-
摘要疲劳驾驶预警系统的开发是汽车主动安全技术的一个重要研究方向， 同时也是国内外交通安全领域的研究热点。本文提出了一种基于Kinect的非接触式的疲劳驾驶预警系统,包括人眼检测和头部姿态分析两部分。利用前人提出的已成熟的人眼检测方法实现了人眼的实时跟踪与状态监测，并通过chamfer距离匹配法和3D头部模型对由Kinect获取的深度图像进行处理实现了头部的定位。另外提出了一种基于二值图像投影的喉部点定位方法，进而建立人体上半身骨架模型，以几何手段对头部姿态进行分析，弥补了单纯眼部状态监测的不足。该系统已在实验室中测试并取得不错的效果。9023
- 上一篇：Matlab高速目标测速测距电路设计+文献综述
- 下一篇：LM386简易无线电通信系统设计+原理图+PCB图
关键词 疲劳驾驶 Kinect 人眼检测 人脸检测 投影 头部姿态 距离匹配骨架模型
毕业设计说明书（论文）外文摘要
Title Fatigue Driving Warning System Based on Kinect
Abstract
Fatigue driving warning is an important subject in the field of vehicle active safety tech, as well as a hot spot of transportation safety around the globe. Our paper presents a non-intrusive fatigue driving warning system based on Kinect. Apart from the advanced eyes detection approach proposed previously, we adopted a head positioning algorithm based on depth image processing, combining chamfer distance matching and 3D hemisphere model matching .Additionally, we developed a neck point positioning algorithm based on binary image projection, and built an upper body skeleton model, thus achieved head action monitoring and analysis via geometric method, enhancing the accuracy of the previous eyes state recognition based method. The system has been tested in our lab and showed superior performance.
Keywords fatigue driving , Kinect, eyes detection, face detection, projection, head pose, distance matching, skeleton model
目 次
1 绪论 1
1.1 背景介绍 1
1.2 相关工作 1
1.3 本文工作 2
2 方法概述 3
3 头部检测 3
3.1 预处理 4
3.2 利用CHAMFER距离匹配法找到类头区域 4
3.3 3D模型的引入 6
3.3.1 计算头部参数 7
3.3.2 匹配 8
4 眼部检测 9
4.1 人脸检测 9
4.2 眼部定位 10
4.3 眼睛状态识别 11
4.4 算法实现 14
4.5 实验结果与分析 14
5 基于深度图像的头部姿态分析 15
5.1 喉部定位 15
5.1.1 肩部定位 15
5.1.2 喉部定位 16
5.2 头部方向判别 17
5.3 算法实现 18
5.4 实验结果与分析 18
总结与未来工作展望 20
参 考 文 献 22
1 绪论
1.1 背景介绍
由于司机注意力不集中而引发的交通事故逐年上升，这已成为一个严重的社会问题。据统计，在欧洲，10%到20%的的交通事故都是疲劳驾驶引起的。在货运业，60%严重的货运事故都和司机的疲劳驾驶有关，根据美国国家高速路交通安全局（NHTSA）的报告，每年都有至少100000起机动车事故是由司机在驾驶过程中打瞌睡引起的，所以疲劳驾驶无疑是严重货运车祸的罪魁祸首。
在这种背景之下，开发一款能够监视司机动态并能够及时在司机没有集中注意力或疲劳时发出警告的的系统对防范交通事故来说至关重要。而这种防范措施也是行动安全领域的一个研究重心。在过去几十年中，许多学者致力于开发基于不同技术的监控系统。其中最精确的技术莫过于对生理现象的监控，比如脑电波，心率，脉搏和呼吸。但这些技术都存在干扰，因为它们需要将电极安在司机身上，导致对司机产生额外的干扰。如丰田的MIT Smart Car，以及尼桑的ASV（Advanced safety Vehicle）。司机的精神状态也可以通过一些机动车间接的表现来描述，如横向位置和方向盘的运动。尽管这些技术不存在干扰，但依然受限于机动车型号，司机经验以及道路等几何特性等因子。人们在疲劳时会表现出一些明显的行为特征变化，如人眼，头部和面部表情。计算机视觉是一种天然的且无干扰（Non-intrusive）的监控手段。