CN108229245A - 基于面部视频特征的疲劳驾驶检测方法 - Google Patents

基于面部视频特征的疲劳驾驶检测方法 Download PDF

Info

Publication number
CN108229245A
CN108229245A CN201611150264.0A CN201611150264A CN108229245A CN 108229245 A CN108229245 A CN 108229245A CN 201611150264 A CN201611150264 A CN 201611150264A CN 108229245 A CN108229245 A CN 108229245A
Authority
CN
China
Prior art keywords
image
feature
mouth
eyes
sample
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Withdrawn
Application number
CN201611150264.0A
Other languages
English (en)
Inventor
不公告发明人
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guigang Ruicheng Technology Co Ltd
Original Assignee
Guigang Ruicheng Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guigang Ruicheng Technology Co Ltd filed Critical Guigang Ruicheng Technology Co Ltd
Priority to CN201611150264.0A priority Critical patent/CN108229245A/zh
Publication of CN108229245A publication Critical patent/CN108229245A/zh
Withdrawn legal-status Critical Current

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/197—Matching; Classification
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/06—Alarms for ensuring the safety of persons indicating a condition of sleep, e.g. anti-dozing alarms

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Ophthalmology & Optometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于面部视频特征的疲劳驾驶检测方法，包括以下步骤：S1：采集人脸视频图像，对图像进行预处理；S2：采用基于Haar特征的级联Adaboost人脸检测算法对人脸图像进行检测；S3：利用Gabor滤波器增强面部局部特征的边缘信息，准确定位眼睛和嘴部；S4：采用一种旋转不变的LBP金字塔特征对眼睛进行特征描述，训练线性SVM分类器判别眼睛的开闭状态；S5：根据嘴部二值图像的张开面积及宽高比判断嘴部的开闭状态；S6：采用多模态特征的距离测度学习算法判别驾驶员整体面部的疲劳表情；S7：根据眼睛和嘴部的状态以及疲劳表情，计算出四个能够描述驾驶员状态的疲劳参数，利用模糊系统融合推理得出驾驶员的疲劳状态，并根据推理结果予以不同的预警措施。

Description

基于面部视频特征的疲劳驾驶检测方法
技术领域
本发明涉及一种基于面部视频特征的疲劳驾驶检测方法。
背景技术
随着国民经济的迅速发展，交通行业已经成为经济建设最重要的基础，汽车对人们工作和生活的影响力也越来越大。汽车安全驾驶一直是研究的热门方向，其中安全气囊等一些能够保障驾驶员安全的装置已经被普及，但是这些设计均是被动的保护措施，而不能主动降低交通事故的发生率。但是如果在事故发生前能够对驾驶员提前预警，就能够避免一些交通事故的发生，这项技术称之为汽车主动安全技术。被动的保护措施与主动安全技术相结合的话，就很大程度能够降低交通事故的发生率，并且能减少交通事故中的人员伤亡。
交通事故分析表明，很多的交通事故是由于驾驶员疲劳驾驶引起的，因为如果驾驶员处于疲劳状态，其注意力就不能集中，驾驶能力也会随之下降，反应速度也会明显变慢，对于突发情况的处理能力就远不如正常状态。驾驶人员长时间连续行车后，会产生生理机能和心理机能的失调，使驾驶员反应变得迟钝、注意力不集中、动作不灵活、视觉模糊，从而客观上导致驾驶机能下降，引起交通事故。而在较长时间的驾驶过程中，驾驶员的疲劳程度是逐渐积累的，如果能够根据驾驶员眼部、嘴部及头部特征及时有效的监测，并且必要时预警提醒驾驶员，这样就能很大程度上避免发生交通事故。据统计，如果驾驶员比交通事故时的反应快0.5s，就有60％的交通事故能够避免。因此研究实时性的疲劳驾驶检测系统具有非常实际的意义。
发明内容
本发明要解决的技术问题是提供一种基于面部视频特征的疲劳驾驶检测方法。
基于面部视频特征的疲劳驾驶检测方法，包括以下步骤：
S1：采集人脸视频图像，对图像进行预处理；
S2：采用基于Haar特征的级联Adaboost人脸检测算法对人脸图像进行检测；
S3：利用Gabor滤波器增强面部局部特征的边缘信息，准确定位眼睛和嘴部；
S4：采用一种旋转不变的LBP金字塔特征对眼睛进行特征描述，训练线性SVM分类器判别眼睛的开闭状态；
S5：根据嘴部二值图像的张开面积及宽高比判断嘴部的开闭状态；
S6：采用多模态特征的距离测度学习算法判别驾驶员整体面部的疲劳表情；
S7：根据眼睛和嘴部的状态以及疲劳表情，计算出四个能够描述驾驶员状态的疲劳参数，利用模糊系统融合推理得出驾驶员的疲劳状态，并根据推理结果予以不同的预警措施。
进一步的，所述基于Haar特征的级联Adaboost人脸检测算法具体方法如下：
S2-1：对样本进行图像增强处理，将所有的样本转换到同一个亮度区间内；
S2-2：对人脸样本和非人脸样本提取Haar特征，再结合Adaboost算法训练一个人脸分类器；
S2-3：对于系统输入的图像，进行简单的预处理，然后就加载之前训练的好人脸分类器，再基于滑动窗口法在图片上搜索人脸。
进一步的，步骤S4中眼睛的开闭状态的判别方法如下：
1)采用的训练样本大小均为80*20，首先在原图像(80*20)上提取一次LBP特征作为金字塔的第一层；
2)然后采用高斯滤波器对图像平滑滤波，再对图像降采样缩放到40*10，再对图像提取一次LBP特征作为金字塔的第二层；
3)类似地，对上一层的图像作类似处理，再提取LBP特征作为金字塔的第三层；
4)最后，组合三个部分的特征，作为最后的描述特征，然后再通过SVM训练一个能够判断眼睛的状态的线性分类器。
进一步的，步骤S5中嘴部的开闭状态的判别方法如下：
1)当嘴部的二值图像的像素个数小于T1时，将其判断为闭合状态；
2)对于大于此阈值的样本，再根据其嘴部二值图像的长宽比来进一步判断，如果长宽比大于T2时，依然判断它是闭合状态，反之被判断是张开的。
进一步的，步骤S6中所述多模态特征的距离测度学习算法具体如下：
1)对训练样本提取多种特征，再分别对每种特征求测度矩阵M；
2)计算测试样本在该测度下与所有训练样本的距离，计算公式如下所示；
其中，zi(i-1,2,...,N)表示训练样本，z表示测试样本，k表示提取的特征的种类，Mk表示该种特征对应的测度矩阵；
2)求其所有测度下的平均距离作为KNN分类器分类的依据，如果KNN分类器的近邻元素变量n＝5，则根据与之最近的五个样本的类别投票判断测试样本的类别，如果最近的五个样本有三个或三个以上的样本为疲劳，则判断该测试样本为疲劳状态，反之为正常状态。
本发明的有益效果是：
1)采用一种旋转不变的LBP金字塔特征对眼睛进行特征描述,训练线性SVM分类器判别眼睛的开闭状态,由于旋转不变的LBP特征具有旋转不变性,因此能够克服驾驶员在驾驶过程中发生的倾斜等情况带来的干扰；
2)采用多模态特征的测度学习算法判断驾驶员的疲劳表情，多模态特征的判别算法在鲁棒性和准确性方面都明显的优于单模态特征。
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。
基于面部视频特征的疲劳驾驶检测方法，包括以下步骤：
S1：采集人脸视频图像，对图像进行预处理；
S2：采用基于Haar特征的级联Adaboost人脸检测算法对人脸图像进行检测；
S3：利用Gabor滤波器增强面部局部特征的边缘信息，准确定位眼睛和嘴部；
S4：采用一种旋转不变的LBP金字塔特征对眼睛进行特征描述，训练线性SVM分类器判别眼睛的开闭状态；
S5：根据嘴部二值图像的张开面积及宽高比判断嘴部的开闭状态；
S6：采用多模态特征的距离测度学习算法判别驾驶员整体面部的疲劳表情；
S7：根据眼睛和嘴部的状态以及疲劳表情，计算出四个能够描述驾驶员状态的疲劳参数，利用模糊系统融合推理得出驾驶员的疲劳状态，并根据推理结果予以不同的预警措施。
所述基于Haar特征的级联Adaboost人脸检测算法具体方法如下：
S2-1：对样本进行图像增强处理，将所有的样本转换到同一个亮度区间内；
S2-2：对人脸样本和非人脸样本提取Haar特征，再结合Adaboost算法训练一个人脸分类器；
S2-3：对于系统输入的图像，进行简单的预处理，然后就加载之前训练的好人脸分类器，再基于滑动窗口法在图片上搜索人脸。
步骤S4中眼睛的开闭状态的判别方法如下：
1)采用的训练样本大小均为80*20，首先在原图像(80*20)上提取一次LBP特征作为金字塔的第一层；
2)然后采用高斯滤波器对图像平滑滤波，再对图像降采样缩放到40*10，再对图像提取一次LBP特征作为金字塔的第二层；
3)类似地，对上一层的图像作类似处理，再提取LBP特征作为金字塔的第三层；
4)最后，组合三个部分的特征，作为最后的描述特征，然后再通过SVM训练一个能够判断眼睛的状态的线性分类器。
步骤S5中嘴部的开闭状态的判别方法如下：
1)当嘴部的二值图像的像素个数小于T1时，将其判断为闭合状态；
2)对于大于此阈值的样本，再根据其嘴部二值图像的长宽比来进一步判断，如果长宽比大于T2时，依然判断它是闭合状态，反之被判断是张开的。
步骤S6中所述多模态特征的距离测度学习算法具体如下：
1)对训练样本提取多种特征，再分别对每种特征求测度矩阵M；
2)计算测试样本在该测度下与所有训练样本的距离，计算公式如下所示；
其中，zi(i-1,2,...,N)表示训练样本，z表示测试样本，k表示提取的特征的种类，Mk表示该种特征对应的测度矩阵；
2)求其所有测度下的平均距离作为KNN分类器分类的依据，如果KNN分类器的近邻元素变量n＝5，则根据与之最近的五个样本的类别投票判断测试样本的类别，如果最近的五个样本有三个或三个以上的样本为疲劳，则判断该测试样本为疲劳状态，反之为正常状态。

Claims (5)

1.基于面部视频特征的疲劳驾驶检测方法，其特征在于，包括以下步骤：
S1：采集人脸视频图像，对图像进行预处理；
S2：采用基于Haar特征的级联Adaboost人脸检测算法对人脸图像进行检测；
S3：利用Gabor滤波器增强面部局部特征的边缘信息，准确定位眼睛和嘴部；
S4：采用一种旋转不变的LBP金字塔特征对眼睛进行特征描述，训练线性SVM分类器判别眼睛的开闭状态；
S5：根据嘴部二值图像的张开面积及宽高比判断嘴部的开闭状态；
S6：采用多模态特征的距离测度学习算法判别驾驶员整体面部的疲劳表情；
S7：根据眼睛和嘴部的状态以及疲劳表情，计算出四个能够描述驾驶员状态的疲劳参数，利用模糊系统融合推理得出驾驶员的疲劳状态，并根据推理结果予以不同的预警措施。
2.根据权利要求1所述的疲劳驾驶检测方法，其特征在于，所述基于Haar特征的级联Adaboost人脸检测算法具体方法如下：
S2-1：对样本进行图像增强处理，将所有的样本转换到同一个亮度区间内；
S2-2：对人脸样本和非人脸样本提取Haar特征，再结合Adaboost算法训练一个人脸分类器；
S2-3：对于系统输入的图像，进行简单的预处理，然后就加载之前训练的好人脸分类器，再基于滑动窗口法在图片上搜索人脸。
3.根据权利要求1所述的疲劳驾驶检测方法，其特征在于，步骤S4中眼睛的开闭状态的判别方法如下：
1)采用的训练样本大小均为80*20，首先在原图像(80*20)上提取一次LBP特征作为金字塔的第一层；
2)然后采用高斯滤波器对图像平滑滤波，再对图像降采样缩放到40*10，再对图像提取一次LBP特征作为金字塔的第二层；
3)类似地，对上一层的图像作类似处理，再提取LBP特征作为金字塔的第三层；
4)最后，组合三个部分的特征，作为最后的描述特征，然后再通过SVM训练一个能够判断眼睛的状态的线性分类器。
4.根据权利要求1所述的疲劳驾驶检测方法，其特征在于，步骤S5中嘴部的开闭状态的判别方法如下：
1)当嘴部的二值图像的像素个数小于T1时，将其判断为闭合状态；
2)对于大于此阈值的样本，再根据其嘴部二值图像的长宽比来进一步判断，如果长宽比大于T2时，依然判断它是闭合状态，反之被判断是张开的。
5.根据权利要求1所述的疲劳驾驶检测方法，其特征在于，步骤S6中所述多模态特征的距离测度学习算法具体如下：
1)对训练样本提取多种特征，再分别对每种特征求测度矩阵M；
2)计算测试样本在该测度下与所有训练样本的距离，计算公式如下所示；
其中，zi(i-1,2,...,N)表示训练样本，z表示测试样本，k表示提取的特征的种类，Mk表示该种特征对应的测度矩阵；
2)求其所有测度下的平均距离作为KNN分类器分类的依据，如果KNN分类器的近邻元素变量n＝5，则根据与之最近的五个样本的类别投票判断测试样本的类别，如果最近的五个样本有三个或三个以上的样本为疲劳，则判断该测试样本为疲劳状态，反之为正常状态。
CN201611150264.0A 2016-12-14 2016-12-14 基于面部视频特征的疲劳驾驶检测方法 Withdrawn CN108229245A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611150264.0A CN108229245A (zh) 2016-12-14 2016-12-14 基于面部视频特征的疲劳驾驶检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611150264.0A CN108229245A (zh) 2016-12-14 2016-12-14 基于面部视频特征的疲劳驾驶检测方法

Publications (1)

Publication Number Publication Date
CN108229245A true CN108229245A (zh) 2018-06-29

Family

ID=62638583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611150264.0A Withdrawn CN108229245A (zh) 2016-12-14 2016-12-14 基于面部视频特征的疲劳驾驶检测方法

Country Status (1)

Country Link
CN (1) CN108229245A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109460703A (zh) * 2018-09-14 2019-03-12 华南理工大学 一种基于心率和面部特征的非侵入式疲劳驾驶识别方法
CN110021147A (zh) * 2019-05-07 2019-07-16 四川九洲视讯科技有限责任公司 一种基于机器学习和数值标定的疲劳驾驶检测方法
CN111104817A (zh) * 2018-10-25 2020-05-05 中车株洲电力机车研究所有限公司 一种基于深度学习的疲劳检测方法
CN111860437A (zh) * 2020-07-31 2020-10-30 苏州大学 一种基于面部表情判断疲劳程度的方法及装置
CN112163453A (zh) * 2020-08-25 2021-01-01 同济大学 一种人机协作环境下的人员状态检测方法及系统
CN112562722A (zh) * 2020-12-01 2021-03-26 新华智云科技有限公司 基于语义的音频驱动数字人生成方法及系统
CN112896175A (zh) * 2021-01-13 2021-06-04 重庆市索美智能交通通讯服务有限公司 驾驶行为分析系统及方法
CN113255558A (zh) * 2021-06-09 2021-08-13 北京惠朗时代科技有限公司 一种基于单幅图像的司机疲劳驾驶低耗识别方法及装置
CN113657146A (zh) * 2021-06-30 2021-11-16 北京惠朗时代科技有限公司 一种基于单幅图像的学生非专注学习低耗识别方法及装置
CN113792663A (zh) * 2021-09-15 2021-12-14 东北大学 一种驾驶员酒驾以及疲劳驾驶的检测方法、装置及存储介质
CN114173090A (zh) * 2021-12-01 2022-03-11 长安大学 一种基于knn算法的纠正驾驶员驾驶行为的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN102592147A (zh) * 2011-12-30 2012-07-18 深圳市万兴软件有限公司 一种人脸检测的方法和装置
CN104616437A (zh) * 2015-02-27 2015-05-13 浪潮集团有限公司 一种车载的疲劳识别系统和方法
CN104881955A (zh) * 2015-06-16 2015-09-02 华中科技大学 一种驾驶员疲劳驾驶检测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN102592147A (zh) * 2011-12-30 2012-07-18 深圳市万兴软件有限公司 一种人脸检测的方法和装置
CN104616437A (zh) * 2015-02-27 2015-05-13 浪潮集团有限公司 一种车载的疲劳识别系统和方法
CN104881955A (zh) * 2015-06-16 2015-09-02 华中科技大学 一种驾驶员疲劳驾驶检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周云鹏: "基于面部视觉多特征融合的驾驶员疲劳检测方法研究", 《万方学位论文数据库》 *
周云鹏等: "面部多特征融合的驾驶员疲劳检测方法", 《电子测量与仪器学报》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109460703B (zh) * 2018-09-14 2022-03-29 华南理工大学 一种基于心率和面部特征的非侵入式疲劳驾驶识别方法
CN109460703A (zh) * 2018-09-14 2019-03-12 华南理工大学 一种基于心率和面部特征的非侵入式疲劳驾驶识别方法
CN111104817A (zh) * 2018-10-25 2020-05-05 中车株洲电力机车研究所有限公司 一种基于深度学习的疲劳检测方法
CN110021147A (zh) * 2019-05-07 2019-07-16 四川九洲视讯科技有限责任公司 一种基于机器学习和数值标定的疲劳驾驶检测方法
CN111860437A (zh) * 2020-07-31 2020-10-30 苏州大学 一种基于面部表情判断疲劳程度的方法及装置
CN112163453A (zh) * 2020-08-25 2021-01-01 同济大学 一种人机协作环境下的人员状态检测方法及系统
CN112562722A (zh) * 2020-12-01 2021-03-26 新华智云科技有限公司 基于语义的音频驱动数字人生成方法及系统
CN112896175A (zh) * 2021-01-13 2021-06-04 重庆市索美智能交通通讯服务有限公司 驾驶行为分析系统及方法
CN112896175B (zh) * 2021-01-13 2022-06-14 重庆市索美智能交通通讯服务有限公司 驾驶行为分析系统及方法
CN113255558A (zh) * 2021-06-09 2021-08-13 北京惠朗时代科技有限公司 一种基于单幅图像的司机疲劳驾驶低耗识别方法及装置
CN113657146A (zh) * 2021-06-30 2021-11-16 北京惠朗时代科技有限公司 一种基于单幅图像的学生非专注学习低耗识别方法及装置
CN113657146B (zh) * 2021-06-30 2024-02-06 北京惠朗时代科技有限公司 一种基于单幅图像的学生非专注学习低耗识别方法及装置
CN113792663A (zh) * 2021-09-15 2021-12-14 东北大学 一种驾驶员酒驾以及疲劳驾驶的检测方法、装置及存储介质
CN113792663B (zh) * 2021-09-15 2024-05-14 东北大学 一种驾驶员酒驾以及疲劳驾驶的检测方法、装置及存储介质
CN114173090A (zh) * 2021-12-01 2022-03-11 长安大学 一种基于knn算法的纠正驾驶员驾驶行为的方法

Similar Documents

Publication Publication Date Title
CN108229245A (zh) 基于面部视频特征的疲劳驾驶检测方法
Chirra et al. Deep CNN: A Machine Learning Approach for Driver Drowsiness Detection Based on Eye State.
Tipprasert et al. A method of driver’s eyes closure and yawning detection for drowsiness analysis by infrared camera
CN108053615B (zh) 基于微表情的驾驶员疲劳驾驶状态检测方法
Teyeb et al. A novel approach for drowsy driver detection using head posture estimation and eyes recognition system based on wavelet network
CN106250801A (zh) 基于人脸检测和人眼状态识别的疲劳检测方法
CN109740477A (zh) 驾驶员疲劳检测系统及其疲劳检测方法
CN103824420A (zh) 基于心率变异性非接触式测量的疲劳驾驶识别系统
Liu et al. A practical driver fatigue detection algorithm based on eye state
CN107563346A (zh) 一种基于人眼图像处理实现驾驶员疲劳判别的方法
Choi et al. Driver drowsiness detection based on multimodal using fusion of visual-feature and bio-signal
CN104331160A (zh) 一种基于唇部状态识别的智能轮椅人机交互系统及方法
Kulkarni et al. A review paper on monitoring driver distraction in real time using computer vision system
Rani et al. Development of an Automated Tool for Driver Drowsiness Detection
Sistla et al. Stacked ensemble classification based real-time driver drowsiness detection
Liu et al. Design and implementation of multimodal fatigue detection system combining eye and yawn information
Vardhan et al. Driver’s drowsiness detection based on facial multi-feature fusion
Shewale et al. Real time driver drowsiness detection system
Chen et al. Research on a driver fatigue state detection system
Songkroh et al. An intelligent risk detection from driving behavior based on BPNN and fuzzy logic combination
Rahunathan et al. Drowsiness detection and accident prevention by using K Nearest Neighbor (KNN) algorithm
Songkroh et al. An intelligent hybrid approach for detection of drowsy driving risk in real environments
Doppala et al. A Machine Intelligence Model to Detect Drowsiness for Preventing Road Accidents
Hasan et al. Driver fatigue recognition using skin color modeling
Liu et al. Driver Fatigue Detection Method Based on Eye Multi-Feature Fusion

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: 20180629

WW01 Invention patent application withdrawn after publication