CN107169437A - 基于视觉的疲劳驾驶检测方法 - Google Patents
基于视觉的疲劳驾驶检测方法 Download PDFInfo
- Publication number
- CN107169437A CN107169437A CN201710327855.9A CN201710327855A CN107169437A CN 107169437 A CN107169437 A CN 107169437A CN 201710327855 A CN201710327855 A CN 201710327855A CN 107169437 A CN107169437 A CN 107169437A
- Authority
- CN
- China
- Prior art keywords
- sample
- haar
- features
- driver
- open
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视觉的疲劳驾驶检测方法,包括以下步骤:S1:通过近红外摄像头获取驾驶员的脸部图像;S2:利用AdaBoost算法直接检测睁眼区域;S3:计算连续闭眼帧数占总帧数的比值,判断驾驶员的疲劳状态。本发明对现有的Haar‑like特征进行扩展,并将该特征应用于AdaBoost算法对人眼的检测中,对多姿态人脸图像和变化的光线有很好的鲁棒性,检测率高。
Description
技术领域
本发明涉及领域,具体涉及一种基于视觉的疲劳驾驶检测方法。
背景技术
近年来,疲劳驾驶已成为重、特大交通事故的主要原因之一。在美国的高速公路上,每年有超过8万起的交通事故,其中约有850起直接导致死亡。因此疲劳驾驶检测技术的研究有着非常重要的现实意义和应用价值。
目前有关疲劳驾驶检测的方法很多,基于计算机视觉的检测方法一般都是先定位人脸,在进行人眼检测,当人脸定位不准确时,会直接影像人脸的检测的准确率。现有的人眼检测的疲劳判别方法一般先用Adaboost算法定位眼睛所在区域,在计算眼睛开闭程度。然而,受图像噪声、图像二值化误差等影响,计算眼睛的开闭程度会存在较大误差,从而导致误判。
发明内容
本发明要解决的技术问题是提供一种基于视觉的疲劳驾驶检测方法。
基于视觉的疲劳驾驶检测方法,包括以下步骤:
S1:通过近红外摄像头获取驾驶员的脸部图像;
S2:利用AdaBoost算法直接检测睁眼区域;
S3:计算连续闭眼帧数占总帧数的比值,判断驾驶员的疲劳状态。
进一步的,利用AdaBoost算法直接检测睁眼区域的方法如下:
1)对现有的Haar-like特征进行扩展,增加新的45°矩形特征;
2)采用扩展的Haar-like特征对大量的正、负样本进行训练,得到用于人眼检测的AdaBoost分类器,具体步骤如下:
2-1)每个Haar-like特征生成1个分类器,其形式如下:
其中,x为样本;fi(x)为第i个类Haar-like特征fi在样本x上的取值;pi(pi∈{-1,+1})为分类符号方向;hi为由特征fi(x)构成的分类器;θi为分类器hi的方法阈值;
2-2)设输入的训练样本图像为(xi,yi),(x2,y2),…,(xn,yn),其中, yi=0和yi=1分别对应负样本和正样本;
2-3)初始化权值,对于yi=0的负样本,wl,t=1/2m;对于yi=1 的正样本,wl,t=1/2l;其中m和l分别为负样本和正样本的数量;
2-4)对于t=1,2,…,T(其中T为最弱分类器的个数):
①归一化权重为一个概率分布,其中,wt,i为训练第i个样本第t次循环的误差权重;
②对于每个特征j训练1个相应的弱分类器hj,相对于当前权重 wi的误差为
③选择误差εi最小的弱分类器hi;
④更新所有样本的权重,其中样本xi被正确分类时ei=0,反之ei=1并且β=εi/(1-εi);
2-5)最终的强分类器为:
其中,αt=log(1/β),ht=min{εt};
3)对测试样本提取关键的Haar-like特征,并将特征输入到 AdaBoost分类器进行人眼检测。
进一步的,判断驾驶员的疲劳状态的方法如下:
1)设眼睛完全睁开到闭合20%的时间间隔为t1,t2为完全睁开到闭合80%的时间,t3为完全睁开到下一次睁开20%的时间,t4为完全睁开到下一次睁开80%的时间;
2)通过测出的t1、t2、t3和t4值计算出连续闭眼的帧数占总帧数的比值f80,即:
3)统计连续闭眼帧的帧数,若超过设定的阈值则判定为驾驶员疲劳。
本发明的有益效果是:
本发明采用近红外摄像头来获取驾驶员的脸部图像,保证白天和黑夜都能获取较好的脸部图像;对现有的Haar-like特征进行扩展,并将该特征应用于AdaBoost算法对人眼的检测中,直接检测睁眼区域,不仅提高了检测速度,还避免由于人脸检测错误所带来的误判;对多姿态人脸图像和变化的光线有很好的鲁棒性,检测率高。
具体实施方式
以下具体实施例对本发明作进一步阐述,但不作为对本发明的限定。
基于视觉的疲劳驾驶检测方法,包括以下步骤:
S1:通过近红外摄像头获取驾驶员的脸部图像;
S2:利用AdaBoost算法直接检测睁眼区域;
S3:计算连续闭眼帧数占总帧数的比值,判断驾驶员的疲劳状态。
利用AdaBoost算法直接检测睁眼区域的方法如下:
1)对现有的Haar-like特征进行扩展,增加新的45°矩形特征;
2)采用扩展的Haar-like特征对大量的正、负样本进行训练,得到用于人眼检测的AdaBoost分类器,具体步骤如下:
2-1)每个Haar-like特征生成1个分类器,其形式如下:
其中,x为样本;fi(x)为第i个类Haar-like特征fi在样本x上的取值;pi(pi∈{-1,+1})为分类符号方向;hi为由特征fi(x)构成的分类器;θi为分类器hi的方法阈值;
2-2)设输入的训练样本图像为(x1,y1),(x2,y2),…,(xn,yn),其中, yi=0和yi=1分别对应负样本和正样本;
2-3)初始化权值,对于yi=0的负样本,wl,t=1/2m;对于yi=1 的正样本,wl,t=1/2l;其中m和l分别为负样本和正样本的数量;
2-4)对于t=1,2,…,T(其中T为最弱分类器的个数):
①归一化权重为一个概率分布,其中,wt,i为训练第i个样本第t次循环的误差权重;
②对于每个特征j训练1个相应的弱分类器hj,相对于当前权重 wi的误差为
③选择误差εi最小的弱分类器hi;
④更新所有样本的权重,其中样本xi被正确分类时ei=0,反之ei=1并且β=εi/(1-εi);
2-5)最终的强分类器为:
其中,αt=log(1/β),ht=min{εt};
3)对测试样本提取关键的Haar-like特征,并将特征输入到 AdaBoost分类器进行人眼检测。
判断驾驶员的疲劳状态的方法如下:
1)设眼睛完全睁开到闭合20%的时间间隔为t1,t2为完全睁开到闭合80%的时间,t3为完全睁开到下一次睁开20%的时间,t4为完全睁开到下一次睁开80%的时间;
2)通过测出的t1、t2、t3和t4值计算出连续闭眼的帧数占总帧数的比值f80,即:
3)统计连续闭眼帧的帧数,若超过设定的阈值则判定为驾驶员疲劳。
Claims (3)
1.基于视觉的疲劳驾驶检测方法,其特征在于,包括以下步骤:
S1:通过近红外摄像头获取驾驶员的脸部图像;
S2:利用AdaBoost算法直接检测睁眼区域;
S3:计算连续闭眼帧数占总帧数的比值,判断驾驶员的疲劳状态。
2.根据权利要求1所述的疲劳驾驶检测方法,其特征在于,利用AdaBoost算法直接检测睁眼区域的方法如下:
1)对现有的Haar-like特征进行扩展,增加新的45°矩形特征;
2)采用扩展的Haar-like特征对大量的正、负样本进行训练,得到用于人眼检测的AdaBoost分类器,具体步骤如下:
2-1)每个Haar-like特征生成1个分类器,其形式如下:
其中,x为样本;fi(x)为第i个类Haar-like特征fi在样本x上的取值;pi(pi∈{-1,+1})为分类符号方向;hi为由特征fi(x)构成的分类器;θi为分类器hi的方法阈值;
2-2)设输入的训练样本图像为(x1,y1),(x2,y2),…,(xn,yn),其中,yi=0和yi=1分别对应负样本和正样本;
2-3)初始化权值,对于yi=0的负样本,wl,t=1/2m;对于yi=1的正样本,wl,t=1/2l;其中m和l分别为负样本和正样本的数量;
2-4)对于t=1,2,…,T(其中T为最弱分类器的个数):
①归一化权重为一个概率分布,其中,wt,i为训练第i个样本第t次循环的误差权重;
②对于每个特征j训练1个相应的弱分类器hj,相对于当前权重wi的误差为
③选择误差εi最小的弱分类器hi;
④更新所有样本的权重,其中样本xi被正确分类时ei=0,反之ei=1并且β=εi/(1-εi);
2-5)最终的强分类器为:
其中,αt=log(1/β),ht=min{εt};
3)对测试样本提取关键的Haar-like特征,并将特征输入到AdaBoost分类器进行人眼检测。
3.根据权利要求1所述的疲劳驾驶检测方法,其特征在于,判断驾驶员的疲劳状态的方法如下:
1)设眼睛完全睁开到闭合20%的时间间隔为t1,t2为完全睁开到闭合80%的时间,t3为完全睁开到下一次睁开20%的时间,t4为完全睁开到下一次睁开80%的时间;
2)通过测出的t1、t2、t3和t4值计算出连续闭眼的帧数占总帧数的比值f80,即:
3)统计连续闭眼帧的帧数,若超过设定的阈值则判定为驾驶员疲劳。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710327855.9A CN107169437A (zh) | 2017-05-11 | 2017-05-11 | 基于视觉的疲劳驾驶检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710327855.9A CN107169437A (zh) | 2017-05-11 | 2017-05-11 | 基于视觉的疲劳驾驶检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107169437A true CN107169437A (zh) | 2017-09-15 |
Family
ID=59814862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710327855.9A Withdrawn CN107169437A (zh) | 2017-05-11 | 2017-05-11 | 基于视觉的疲劳驾驶检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107169437A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992831A (zh) * | 2017-12-07 | 2018-05-04 | 深圳云天励飞技术有限公司 | 疲劳状态检测方法、装置、电子设备及存储介质 |
CN109117810A (zh) * | 2018-08-24 | 2019-01-01 | 深圳市国脉畅行科技股份有限公司 | 疲劳驾驶行为检测方法、装置、计算机设备及存储介质 |
CN111035096A (zh) * | 2020-01-09 | 2020-04-21 | 郑州铁路职业技术学院 | 一种基于安全帽的工程施工人员疲劳检测系统 |
CN111291590A (zh) * | 2018-12-06 | 2020-06-16 | 广州汽车集团股份有限公司 | 驾驶员疲劳检测方法、装置、计算机设备和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102054163A (zh) * | 2009-10-27 | 2011-05-11 | 南京理工大学 | 基于单目视觉的驾驶员疲劳检测方法 |
-
2017
- 2017-05-11 CN CN201710327855.9A patent/CN107169437A/zh not_active Withdrawn
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102054163A (zh) * | 2009-10-27 | 2011-05-11 | 南京理工大学 | 基于单目视觉的驾驶员疲劳检测方法 |
Non-Patent Citations (1)
Title |
---|
姚瑶 等: ""基于视觉的疲劳驾驶检测算法"", 《合肥工业大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992831A (zh) * | 2017-12-07 | 2018-05-04 | 深圳云天励飞技术有限公司 | 疲劳状态检测方法、装置、电子设备及存储介质 |
CN109117810A (zh) * | 2018-08-24 | 2019-01-01 | 深圳市国脉畅行科技股份有限公司 | 疲劳驾驶行为检测方法、装置、计算机设备及存储介质 |
CN111291590A (zh) * | 2018-12-06 | 2020-06-16 | 广州汽车集团股份有限公司 | 驾驶员疲劳检测方法、装置、计算机设备和存储介质 |
CN111035096A (zh) * | 2020-01-09 | 2020-04-21 | 郑州铁路职业技术学院 | 一种基于安全帽的工程施工人员疲劳检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100592322C (zh) | 照片人脸与活体人脸的计算机自动鉴别方法 | |
CN104778453B (zh) | 一种基于红外行人亮度统计特征的夜间行人检测方法 | |
CN106096538B (zh) | 基于定序神经网络模型的人脸识别方法及装置 | |
CN100452081C (zh) | 一种人眼定位及人眼状态识别方法 | |
CN105975941B (zh) | 一种基于深度学习的多方向车型检测识别系统 | |
CN107169437A (zh) | 基于视觉的疲劳驾驶检测方法 | |
CN108053615B (zh) | 基于微表情的驾驶员疲劳驾驶状态检测方法 | |
CN104637246B (zh) | 一种驾驶员多种行为预警系统及危险评估方法 | |
CN107491769A (zh) | 基于AdaBoost算法的疲劳驾驶检测方法及系统 | |
CN103903004B (zh) | 一种人脸识别多特征权值融合方法与装置 | |
CN106228293A (zh) | 教学评估方法及系统 | |
CN105868689A (zh) | 一种基于级联卷积神经网络的人脸遮挡检测方法 | |
CN103020596B (zh) | 一种基于块模型的电力生产中异常人体行为识别方法 | |
CN106682586A (zh) | 一种复杂光照条件下基于视觉的实时车道线检测的方法 | |
CN104616006B (zh) | 一种面向监控视频的胡须人脸检测方法 | |
CN103455820A (zh) | 基于机器视觉技术的车辆检测和跟踪方法及系统 | |
CN106682603A (zh) | 一种基于多源信息融合的实时驾驶员疲劳预警系统 | |
WO2008151471A1 (fr) | Procédé de positionnementrobuste et précis de l'oeil dans une image d'arrière-plan compliquée | |
CN109460704A (zh) | 一种基于深度学习的疲劳检测方法、系统和计算机设备 | |
CN107133568B (zh) | 一种基于车载前视相机的限速提示及超速告警方法 | |
CN106909879A (zh) | 一种疲劳驾驶检测方法及系统 | |
CN103810703A (zh) | 一种基于图像处理的隧道视频运动目标检测方法 | |
CN105809713A (zh) | 基于在线Fisher判别机制增强特征选择的目标跟踪方法 | |
CN106203338B (zh) | 基于网格区域分割和阈值自适应的人眼状态快速识别方法 | |
CN103544478A (zh) | 一种全方位人脸检测的方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20170915 |
|
WW01 | Invention patent application withdrawn after publication |