驾驶员疲劳检测系统设计研究(含CAD流程图,电路图)(任务书,开题报告,文献摘要,外文翻译,论文说明书30000字,CAD流程图,电路图)
摘要
本文利用visual studio 2013作为开发平台，基于OpenCV计算机视觉图像库处理驾驶员驾驶状态视频，通过驾驶员疲劳特征推断出其所处疲劳等级并对处于高疲劳等级的驾驶员进行预警。本文首先介绍了国内外驾驶员疲劳检测系统研究状况以及所存在问题。接下来，逐一介绍目前常用的脸部、嘴部、眼部定位方案，并且根据其综合情况确定定位方案，利用OpenCV在visual studio 2013中实现。在实现脸部、嘴部、眼部定位之后，截取部分图像，进行相应处理，从形态学上判断眼部、嘴部的开闭情况。通过眼部眨眼的频率和驾驶员打哈欠的频率，进而推断出这两个部分疲劳等级。将这两个疲劳等级带入模糊推理之后，进行数据融合，最终推算出驾驶员最终疲劳等级。对于高等级的疲劳状态进行预警。在完成系统构建之后，针对该系统进行测试，验证其准确性。
关键词：特征定位；形态学检测；VS2013/OpenCV；模糊推理；疲劳预警
Abstract
In this paper, we use Visual Studio 2013 as development platform, handling the video of drive driving statue based on Opencv which is a kind of computer vision image library. This paper first introduces domestic and foreign research statues of fatigue driving warning system and the existing problems. Then, this paper introduces currently used face, mouth and eye positioning program. We determine the best program according to comprehensive factor, and programing in Visual Studio based on Opencv. After we position face, mouth and eye, we intercept these images from the video and handle them accordingly. Then we judge them open or not in term of morphology. After we complete these operations, we can separately infer the fatigue level of mouth and eyes based on the frequency of blinking of eyes and yawning. Inputting these data to fuzzy reasoning to complete data fusion, we can get the fatigue level of driver. If the fatigue level of driver is too high, this system will warn the driver. At last, we test the system to verify its reliability.
Key Words：Feature location；Morphological testing；VS2013/OpenCV；Fuzzy reasoning; Fatigue warning
目录
第1章绪论 1
1.1研究的目的及意义 1
1.2疲劳驾驶检测系统研究现状 1
1.2.1国外研究现状 1
1.2.2国内研究现状 2
1.3研究基本内容 2
1.4预期目标 3
1.5开发平台介绍 3
1.6实验环境选定 3
1.7本章小结 4
第2章脸部图像提取 5
2.1脸部图像提取方法概述 5
2.1.1基于肤色脸部图像提取 5
2.1.2 Adaboost人脸识别算法 7
2.1.3基于卷积神经网络人脸识别 10
2.2脸部图像提取方法选择比较 10
2.2.1肤色脸部提取优缺点 10
2.2.2 Adaboost脸部提取优缺点 10
2.2.3基于卷积神经网络的脸部提取优缺点 11
2.2.4脸部图像提取方案选择 11
2.3脸部图像提取实现 11
2.4本章算法创新 13
2.5本章小结 13
第3章眼部识别与状态判断 14
3.1眼部识别概述 14
3.1.1基于gabor眼部识别 14
3.1.2基于Adaboost眼部识别 14
3.1.3基于红外人眼识别 15
3.2眼部识别方案选择 15
3.3眼部识别实现 16
3.4眼部状态判别 18
3.4.1眼部灰度图像直方图均衡化 18
3.4.2眼部图像二值化 19
3.4.3眼部图像去噪 19
3.4.4眼睛开闭参数提取 20
3.4.5滤波处理 21
3.5本章算法创新 22
3.6本章小结 22
第4章嘴部识别与状态判断 23
4.1嘴部定位方法概述概述 23
4.1.1基于Adaboost的嘴部定位方案 23
4.1.2基于K-means嘴部识别 23
4.1.3基于几何位置关系的嘴部定位 24
4.2嘴部定位方案选择 25
4.3嘴部定位实现 27
4.4嘴部开闭状态判别 28
4.4.1色域投影 28
4.4.2阈值学习 29
4.4.3嘴部形态学处理 32
4.4.4嘴部边缘提取 33
4.4.5嘴部开闭判断 34
4.5本章算法创新 35
4.6本章小结 35
第5章眼嘴疲劳状态判断 36
5.1眼部疲劳状态推断方案概述 36
5.1.1基于PERCLOS疲劳状态推断 36
5.1.2基于眨眼次数眼部疲劳状态推断 37
5.1.3基于眨眼持续时间疲劳状态推断 38
5.2眼部疲劳状态推断方案选择 39
5.3嘴部疲劳状态推断方案概述 40
5.3.1基于BP神经网络的嘴部疲劳状态推断 40
5.3.2基于SVM分拣器嘴部疲劳状态推断 41
5.4嘴部疲劳状态推断方案选择 42
5.5本章算法创新 42
5.6本章小结 43
第6章驾驶员疲劳检测系统构建 44
6.1疲劳驾驶概述 44
6.1.1疲劳驾驶法规简介 44
6.1.2造成疲劳驾驶原因 44
6.1.3疲劳驾驶的主要表现 44
6.1.4驾驶员疲劳准则 45
6.2驾驶员疲劳状态推理方案选择 45
6.2.1模糊推理概述 45
6.2.2疲劳等级模糊推理步骤 46
6.3系统模块组建 48
6.3.1标定程序运行 48
6.3.2展示程序运行 48
6.3.3检测程序运行 49
6.3.4预警程序运行 49
6.3.5整体系统构建 50
6.4驾驶员疲劳检测系统测试 50
6.5本章算法创新 52
6.6本章小结 52
第7章结论 53
7.1本文工作总结 53
7.2后期工作展望 54
参考文献 55
附录 57
附录A 脸部尺寸标定算法（对应正文2.4节） 57
附录B 眼部状态判断算法（对应正文3.5节） 58
附录C 唇色提取阈值标定算法（对应正文4.5节） 61
附录D 模糊推理算法（对应正文6.5节） 66
|
