论文部分内容阅读
随着经济社会的发展,机动车成为最主要的出行方式之一。与此同时,交通事故不可避免的快速增长。疲劳驾驶是当今道路安全的重大隐患之一,是引发交通事故、造成重大人身财产损失的罪魁祸首。据统计,疲劳驾驶导致的人员伤亡情况不亚于醉酒驾驶。当驾驶员处于疲劳时,对驾驶员的头部进行实时的监测并准确地估计姿态是疲劳驾驶检测中一项非常重要的环节。基于模型的方法实现简单、易于理解、计算量小,基于表观的方法鲁棒性高,适用于低分辨率的图像。综合利用基于模型和基于表观的头部姿态估计方法的优势,实现了对驾驶员的头部姿态估计。基于模型的方法定位人的左右眼睛和嘴巴,构建一个三角形,根据三角形的的变化估计小范围的头部姿态。基于表观的方法针对于大范围的头部姿态估计。第一步提取图像的梯度朝向特征,图像梯度可以有效的解决光照的影响,然而梯度朝向仅仅是图像区域的一阶统计特征,如果把图像划分为许多图像网格,发现同一姿态下,相邻网格之间存在一定的相互关系,这种关系对不同姿态而言不同。第二步进一步提取网格化图像欧氏距离特征,首先对提取的梯度特征图像进行网格化划分,合适的划分大小,可以减少特征维数,减少计算量,然后计算图像网格相互之间的图像欧氏距离,所得结果形成新的姿态描述特征,该特征包含更丰富的信息,具有更强的特征描述能力和姿态区分能力。第三步对新的特征使用PCA降维,对降维的姿态特征进行自适应分类。实验结果表明,该方法提高了驾驶员头部姿态估计的有效性和准确性。