一种支持向量机的图像多特征疲劳驾驶检测方法研究

摘要

疲劳驾驶检测可以预防部分交通事故的发生，保障了驾驶人的生命和财产安全。传统的疲劳驾驶检测方法，是根据驾驶人的眼睛状态，这单一特征进行疲劳判断，而本文所提出的方法是在眼睛状态的基础上融合了头部姿态，使用分类性能好的支持向量机来进行疲劳判断。与传统疲劳驾驶检测方法相比本文提出的方法具有多特征性和可信度更高的特点，论文完成的主要工作有：
　　（1）研究了三种常用的色彩空间，使用对肤色聚类性好的YCbCr色彩空间进行图像中肤色部分的检测，在检测出肤色部分的区域使用AdaBoost算法的人脸检测。在检测出的人脸区域使用Harris角点检测算法进行眼睛定位与眼睛状态检测，与传统的眼睛状态检测算法相比这种算法执行效率高和检测速度快，而且很好的避免了闭眼状态下眼睫毛带来的影响。
　　（2）对传统的支持向量机进行改进。使用K型核函数和logistic型核函数的混合核函数代替了支持向量机中传统核函数，使得支持向量机的学习能力和泛化能力都有所提高，分类性能更好。
　　（3）将改进后的支持向量机应用于疲劳判断中，与传统的基于眼睛状态的疲劳判断相比，这种方法融合了头部姿态，可信度更高，准确率也更高。
　　最后通过实验对比了三种不同核函数的支持向量机对疲劳状态判别效果。实验结果表明采用本文K型核函数和logistic型核函数构造的混合核支持向量机效果明显好于传统核函数的支持向量机。在结尾总结了此方法存在的一些不足，并且对如何改进给出了一些意见。

目录

声明

1 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.3 本文的研究内容与组织结构

2 疲劳驾驶检测总体设计

2.1 人脸检测算法

2.2 人眼检测算法

2.3 头部姿态估计

2.4 疲劳驾驶检测总体设计

2.5 本章小结

3 基于肤色检测和AdaBoost算法的人脸检测方法研究

3.1 图像预处理

3.2 常用的色彩空间

3.3 基于AdaBoost算法的人脸检测

3.4 基于肤色检测和AdaBoost算法的人脸检测实现

3.5 本章小结

4 疲劳参数提取

4.1 眼睛状态检测

4.2 头部姿态估计

4.3 本章小结

5 基于支持向量机的疲劳判断方法研究

5.1 支持向量机理论

5.2 对传统支持向量机的改进

5.4 支持向量机在疲劳判断中的应用

5.5 本章小结

6.1 总结

6.2 展望

致谢

参考文献