论文部分内容阅读
疲劳驾驶是导致特别重大的交通事故的三大原因之一。在特别重大的交通事故中,疲劳驾驶引起的事故比例超过40%。因此,如何有效的检测驾驶员疲劳状态成为了研究者们关注的重点以及热点。历年来,研究者们试图从不同的信息源识别疲劳驾驶,如驾驶员的生理状态、面部特征、车辆行为等。并且依据疲劳特征的来源,将疲劳识别技术分为基于单一信息的疲劳识别技术和基于多信息融合的疲劳识别技术。其中,基于单一信息的疲劳识别技术,容易受环境因素、信息丢失等情况影响,而产生识别失败或者误判的结果。因此,为了提高疲劳驾驶识别的有效性和鲁棒性,本文采用多信息融合方式进行疲劳识别。本文的主要工作如下:(1)提出了一种基于面部特征融合的驾驶员疲劳识别算法。该算法包含前期处理模块、特征级模块、决策级模块。其中,前期处理模块用于检测面部、眼部及唇部;特征级模块主要利用特征提取算法识别各证据源的疲劳状态;决策级模块则将特征级中多证据源的疲劳识别结果及上一时刻的判别结果融合,进行本时刻疲劳状态的综合判决。(2)提出了两种基于特征提取的疲劳识别算法:基于图像金字塔局部二进制模式的疲劳识别算法(Pyramid Local Binary Patterns based Fatigue Recognition Algorithm,PLBP-FRA)和基于局部二进制模式与重构方向梯度直方图融合的疲劳识别算法(Local Binary Patterns And Reconstructed Histogram of Oriented Gradient based Fatigue Recognition Algorithm,LBP&RHOG-FRA)。并将这些算法与PERCLOS或哈欠检测结合以判定眼唇疲劳状态。仿真表明,在眼部状态识别中PLBP-FRA优于其他基于特征提取的识别算法,在唇部状态以及面部疲劳表情识别中LBP&RHOG-FRA识别性能更好。(3)对基于Dempster-Shafer证据理论的决策层融合方法进行了改进。对过往依据统计方式或者专家经验获取基本概率分配过于主观的问题,将使用支持向量机(Support Vector Machine,SVM)输出的后验概率作为基本概率分配值;针对证据冲突问题,采用基于距离的证据冲突处理方式。仿真结果表明,基于面部特征融合的驾驶员疲劳识别算法识别性能优于基于单一信息源的识别方式。