆行驶轨迹变化和车道线偏离等车辆行驶状态信息也可推测驾驶人的疲劳状态,但是车辆的行驶状态也与车辆特性、道路等很多环境因素有关,和驾驶人的驾驶经验以及驾驶习惯相关性较大,因此基于车辆状态信息判别疲劳驾驶需要考虑的干扰因素也较多。
基于驾驶人生理反应特征的疲劳驾驶判别方法是指利用驾驶人的眼睛特性、嘴部运动特征等推断驾驶人的疲劳状态,这些信息被认为是反映疲劳的重要特征,眨眼幅度、眨眼频率、平均闭合时间和打哈欠的动作等都可直接用于检测疲劳,但由于不同的驾驶员的习惯和特征存在一定的差异,使通过单个面部表情特征来判断驾驶员状态的鲁棒性不够高。本发明因此而来。
发明内容
本发明提供一种基于图像处理融合心率特征与表情特征实现疲劳驾驶判别的系统,该系统解决了现有技术中现有的疲劳驾驶判别系统大都基于单一指标判断,其结果易受多种干扰因素的影响。由于驾驶员面部特征、生理反应特征、驾驶习惯等的个体差异性,基于某一种表情特征检测驾驶员疲劳状态的方法难以保证系统的鲁棒性和精确性;基于人体心率及心率变异特征检测驾驶员疲劳状态的方法准确性高、鲁棒性强,但其传统的测量方式需要将测量仪等装置与驾驶员直接接触,给驾驶员疲劳检测的实际应用带来很多不便和局限性。
为了解决现有技术中的这些问题,本发明提供的技术方案是:
一种基于图像处理融合心率特征与表情特征实现疲劳驾驶判别的系统,包括信息采集装置、信息处理装置和预警装置,其特征在于所述信息采集装置用于采集驾驶人面部图像序列,并提供给信息处理装置;所述信息处理装置用于对采集到的驾驶人面部图像序列进行处理分析,得到驾驶员的表情特征信息及心率特征信息,并将表情特征和心率特征进行信息融合,用以判别驾驶员是否处于疲劳状态;预警装置,用于当驾驶员出现疲劳驾驶时,根据预警策略和疲劳等级向预警提示器发送指令,向驾驶员提示预警。
优选的技术方案:所述预警提示器选自声音提示器、LED闪烁提示器、座椅振动提示器、安全带振动提示器、座椅顶部吹风提示器的一种或者两种以上的任意组合。
优选的技术方案:所述系统集成在车载终端内,所述信息采集装置为带有红外LED灯的摄像头,所述摄像头安装在车辆仪表盘上方,以摄像头能拍摄到驾驶员面对车辆前方时的面部图像为准。
优选的技术方案:所述系统还包括与信息处理装置连接的GPS芯片,所述GPS芯片实时获取车辆的位置信息,并将位置信息发送给信息处理装置。
优选的技术方案:所述信息处理装置为DSP处理系统,所述DSP处理系统根据采集到的面部图像序列和地理位置信息分别获取驾驶员在任一段时间内的心率变异特征信息和驾驶员的面部表情特征信息;根据驾驶员在任一段时间内的心率变异特征信息和驾驶员的面部表情特征信息判断驾驶员是否处于疲劳驾驶状态。
优选的技术方案:所述系统还包括与信息处理装置连接的数据存储装置,所述数据存储装置内设置有驾驶员脸部图像数据库、位置信息数据库和中间信息数据库。
本发明的另一目的在于提供一种基于图像处理的疲劳驾驶判别方法,其特征在于所述方法包括以下步骤:
(1)实时驾驶员面部图像序列,并对驾驶员面部图像序列进行处理,获取驾驶员的人脸图像序列;
(2)采用主动形状模型方法对人脸图像进行分析,得到人眼及嘴部位置进而分析眼部和嘴部特征,同时进行面部姿态的估计,然后将面部特征、眼部特征、嘴部特征进行信息融合,得到表情特征信息;
(3)对人脸图像进行分析获取驾驶员在一段时间内的心率变异数值;
(4)将表情特征信息和心率变异数值进行融合得到判断驾驶员疲劳状态的综合值;当融合后的疲劳状态信息超过预定阈值,或某一种特征信息达到了最大极限值时,则判定为疲劳驾驶。
优选的技术方案:所述方法步骤(1)具体包括以下步骤:
1)采集到驾驶员的面部图像后,进行图像预处理;
2)利用训练好的人脸分类器进行人脸检测,提取人脸图像特征;
3)基于主成份分析方法进行人脸识别,获得人脸识别结果。
优选的技术方案:所述方法步骤(3)具体包括以下步骤:
1)采用主动形状模型方法对人脸图像进行处理,对人脸图像中眼部、鼻子和嘴部的定位,找出眼睛、鼻子、嘴部边缘特征点的位置;在适合的高度和宽度范围内,截取人脸图像上额头及左右脸颊3个区域处的图像;
2)将人脸图像上额头及左右脸颊3个区域看作一幅图像,记为P,统计一段时间内的图像序列中截取的多个图像P的R、G、B值信号并对这些信号进行ICA分析;
3)对ICA分析得到的第二个分量曲线进行插值、滤波处理后,取其上升沿方向的一阶零点,每两个连续的一阶零点对应的两帧间的时间差即为心率变异数值。
所述方法步骤(4)中将表情特征信息和心率变异数值进行融合得到判断驾驶员疲劳状态的综合值T,
T=a·F+b·E+c·M+d·HRV;
其中,F为面部特征疲劳驾驶判定参数,E为眼部特征疲劳驾驶判定参数,M为嘴部特征疲劳驾驶判定参数,HRV为心率变异特征疲劳驾驶判定参数,a、b、c、d分别为各自对应参数的权值;当融合后的疲劳状态信息超过规定的阈值Tthread,或某一种特征信息达到了最大极限值时,就判定为疲劳驾驶。
对于一定时间段内的图像及数据,当面部姿态特征表征值表明驾驶员面部姿态角θ在±30°范围内时,判定为非疲劳状态,F为0;当面部姿态角θ偏转角度过大,但时间t<0.5s时,仍判定为非疲劳状态,F为0;当面部姿态角θ偏转角度过大,且时间t≧0.5s时,则判定为疲劳状态,F为1,即:
对于一定时间段内的图像及数据,根据a0数值来判断,当a0>0时,若ClosureRate≤0.5,表明眼睛闭合度小,判定为非疲劳状态,E为0;当a0>0时,若闭合度ClosureRat>e0.5且一次闭合时间t<0.2s时,表明眼睛虽然闭合度过大,但闭合时间快,可视为人体正常眨眼行为,仍判定为非疲劳状态,E为0;当ClosureRate>0.5但一次闭合时间t>0.2s时,判定为疲劳状态,E为1;当a0<0时,表明驾驶员处于闭眼状态(疲劳状态)时,E为1;即:
其中闭合度为上眼睑的顶点与眼球中心位置的纵坐标之差。
当嘴部特征表征值表明驾驶员处于打哈欠状态(疲劳状态)时,M为1;否则,M为0,即:
本发明为克服现有技术的不足,采用面部图像处理后通过心率特征与表情特征融合实现疲劳驾驶判别,通过图像处理的方法将心率特征和表情特征结合起来,检测驾驶员疲劳状态,实现疲劳驾驶判别的算法及车载装置,提高疲劳驾驶判别系统的精确度、鲁棒性和可靠性。
本发明中的表情特征研究了包括面部姿态、眼睛睁闭状态、嘴部姿态等特征的信息融合,心率特征指驾驶员在某段时间内的心率及心率变异特征(HRV,Heart ratevariability),将这些信息融合加工,进行综合识别,对驾驶人疲劳状态识别的准确性、鲁棒性与可靠性难点问题提供一个有力的解决方案。
基于图像处理通过心率特征与表情特征融合实现疲劳驾驶判别的系统包括信息采集装置、信息处理装置、预警装置,其中信息采集装置,用于采集驾驶人面部图像序列;信息处理装置,用于对采集到的驾驶人面部图像序列进行处理分析,得到驾驶员的表情特征信息及心率特征信息,并将表情特征和心率特征进行信息融合,用以判别驾驶员是否处于疲劳状态;预警装置,用于当驾驶员出现疲劳驾驶时,根据分级预警策略和疲劳等级实现复合预警,预警方式包括声音、LED闪烁、座椅振动、安全带振动、座椅顶部吹风等。
其中信息处理装置设置有图像采集模块、GPS模块、人脸定位与识别模块、面部姿态估计模块、眼睛睁闭状态检测模块、嘴部形状判别模块、HRV测量与分析模块、疲劳驾驶判别模块、数据库模块、预警模块等,其中图像采集模块,包含摄像头采集到的视频图像信息;GPS模块,用于实时获取车辆的动态位置信息;人脸定位与识别模块,研究在车辆车体振动、室外光线变化、驾驶员面部姿态变化等复杂条件下定位与识别驾驶员人脸图像的算法;面部姿态估计模块,检测到驾驶员人脸图像后,估计人脸面部姿态角度;眼睛睁闭状态检测模块,在检测到的驾驶员人脸图像上检测人眼图像,得到眼睛睁闭状态信息;嘴部形状判别模块,在检测到的人脸图像上检测驾驶员嘴部图像,得到嘴部姿态信息。优选的,还包括定位服务装置、信息存储装置;所述定位服务装置用于获取车辆的实时位置信息,并将实时位置信息发送给信息处理装置;所述信息存储装置与信息处理装置连接,用于存储图像数据。
HRV测量与分析模块,利用图像处理的方法,根据采集到的驾驶员面部图像序列得到驾驶员在任一段时间内的心率变异特征信息,HRV是指逐次心跳周期差异的变化情况,其信号线性指标中频谱低频与高频的比值以及非线性指标中RR间期C0复杂度,与驾驶员的疲劳状态和过程相关程度最大。
疲劳驾驶判别模块,通过大量实验,分别为上述多种特征信息确定合适的权值,然后将其融合起来,根据建立的疲劳驾驶判别模型,判定驾驶员是否处于疲劳驾驶状态。
数据库模块,用于存储驾驶员人脸识别结果及处于疲劳状态的时间、地点等信息;预警模块,当判定驾驶员处于疲劳驾驶状态时,根据分级预警策略和疲劳等级实现复合预警。
相对于现有技术中的方案,本发明的优点是:
1.现有的疲劳驾驶判别系统大都基于单一指标判断,其结果易受室外光照变化、驾驶员个体差异性等因素的影响,难以保证系统判别的非接触方式、准确性和鲁棒性。本发明提供一种基于图像处理通过心率特征与表情特征融合实现疲劳驾驶判别的系统,通过图像处理的方法将心率特征和表情特征结合起来,实现疲劳驾驶判别的算法及车载装置,提高了疲劳驾驶判别系统的精确度、鲁棒性和可靠性。
2.本发明提出了一种通过图像处理的方法获得驾驶员心率及心率变异特征的算法。
3.本发明提出了一种融合表情特征及心率特征的疲劳驾驶状态检测及判别模型:分别为各种信息特征确定合适的权值,将其融合起来,得到驾驶员疲劳状态信息,然后根据判别模型判定驾驶员是否处于疲劳驾驶状态。
4.本发明研究了不同疲劳状态下听觉、视觉、嗅觉和触觉等各种预警手段的适用规律,制定了与驾驶人状态相适宜的分集预警策略,可依据驾驶人的实际需求实现多种预警手段的选择和组合,根据疲劳等级实现复合预警。
5.本发明中的疲劳驾驶判别系统适用于所有驾驶人,可以安装在家庭用轿车上,尤其适用于长途客运、长途货运、以及特种运输业的职业驾驶人,也可直接应用于飞行员的疲劳驾驶判别。该系统的普及应用对保障驾驶人、乘员及车载货物的安全,大幅降低我国交通事故,特别是恶性事故的发生率,具有重大的现实意义,与此同时将会产生巨大的社会效益和经济效益。
附图说明
下面结合附图及实施例对本发明作进一步描述:
图1为本发明基于图像处理通过心率特征与表情特征融合实现疲劳驾驶判别的系统的结构框图;
图2为本发明基于图像处理通过心率特征与表情特征融合实现疲劳驾驶判别的系统的软件架构图;
图3为本发明基于图像处理通过心率特征与表情特征融合实现疲劳驾驶判别的方法流程图。
具体实施方式
以下结合具体实施例对上述方案做进一步说明。应理解,这些实施例是用于说明本发明而不限于限制本发明的范围。实施例中采用的实施条件可以根据具体厂家的条件做进一步调整,未注明的实施条件通常为常规实验中的条件。
实施例
如图1所示,该基于图像处理通过心率特征与表情特征融合实现疲劳驾驶判别的系统包括信息采集装置、信息处理装置、预警装置,其中信息采集装置,用于采集驾驶人面部图像序列;信息处理装置,用于对采集到的驾驶人面部图像序列进行处理分析,得到驾驶员的表情特征信息及心率特征信息,并将表情特征和心率特征进行信息融合,用以判别驾驶员是否处于疲劳状态;预警装置,用于当驾驶员出现疲劳驾驶时,根据分级预警策略和疲劳等级实现复合预警,预警方式包括声音、LED闪烁、座椅振动、安全带振动、座椅顶部吹风等。
如图2所示,信息处理装置设置有图像采集模块、GPS模块、人脸定位与识别模块、面部姿态估计模块、眼睛睁闭状态检测模块、嘴部形状判别模块、HRV测量与分析模块、疲劳驾驶判别模块、数据库模块、预警模块等,其中图像采集模块,包含摄像头采集到的视频图像信息;GPS模块,用于实时获取车辆的动态位置信息;人脸定位与识别模块,研究在车辆车体振动、室外光线变化、驾驶员面部姿态变化等复杂条件下定位与识别驾驶员人脸图像的算法;面部姿态估计模块,检测到驾驶员人脸图像后,估计人脸面部姿态角度;眼睛睁闭状态检测模块,在检测到的驾驶员人脸图像上检测人眼图像,得到眼睛睁闭状态信息;嘴部形状判别模块,在检测到的人脸图像上检测驾驶员嘴部图像,得到嘴部姿态信息。
HRV测量与分析模块,利用图像处理的方法,根据采集到的驾驶员面部图像序列得到驾驶员在任一段时间内的心率变异特征信息,HRV是指逐次心跳周期差异的变化情况,其信号线性指标中频谱低频与高频的比值以及非线性指标中RR间期C0复杂度,与驾驶员的疲劳状态和过程相关程度最大。
疲劳驾驶判别模块,通过大量实验,分别为上述多种特征信息确定合适的权值,然后将其融合起来,根据建立的疲劳驾驶判别模型,判定驾驶员是否处于疲劳驾驶状态。
数据库模块,用于存储驾驶员人脸识别结果及处于疲劳状态的时间、地点等信息;预警模块,当判定驾驶员处于疲劳驾驶状态时,根据分级预警策略和疲劳等级实现复合预警。
下面结合图3给出本发明基于图像处理通过心率特征与表情特征融合实现疲劳驾驶判别的系统的工作流程:
1、准备步骤:
经过多次试验,得到不同车辆、不同光照、不同驾驶员的人脸图像,进行预处理并归一化为24×24大小的人脸样本后,采用常用的harr特征与Adaboost相结合的方法训练人脸检测分类器;
采集不同光照、不同驾驶员的不同角度下的人脸图像,进行光照补偿等处理后,归一化为24×24大小的人脸样本,提取样本图片的LTP(Local Ternary Patterns,局部三值模式)特征,经过PCA降维,建立姿态子空间,训练面部姿态估计分类器。
2、车辆启动后,疲劳驾驶判别系统开始工作,通过GPS模块实时获取车辆的动态位置信息。
3、图像的采集和处理
将本发明中的疲劳驾驶判别系统的车载终端安装在车辆仪表盘上方,以摄像头能拍摄到驾驶员面对车辆前方时的面部图像为准,为了使系统在夜间也能工作同时又不影响驾驶员视线,通过带有红外LED灯的摄像头得到驾驶员视频图像序列。
(1)面部姿态估计
在采集到的图片序列中,使用训练好的人脸分类器,检测人脸图像的大小和位置,获取驾驶员人脸图像。检测到人脸图像后,提取人脸特征,将其投影至建立好的姿态子空间上,使用面部姿态估计分类器,得到面部姿态估计结果。
设面部姿态特征疲劳驾驶判定参数为F,对于一定时间段内的图像及数据,当面部姿态特征表征值表明驾驶员面部姿态角θ在±30°范围内时,判定为非疲劳状态,F为0;当面部姿态角θ偏转角度过大,但时间t<0.5s时,仍判定为非疲劳状态,F为0;当面部姿态角θ偏转角度过大,且时间t≧0.5s时,则判定为疲劳状态,F为1,如下式:
(2)双眼、鼻及嘴部位置定位以及疲劳状态判断模型建模
检测到人脸图像估计面部姿态的同时,使用主动形状模型(ASM,Active ShapeModel)方法进行双眼、鼻及嘴部位置定位。ASM是建立在PDM(点分布模型)的基础上,通过训练图像样本获取训练图像样本的特征点分布的统计信息,并且获取特征点允许存在的变化方向,实现在目标图像上寻找对应特征点位置的方法。训练样本时,首先手动标记所有图片的特征点的位置,记录特征点的坐标,计算每一个特征点对应的局部灰度模型作为局部特征点调整用的特征向量,再将训练好的模型放在目标图像上,寻找每一个特征点的下一个位置的时候,采用局部灰度模型寻找在当前特征点指定方向上局部灰度模型马氏距离最小的特征点作为当前特征点即将移动到的位置,称为suggested point,找到所有的suggested points获得一个搜索的suggested shape,然后通过调整参数使将当前的模型最可能相似地调整到suggest shape,重复迭代直到实现收敛。
得到人脸图像的双眼位置后,对眼部特征进行分析并建立眼睛睁闭状态判别模型,通过Hough变换来确定眼睛是否闭合。
Hough变换是利用图像全局特性而将边缘像素连接起来组成区域封闭边界的一种方法。利用Hough变换可以直接检测某些已知形状的目标,其主要优点是受噪声和曲线间断的影响较小,具体步骤如下:
1)眼睛的眼球区域是一相对标准的圆,利用圆的Hough变换可以很有效地检测眼球的中心位置和半径:首先进行边缘检测,再利用边缘检测结果得到快速Hough变换的累加器数组,然后对累加器数组进行累加。遍历完所有的边界点后获取累加器数组的最大值,其坐标即为眼球中心位置和半径,记为(a,b,r);
2)上眼睑朝向和位置在眼睛不同状态下的区别比较明显,所以使用抛物线的快速Hough变换获取上眼睑参数(a,b,r)(为避免混淆,使用a0代替上眼睑参数中的a),辅助表征眼睛状态开合度;
3)基于以上获取的眼球和上眼睑的参数,给出以下的眼睛状态开合度评价标准:
a)a0<0时处于闭眼状态;
b)a0>0时眼睛为睁开状态,并取上眼睑的顶点与眼球中心位置的纵坐标之差作为眼睛开合度的评价标准,此时闭合度可以用下式来衡量:
设眼部特征疲劳驾驶判定参数为E,对于一定时间段内的图像及数据,根据a0数值来判断,当a0>0时,若ClosureRat≤e0.5,表明眼睛闭合度小,判定为非疲劳状态,E为0;当a0>0时,若闭合度ClosureRate>0.5且一次闭合时间t<0.2s时,表明眼睛虽然闭合度过大,但闭合时间快,可视为人体正常眨眼行为,仍判定为非疲劳状态,E为0;当ClosureRate>0.5但一次闭合时间t>0.2s时,判定为疲劳状态,E为1;当a0<0时,表明驾驶员处于闭眼状态(疲劳状态)时,E为1;如下式:
得到人脸图像的嘴部位置后,对嘴部特征进行分析并建立嘴部状态判别模型:
1)首先采用Gabor小波提取嘴角的纹理特征,由于Gabor小波系数的幅值对位置变化不敏感,而相位角受位置变化的影响较大,因此选择幅值作为嘴角的小波特征。对一幅在位置m=(x,y),灰度值为L(m)的图像,Gabor小波变换可以表示为下式所述向量
其中,为二维Gabor小波核函数。
2)然后通过线性判别分析(LDA,Linear Discriminant Analysis)判定是否打哈欠:对嘴角的Gabor小波特征,通过LDA求投影矩阵W、样本类内离散度矩阵SW、类间离散度矩阵Sb,得到判别矩阵Wopt:
在分类时,对输入的向量沿训练集中得到的判别矩阵Wopt方向投影,计算投影结果和每个类中心或每个样本的投影结果的距离,利用最近均值法或最近邻法分类输入样本,本实施例中采用了最近均值法。
设嘴部特征疲劳驾驶判定参数为M,当嘴部特征表征值表明驾驶员处于打哈欠状态(疲劳状态)时,M为1;否则,M为0,如下式:
(3)HRV的计算
利用ASM得到人脸图像的双眼、鼻子和嘴部的位置后,找出双眼、鼻子、嘴部边缘特征点的位置,根据其像素点位置及人脸图像的大小确定适合的高度和宽度,截取人脸图像上额头及左右脸颊3个区域处的图像,将这3个区域看作一幅图像,记为P,统计一段时间内的图像序列中截取的多个图像P的R、G、B值信号,对这些信号进行ICA分析,对得到的第二个分量曲线进行插值、滤波等处理后,取其上升沿方向的一阶零点,每两个连续的一阶零点对应的两帧间的时间差即为心率变异数值,统计一段时间如5分钟内的心率变异数值构成一个列向量,然后进行处理分析,得到HRV的2个特征表征值:线性指标中频谱低频与高频的比值p以及非线性指标中RR间期C0复杂度。
设心率变异特征疲劳驾驶判定参数为HRV,当心率变异特征表征值在正常范围内(非疲劳状态)时,HRV为0;当心率变异特征表征值超出正常范围内(疲劳状态)时,HRV为1,如下式:
4、疲劳信息的融合和最终疲劳状态的判断
得到驾驶员的表情特征和HRV特征后,分别为各种信息特征确定合适的权值,将其融合起来,得到驾驶员疲劳状态信息,建立一种疲劳驾驶判别模型:
T=a·F+b·E+c·M+d·HRV;
其中,F为面部特征疲劳驾驶判定参数,E为眼部特征疲劳驾驶判定参数,M为嘴部特征疲劳驾驶判定参数,HRV为心率变异特征疲劳驾驶判定参数,a、b、c、d分别为各自对应参数的权值。
当融合后的疲劳状态信息超过规定的阈值Tthread,或某一种特征信息达到了最大极限值时,就判定为疲劳驾驶。
经过大量实验,本实施例中,选取a=0.18、b=0.59、c=0.12、d=0.11,Tthread=0.11,按下述公式判定疲劳等级:
5、疲劳预警
将驾驶员人脸识别结果、处于疲劳状态的时间、地点等信息存储至数据库中,例如在易出现疲劳状态的时间段内,可通过升级当前的疲劳和预警等级加强疲劳预警提示。
当判定驾驶员处于疲劳驾驶状态时,根据分级预警策略和疲劳等级实现复合预警。通过大量实验,本发明研究了不同疲劳状态下听觉、视觉、嗅觉和触觉等各种预警手段的适用规律,制定了与驾驶人状态相适宜的分集预警策略,可依据驾驶人的实际需求实现多种预警手段的选择和组合,根据疲劳等级实现复合预警。
上述实例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人是能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种基于图像处理融合心率特征与表情特征实现疲劳驾驶判别的系统,包括信息采集装置、信息处理装置和预警装置,其特征在于所述信息采集装置用于采集驾驶人面部图像序列,并提供给信息处理装置;所述信息处理装置用于对采集到的驾驶人面部图像序列进行处理分析,得到驾驶员的表情特征信息及心率特征信息,根据采集到的驾驶员面部图像序列得到驾驶员在任一段时间内的心率变异特征信息,所述心率变异特征为逐次心跳周期差异的变化情况,分析其信号线性指标中频谱低频与高频的比值p以及非线性指标中RR间期C0复杂度,并将表情特征和心率特征进行信息融合,用以判别驾驶员是否处于疲劳状态;预警装置,用于当驾驶员出现疲劳驾驶时,根据预警策略和疲劳等级向预警提示器发送指令,向驾驶员提示预警;所述信息处理装置包括面部姿态估计模块,检测到驾驶员人脸图像后,估计人脸面部姿态角度;眼睛睁闭状态检测模块,在检测到的驾驶员人脸图像上检测人眼图像,得到眼睛睁闭状态信息;嘴部形状判别模块,在检测到的人脸图像上检测驾驶员嘴部图像,得到嘴部姿态信息;
所述面部姿态估计模块的面部姿态估计方法包括以下步骤:
在采集到的图片序列中,使用训练好的人脸分类器,检测人脸图像的大小和位置,获取驾驶员人脸图像;检测到人脸图像后,提取人脸特征,将其投影至建立好的姿态子空间上,使用面部姿态估计分类器,得到面部姿态角θ;
当面部姿态特征表征值表明驾驶员面部姿态角θ在±30°范围内时,判定为非疲劳状态,面部姿态特征疲劳驾驶判定参数F为0;当面部姿态角θ偏转角度过大,但时间t<0.5s时,仍判定为非疲劳状态,F为0;当面部姿态角θ偏转角度过大,且时间t≧0.5s时,则判定为疲劳状态,F为1,如下式:
2.根据权利要求1所述的基于图像处理融合心率特征与表情特征实现疲劳驾驶判别的系统,其特征在于所述预警提示器选自声音提示器、LED闪烁提示器、座椅振动提示器、安全带振动提示器、座椅顶部吹风提示器的一种或者两种以上的任意组合。
3.根据权利要求1所述的基于图像处理融合心率特征与表情特征实现疲劳驾驶判别的系统,其特征在于所述系统集成在车载终端内,所述信息采集装置为带有红外LED灯的摄像头,所述摄像头安装在车辆仪表盘上方,以摄像头能拍摄到驾驶员面对车辆前方时的面部图像为准。
4.根据权利要求1所述的基于图像处理融合心率特征与表情特征实现疲劳驾驶判别的系统,其特征在于所述系统还包括与信息处理装置连接的GPS芯片,所述GPS芯片实时获取车辆的位置信息,并将位置信息发送给信息处理装置。
5.根据权利要求4所述的基于图像处理融合心率特征与表情特征实现疲劳驾驶判别的系统,其特征在于所述信息处理装置为DSP处理系统,所述DSP处理系统根据采集到的面部图像序列和地理位置信息分别获取驾驶员在任一段时间内的心率变异特征信息和驾驶员的面部表情特征信息;根据驾驶员在任一段时间内的心率变异特征信息和驾驶员的面部表情特征信息判断驾驶员是否处于疲劳驾驶状态。
6.根据权利要求1所述的基于图像处理融合心率特征与表情特征实现疲劳驾驶判别的系统,其特征在于所述系统还包括与信息处理装置连接的数据存储装置,所述数据存储装置内设置有驾驶员脸部图像数据库、位置信息数据库和中间信息数据库。
7.一种基于图像处理的疲劳驾驶判别方法,其特征在于所述方法包括以下步骤:
(1)实时驾驶员面部图像序列,并对驾驶员面部图像序列进行处理,获取驾驶员的人脸图像序列;
(2)采用主动形状模型方法对人脸图像进行分析,得到人眼及嘴部位置进而分析眼部和嘴部特征,同时进行面部姿态的估计,然后将面部特征、眼部特征、嘴部特征进行信息融合,得到表情特征信息;面部姿态估计方法包括以下步骤:
在采集到的图片序列中,使用训练好的人脸分类器,检测人脸图像的大小和位置,获取驾驶员人脸图像;检测到人脸图像后,提取人脸特征,将其投影至建立好的姿态子空间上,使用面部姿态估计分类器,得到面部姿态角θ;
当面部姿态特征表征值表明驾驶员面部姿态角θ在±30°范围内时,判定为非疲劳状态,面部姿态特征疲劳驾驶判定参数F为0;当面部姿态角θ偏转角度过大,但时间t<0.5s时,仍判定为非疲劳状态,F为0;当面部姿态角θ偏转角度过大,且时间t≧0.5s时,则判定为疲劳状态,F为1,如下式:
(3)对人脸图像进行分析获取驾驶员在一段时间内的心率变异特征;所述心率变异特征为逐次心跳周期差异的变化情况,分析其信号线性指标中频谱低频与高频的比值p以及非线性指标中RR间期C0复杂度;
(4)将表情特征信息和心率变异数值进行融合得到判断驾驶员疲劳状态的综合值;当融合后的疲劳状态信息超过预定阈值,或某一种特征信息达到了最大极限值时,则判定为疲劳驾驶。
8.根据权利要求7所述的基于图像处理的疲劳驾驶判别方法,其特征在于所述方法步骤(1)具体包括以下步骤:
1)采集到驾驶员的面部图像后,进行图像预处理;
2)利用训练好的人脸分类器进行人脸检测,提取人脸图像特征;
3)基于主成份分析方法进行人脸识别,获得人脸识别结果。
9.根据权利要求7所述的基于图像处理的疲劳驾驶判别方法,其特征在于所述方法步骤(3)具体包括以下步骤:
1)采用主动形状模型方法对人脸图像进行处理,对人脸图像中眼部、鼻子和嘴部的定位,找出眼睛、鼻子、嘴部边缘特征点的位置;在适合的高度和宽度范围内,截取人脸图像上额头及左右脸颊3个区域处的图像;
2)将人脸图像上额头及左右脸颊3个区域看作一幅图像,记为P,统计一段时间内的图像序列中截取的多个图像P的R、G、B值信号并对这些信号进行ICA分析;
3)对ICA分析得到的第二个分量曲线进行插值、滤波处理后,取其上升沿方向的一阶零点,每两个连续的一阶零点对应的两帧间的时间差即为心率变异数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310731567.1A CN103714660B (zh) | 2013-12-26 | 2013-12-26 | 基于图像处理融合心率特征与表情特征实现疲劳驾驶判别的系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310731567.1A CN103714660B (zh) | 2013-12-26 | 2013-12-26 | 基于图像处理融合心率特征与表情特征实现疲劳驾驶判别的系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103714660A CN103714660A (zh) | 2014-04-09 |
CN103714660B true CN103714660B (zh) | 2017-02-08 |
Family
ID=50407589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310731567.1A Active CN103714660B (zh) | 2013-12-26 | 2013-12-26 | 基于图像处理融合心率特征与表情特征实现疲劳驾驶判别的系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103714660B (zh) |
Families Citing this family (68)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050779B (zh) * | 2014-06-10 | 2016-09-14 | 奇瑞汽车股份有限公司 | 一种防疲劳快乐驾驶装置、系统及方法 |
JP6447226B2 (ja) * | 2015-02-20 | 2019-01-09 | アイシン精機株式会社 | 刺激付与装置 |
CN104952210B (zh) * | 2015-05-15 | 2018-01-05 | 南京邮电大学 | 一种基于决策级数据融合的疲劳驾驶状态检测系统和方法 |
CN106843455A (zh) * | 2015-12-03 | 2017-06-13 | 致伸科技股份有限公司 | 疲劳警示系统 |
CN105354988B (zh) * | 2015-12-11 | 2018-02-27 | 东北大学 | 一种基于机器视觉的驾驶员疲劳驾驶检测系统及检测方法 |
US9955925B2 (en) * | 2015-12-18 | 2018-05-01 | Microsoft Technology Licensing, Llc | Drowsiness onset detection |
CN105691367B (zh) * | 2016-01-25 | 2018-08-07 | 大连楼兰科技股份有限公司 | 基于图像与心跳监测联合的公交车主动刹车方法和系统 |
CN105912984A (zh) * | 2016-03-31 | 2016-08-31 | 大连楼兰科技股份有限公司 | 一种融合多态信息的辅助驾驶方法 |
US10262219B2 (en) * | 2016-04-21 | 2019-04-16 | Hyundai Motor Company | Apparatus and method to determine drowsiness of a driver |
CN105996990A (zh) * | 2016-04-29 | 2016-10-12 | 清华大学 | 一种融合心率和驾驶动作的疲劳驾驶预警手环及预警方法 |
CN105956548A (zh) * | 2016-04-29 | 2016-09-21 | 奇瑞汽车股份有限公司 | 驾驶员疲劳状况检测方法和装置 |
CN106548132A (zh) * | 2016-10-16 | 2017-03-29 | 北海益生源农贸有限责任公司 | 融合眼睛状态和心率检测的疲劳驾驶检测方法 |
CN108154450A (zh) * | 2016-12-06 | 2018-06-12 | 上海交通大学 | 数字学习智能监控系统 |
CN106683344A (zh) * | 2017-01-22 | 2017-05-17 | 福州大学 | 防疲劳驾驶系统及其工作方法 |
CN107134115B (zh) * | 2017-03-22 | 2018-11-20 | 重庆新派新智能科技有限公司 | 驾驶疲劳检测警示装置 |
CN107358646A (zh) * | 2017-06-20 | 2017-11-17 | 安徽工程大学 | 一种基于机器视觉的疲劳检测系统及方法 |
CN107392159A (zh) * | 2017-07-27 | 2017-11-24 | 竹间智能科技(上海)有限公司 | 一种面部专注度检测系统及方法 |
CN108122000B (zh) * | 2017-11-28 | 2021-07-30 | 合肥工业大学 | 一种基于特征学习的车标识别方法 |
CN108701214A (zh) * | 2017-12-25 | 2018-10-23 | 深圳市大疆创新科技有限公司 | 图像数据处理方法、装置及设备 |
CN108460355A (zh) * | 2018-03-12 | 2018-08-28 | 知行汽车科技(苏州)有限公司 | 驾驶员状态及行为检测系统及方法 |
US11030885B2 (en) * | 2018-03-14 | 2021-06-08 | Chronolife | System and method for processing multiple signals |
CN108492528A (zh) * | 2018-05-21 | 2018-09-04 | 深圳贻盛科技有限公司 | 一种疲劳驾驶监测系统及车辆 |
CN108764169A (zh) * | 2018-05-31 | 2018-11-06 | 厦门大学 | 一种基于机器学习的驾驶员情绪识别与显示装置及方法 |
CN109241842B (zh) * | 2018-08-02 | 2024-03-05 | 平安科技(深圳)有限公司 | 疲劳驾驶检测方法、装置、计算机设备及存储介质 |
CN109003425A (zh) * | 2018-08-10 | 2018-12-14 | 北京车和家信息技术有限公司 | 一种预警方法及相关设备 |
CN109009173B (zh) * | 2018-08-30 | 2022-02-01 | 北京机械设备研究所 | 一种基于脑电-眼动双模态信号的疲劳检测与调控方法 |
CN108898797A (zh) * | 2018-09-03 | 2018-11-27 | 深圳市尼欧科技有限公司 | 一种预防疲劳驾驶的智能提醒坐垫系统及提醒方法 |
CN109034132A (zh) * | 2018-09-03 | 2018-12-18 | 深圳市尼欧科技有限公司 | 一种驾驶异常行为的检测方法 |
JP7234614B2 (ja) | 2018-12-10 | 2023-03-08 | トヨタ自動車株式会社 | 異常検出装置、異常検出システム及び異常検出プログラム |
CN109918994B (zh) * | 2019-01-09 | 2023-09-15 | 天津大学 | 一种基于商用Wi-Fi的暴力行为检测方法 |
CN109886148A (zh) * | 2019-01-29 | 2019-06-14 | 唐山明天科技有限公司 | 一种基于人脸识别的驾驶员主动报警系统及装置 |
JP7233449B2 (ja) * | 2019-02-04 | 2023-03-06 | 三菱電機株式会社 | 感情推定装置及び感情推定方法 |
CN109816934B (zh) * | 2019-02-21 | 2023-09-08 | 吉林大学 | 一种防驾驶疲劳的预警装置及预警方法 |
CN109875584A (zh) * | 2019-03-01 | 2019-06-14 | 广东轻工职业技术学院 | 驾驶员生理疲劳的检测方法及其警报系统 |
CN109871822A (zh) * | 2019-03-05 | 2019-06-11 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN109993068B (zh) * | 2019-03-11 | 2023-07-21 | 华南理工大学 | 一种基于心率和面部特征的非接触式的人类情感识别方法 |
CN109977820A (zh) * | 2019-03-14 | 2019-07-05 | 重庆邮电大学 | 一种疲劳驾驶判定方法 |
CN109816935B (zh) * | 2019-03-18 | 2020-10-30 | 深圳市道格恒通科技有限公司 | 一种防沉溺的提示方法、装置及智能手机 |
CN110096957B (zh) * | 2019-03-27 | 2023-08-08 | 苏州清研微视电子科技有限公司 | 基于面部识别和行为识别融合的疲劳驾驶监测方法和系统 |
CN110077414B (zh) * | 2019-04-04 | 2020-12-01 | 合肥思艾汽车科技有限公司 | 一种基于驾驶员状态监测的车辆行驶安全保障方法及系统 |
TWI715958B (zh) * | 2019-04-08 | 2021-01-11 | 國立交通大學 | 評估駕駛者之疲勞分數的方法 |
CN110077415A (zh) * | 2019-04-23 | 2019-08-02 | 朱进军 | 新能源汽车用安全监控系统 |
WO2020232893A1 (zh) * | 2019-05-21 | 2020-11-26 | 平安科技(深圳)有限公司 | 一种用户疲劳状态识别方法、装置、终端设备及介质 |
CN110334592A (zh) * | 2019-05-27 | 2019-10-15 | 天津科技大学 | 一种司机异常行为监测和安全保障系统及其方法 |
CN110276273B (zh) * | 2019-05-30 | 2024-01-02 | 福建工程学院 | 融合面部特征与图像脉搏心率估计的驾驶员疲劳检测方法 |
WO2020237664A1 (zh) * | 2019-05-31 | 2020-12-03 | 驭势(上海)汽车科技有限公司 | 驾驶提醒方法、驾驶状态检测方法和计算设备 |
CN112438728A (zh) * | 2019-08-28 | 2021-03-05 | 深圳市超捷通讯有限公司 | 安全驾驶检测装置及检测方法 |
CN110664417A (zh) * | 2019-09-18 | 2020-01-10 | 朔黄铁路发展有限责任公司 | 列车安全驾驶预警设备和系统 |
CN110728206A (zh) * | 2019-09-24 | 2020-01-24 | 捷开通讯(深圳)有限公司 | 疲劳驾驶检测方法、装置、计算机可读存储介质及终端 |
CN111080940A (zh) * | 2019-11-28 | 2020-04-28 | 同济大学 | 一种基于阈值体系的疲劳驾驶预警方法及系统 |
CN111182477A (zh) * | 2019-12-27 | 2020-05-19 | 上海擎感智能科技有限公司 | 基于图片改善用户心情的方法、系统、介质及智能终端 |
CN110901385B (zh) * | 2019-12-31 | 2021-01-15 | 南斗六星系统集成有限公司 | 一种基于驾驶员疲劳状态的主动限速方法 |
CN111179552A (zh) * | 2019-12-31 | 2020-05-19 | 苏州清研微视电子科技有限公司 | 基于多传感器融合的驾驶员状态监测方法和系统 |
CN111292455B (zh) * | 2020-03-05 | 2021-05-18 | 深圳市君利信达科技有限公司 | 一种基于人脸和指纹识别的海关闸门检测系统 |
CN111563456A (zh) * | 2020-05-07 | 2020-08-21 | 安徽江淮汽车集团股份有限公司 | 驾乘行为预警方法及系统 |
CN111583585B (zh) * | 2020-05-26 | 2021-12-31 | 苏州智华汽车电子有限公司 | 一种信息融合的疲劳驾驶预警方法、系统、装置以及介质 |
CN112389444B (zh) * | 2020-10-16 | 2022-04-12 | 爱驰汽车(上海)有限公司 | 基于驾驶员心率检测的车辆预警方法及装置 |
CN112618907A (zh) * | 2020-12-11 | 2021-04-09 | 珠海格力电器股份有限公司 | 环境管理设备及其控制方法 |
CN112754498B (zh) * | 2021-01-11 | 2023-05-26 | 一汽解放汽车有限公司 | 驾驶员的疲劳检测方法、装置、设备及存储介质 |
CN112829767B (zh) * | 2021-02-22 | 2024-05-17 | 清华大学苏州汽车研究院(相城) | 一种基于监测驾驶员误操作的自动驾驶控制系统及方法 |
CN112907897A (zh) * | 2021-02-26 | 2021-06-04 | 浙江南盾科技发展有限公司 | 一种车载防疲劳驾驶提醒设备 |
CN113243919A (zh) * | 2021-04-01 | 2021-08-13 | 上海工程技术大学 | 一种列车司机疲劳状态识别及监控系统 |
CN113420624B (zh) * | 2021-06-11 | 2022-04-26 | 华中师范大学 | 一种非接触式疲劳检测方法及系统 |
CN113558621B (zh) * | 2021-07-23 | 2023-08-01 | 福州数据技术研究院有限公司 | 一种驾驶员疲劳检测与提醒的方法和系统 |
CN113693578B (zh) * | 2021-08-26 | 2024-06-14 | 中国第一汽车股份有限公司 | 一种心率估计方法、装置、设备、系统及存储介质 |
CN116311175A (zh) * | 2021-12-10 | 2023-06-23 | 上海商汤临港智能科技有限公司 | 一种生理状态检测方法、装置、电子设备及存储介质 |
CN114419841A (zh) * | 2022-01-28 | 2022-04-29 | 重庆长安汽车股份有限公司 | 驾驶员疲劳驾驶预警系统及方法 |
CN115227247B (zh) * | 2022-07-20 | 2023-12-26 | 中南大学 | 基于多源信息融合的疲劳驾驶检测方法、系统及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1613425A (zh) * | 2004-09-15 | 2005-05-11 | 南京大学 | 司机疲劳预警生物识别的方法和系统 |
CN101604382A (zh) * | 2009-06-26 | 2009-12-16 | 华中师范大学 | 一种基于面部表情识别的学习疲劳识别干预方法 |
CN201472168U (zh) * | 2009-07-30 | 2010-05-19 | 蒋云 | 提示驾驶员休息的控制系统 |
CN102309315A (zh) * | 2011-09-07 | 2012-01-11 | 周翊民 | 无接触式光学生理检测仪 |
CN103198617A (zh) * | 2013-03-26 | 2013-07-10 | 无锡商业职业技术学院 | 一种疲劳驾驶警示系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5446443B2 (ja) * | 2009-05-15 | 2014-03-19 | 日産自動車株式会社 | 心拍数測定装置および心拍数測定方法 |
-
2013
- 2013-12-26 CN CN201310731567.1A patent/CN103714660B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1613425A (zh) * | 2004-09-15 | 2005-05-11 | 南京大学 | 司机疲劳预警生物识别的方法和系统 |
CN101604382A (zh) * | 2009-06-26 | 2009-12-16 | 华中师范大学 | 一种基于面部表情识别的学习疲劳识别干预方法 |
CN201472168U (zh) * | 2009-07-30 | 2010-05-19 | 蒋云 | 提示驾驶员休息的控制系统 |
CN102309315A (zh) * | 2011-09-07 | 2012-01-11 | 周翊民 | 无接触式光学生理检测仪 |
CN103198617A (zh) * | 2013-03-26 | 2013-07-10 | 无锡商业职业技术学院 | 一种疲劳驾驶警示系统 |
Non-Patent Citations (1)
Title |
---|
基于人脸视频测量脉搏方法的初步研究;赵飞帆等;《生物医学工程学杂志》;20121031;第29卷(第5期);876-879,918 * |
Also Published As
Publication number | Publication date |
---|---|
CN103714660A (zh) | 2014-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103714660B (zh) | 基于图像处理融合心率特征与表情特征实现疲劳驾驶判别的系统 | |
US11783601B2 (en) | Driver fatigue detection method and system based on combining a pseudo-3D convolutional neural network and an attention mechanism | |
CN103824420B (zh) | 基于心率变异性非接触式测量的疲劳驾驶识别系统 | |
CN108875642A (zh) | 一种多指标融合的驾驶员疲劳检测的方法 | |
CN101950355B (zh) | 基于数字视频的驾驶员疲劳状态检测方法 | |
CN104013414B (zh) | 一种基于移动智能手机的驾驶员疲劳检测系统 | |
CN104794856B (zh) | 驾驶员注意力综合测评系统 | |
CN101593425B (zh) | 一种基于机器视觉的疲劳驾驶监控方法及系统 | |
CN106781282A (zh) | 一种智能行车驾驶员疲劳预警系统 | |
CN104123549B (zh) | 一种用于疲劳驾驶实时监测的眼睛定位方法 | |
CN104794855A (zh) | 驾驶员注意力综合评估装置 | |
CN106250801A (zh) | 基于人脸检测和人眼状态识别的疲劳检测方法 | |
CN106682603A (zh) | 一种基于多源信息融合的实时驾驶员疲劳预警系统 | |
CN111753674A (zh) | 一种基于深度学习的疲劳驾驶的检测识别方法 | |
CN105956548A (zh) | 驾驶员疲劳状况检测方法和装置 | |
CN105404862A (zh) | 一种基于手部跟踪的安全驾驶检测方法 | |
CN110490139A (zh) | 基于人脸识别的夜间疲劳驾驶判断方法 | |
CN109740477A (zh) | 驾驶员疲劳检测系统及其疲劳检测方法 | |
CN101872419A (zh) | 一种汽车驾驶员疲劳检测的方法 | |
CN106548132A (zh) | 融合眼睛状态和心率检测的疲劳驾驶检测方法 | |
CN107563346A (zh) | 一种基于人眼图像处理实现驾驶员疲劳判别的方法 | |
CN111310683A (zh) | 一种基于驾驶员疲劳检测的人机协同控制方法及系统 | |
Wagner et al. | Vision based detection of driver cell phone usage and food consumption | |
Zhang et al. | Driver fatigue state detection based on facial key points | |
CN109376583A (zh) | 一种智能车辆辅助驾驶的驾驶员疲劳检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |