在经济与科技发展的推动作用下,越来越多的上班族以汽车作为交通工具,这样既方便了出行又节省了时间。但是,道路上出现的事故伴随着汽车的普遍应用也出现了井喷式的增长。根据调查研究与科学统计,在发生交通事故的各种原因中,疲劳驾驶成为主要原因。尽管如此,由于检测技术及软件处理的不成熟与不完善,使得检测驾驶员疲劳程度的产品还不能得到广泛的引用,从而没能减轻甚至杜绝类似交通事故的发生,造成了不可估量的生命与财产的损失。本文以此为背景,并对行车过程中出现疲劳状况时的面部表现进行观察和分析,提取出疲劳面部信息,结合面部检测及多特征处理技术,设计了能检测疲劳状态的系统,并在系统上完成了算法验证。此系统包括人脸检测、疲劳特征提取和疲劳状态判断三个部分。其中,提取的面部特征有三个:眼睛特征、头部特征和嘴部特征。文中首先对系统的需求和工作流程进行了分析,然后对各部分采用的算法进行了论述。在检测之初,本文先采用了Adaboost算法,在计算出人脸Haar特征之后用于人脸的检测。在算法的使用中发现,其速度和对倾斜时人脸的检测有很多不足。因此,在后期引入了KCF跟踪算法,并把这两者进行结合,在应用对比后发现,此改进无论在时间上还是对倾斜人脸的检测上,都有相当大的提升。然后,论述了眼睛特征提取、头部特征提取和嘴部特征提取的方法:在提取眼睛状态的时候,首先根据先验知识确定眼睛子窗口,进行二值化处理之后利用灰度积分投影分别提取出单个眼睛窗口,并求出各眼睛区域的最小的外接矩形,以矩形面积大小确定眼睛状态;提取嘴部状态时,根据先验知识提取出鼻孔和嘴部区域,并针对传统Canny边缘检测存在的不足采用自适应边缘检测算法得到鼻孔和嘴部轮廓,根据鼻孔到上下嘴唇间距离的比值确定出嘴巴的状态;对头部特征的确定则是根据人脸矩形框坐标位置的变化得出的。在对疲劳特征提取算法进行论述之后,介绍了疲劳状态判定的方法,针对利用单特征进行疲劳检测存在的不足,提出融合眼睛特征、嘴部特征和头部特征进行检测的方法,该方法提高了检测的正确率。本文在实验室通过VS开发环境设计了疲劳驾驶检测系统,并在此系统上分别对采用单特征的疲劳检测和多特征融合的疲劳检测方法进行实验验证,结果表明:本文提出的融合多特征的疲劳检测方法在准确率上有了明显的提高。
