论文部分内容阅读
目前，交通安全问题成为世界性的广泛话题，根据统计，大约有40％的交通安全问题来自疲劳驾驶。研究驾驶员疲劳监测方法，用以预防交通事故的发生，具有非常重要的现实意义。 本文在对现有的驾驶员疲劳检测相关技术进行深入分析的基础上，对视频分析方法进行了深入的研究，提出了一种采用ELM(Extreme LearningMechine，极限学习机)技术的、基于眼部状态的驾驶员疲劳监测方法。首先，通过基于皮肤颜色的视图分割方法来进行检测驾驶员的脸部。接着采用KLT(Kanade-Lucas-Tomassi)算法，对脸部检测数据进行跟踪并截取出每帧图像。然后，通过使用一个积分映射函数用来估测眼睛的区域，以检测眼睛张开或者闭合的状态。进而计算一组帧图像中的眼睛开闭程度距离，并基于上述数据进行特征抽取（眨眼频率和眼睛关闭时间）。由于在面向视频的计算中进行多次迭代计算，数据量将非常庞大而且时间复杂度很高。为了降低时间复杂度，减少计算量，引入了滑动窗口的数据处理方式进行实时计算。最后，本文采用提取出的特征数据对ELM进行训练，从而对驾驶员的疲劳状况进行检测和分类。 本文利用实际的网络摄像头的实时视频数据进行了实验研究，结果表明，本文所提出的方法在保证实时性要求的前提下，能够有效地提取驾驶员的眼部特征，准确地判断驾驶员的工作状态。