驾驶员疲劳检测系统的研究

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (15): 253-258.

驾驶员疲劳检测系统的研究

李绍文1，王江波2

1.桂林电子科技大学网络中心，广西桂林 541004
2.桂林电子科技大学计算机科学与工程学院，广西桂林 541004

出版日期:2013-08-01 发布日期:2013-07-31

Research on driver fatigue detection system

LI Shaowen1, WANG Jiangbo2

1.Network Center, Guilin University of Electronic Technology, Guilin, Guangxi 541004, China
2.School of Computer Science and Engineering, Guilin University of Electronic Technology, Guilin, Guangxi 541004, China

Online:2013-08-01 Published:2013-07-31

摘要/Abstract

摘要： 为了减少由于驾驶员疲劳驾驶引起的交通事故，提出驾驶员疲劳状态检测系统的方案。使用3×3中值滤波去除噪声和光照对图像的影响，通过对AdaBoost算法的强分类器训练算法改进、级联分类器优化实现人脸的快速检测，在检测到的人脸区域，通过积分灰度投影和从粗到细改进的模板匹配方法对人眼进行准确定位；通过PERCLOS、眼睛闭合时间、眼睛眨眼频率、嘴巴张开程度、头部运动的计算，进行驾驶员疲劳程度的综合判定。实验结果表明，该方法准确率高，兼具了良好的实时性和鲁棒性。

关键词: 疲劳检查, 人脸检测, 人眼定位

Abstract: In order to reduce the traffic accidents caused by driver fatigue, this paper proposes a method of the driver fatigue detection system. This method uses median filtering to remove the impact of image noise and light, then achieves rapid detection of human faces by the improved strong classifier training algorithm of AdaBoost algorithm and the optimized cascade. In the detected face region, it uses gray projection points and an improved from coarse to fine template matching method to implement the positioning of human eyes accurately. Using calculated PERCLOS, closure eye time, eye blink frequency, degree of mouth opening and the movement of head, it can determine the comprehensive degree of driver fatigue. The experimental results show that this method has high accuracy with a good real-time and robustness.

Key words: fatigue detection, face detection, eyes location

李绍文1，王江波2. 驾驶员疲劳检测系统的研究[J]. 计算机工程与应用, 2013, 49(15): 253-258.

LI Shaowen1, WANG Jiangbo2. Research on driver fatigue detection system[J]. Computer Engineering and Applications, 2013, 49(15): 253-258.

[1]	陈金鑫，沈文忠. 基于EL-YOLO的虹膜图像人眼定位及分类算法[J]. 计算机工程与应用, 2021, 57(17): 217-223.
[2]	高树静，王程龙，董廷坤. 基于ZYNQ的优化Adaboost人脸检测[J]. 计算机工程与应用, 2020, 56(6): 201-206.
[3]	郭静，宋文爱，杨吉江，王青，梁雅琪，雷毅，高雪梅，李海振. 计算机辅助诊断人脸形态学疾病研究综述[J]. 计算机工程与应用, 2020, 56(19): 22-33.
[4]	刘淇缘，卢树华，兰凌强. 遮挡人脸检测方法研究进展[J]. 计算机工程与应用, 2020, 56(13): 33-46.
[5]	李静，降爱莲. 复杂场景下基于R-FCN的小人脸检测研究[J]. 计算机工程与应用, 2020, 56(1): 203-208.
[6]	晁静静，沈文忠，宋天舒. 基于HOG和SVM的双眼虹膜图像的人眼定位算法[J]. 计算机工程与应用, 2019, 55(9): 184-189.
[7]	罗明柱，肖业伟. 全卷积神经网络的多尺度人脸检测的研究[J]. 计算机工程与应用, 2019, 55(5): 124-128.
[8]	李亚可，玉振明. 级联的卷积神经网络人脸检测方法[J]. 计算机工程与应用, 2019, 55(24): 184-189.
[9]	梁雅琪，宋文爱，杨吉江，王青，王星月，雷毅. 人脸辅助诊断关键技术研究[J]. 计算机工程与应用, 2019, 55(15): 24-31.
[10]	张进1，张娜娜2. 优化特征提取的互动式人脸活体检测研究[J]. 计算机工程与应用, 2019, 55(13): 193-200.
[11]	周安众，罗可. 一种多尺度卷积神经网络的人脸检测模型[J]. 计算机工程与应用, 2018, 54(14): 168-174.
[12]	吴志洋，卓勇，廖生辉. 改进的多目标回归实时人脸检测算法[J]. 计算机工程与应用, 2018, 54(11): 1-7.
[13]	罗富丽，李佳田. 结合运动特征的AdaBoost层次增强算法[J]. 计算机工程与应用, 2017, 53(7): 154-159.
[14]	曾鸿军1，2，沈燕飞2，王毅1. 基于感兴趣区域的头像视频前处理方法[J]. 计算机工程与应用, 2017, 53(6): 188-192.
[15]	唐广发，张会林. 人眼疲劳预测技术的研究[J]. 计算机工程与应用, 2016, 52(9): 213-218.