共查询到20条相似文献，搜索用时 62 毫秒
1.
张开生关凯凯李昊晨彭朋 《实验室研究与探索》2023,(4):153-158
疲劳驾驶是车祸的主要原因之一。针对现有面部疲劳检测模型存在对车内光照与面部遮挡敏感,系统疲劳检测准确低、泛化力弱,提出一种驾驶员疲劳检测算法,旨在对驾驶员面部多特征进行疲劳检测,提升网络泛化性与准确度。通过MTCNN定位人脸和人脸关键点,剪裁具有面部疲劳特征的图像,输入ResNet-50网络进行空间特征提取人脸局部疲劳水平,将疲劳水平串联输入Bi-LSTM网络进行时间特征提取,通过自适应特征融合算法对时间特征进行特征融合,通过分类器对整个视频进行疲劳分类。结果表明,该算法在YawDD疲劳检测准确率91.38%,在NTHU-DDD准确率达到89.36%;与主流的疲劳检测算法相比较,该方法准确度更高泛化能力更强。 相似文献
2.
疲劳驾驶是导致交通事故的重要原因之一。为检测识别驾驶疲劳状态,根据人的眼动行为存在随机性及模糊性特点,采用不确定性的云模型对眼动特征进行数据处理,构建二维多规则推理生成器检测驾驶员疲劳状况,以此疲劳检测模型为基础构建基于安卓的疲劳预警系统。系统通过手机摄像头实时采集驾驶员面部数据,通过人脸人眼定位后,计算出 per-clos 和眨眼时间均值。将数据输入疲劳检测模块,一旦检测到驾驶员疲劳,系统即进行文字和语音提醒。该系统成本较低,实时性较好,在模拟驾驶环境下检测率可达到 73.98%。 相似文献
3.
针对疲劳驾驶预警系统中人脸检测准确率低、误检率高的问题,提出一种基于肤色与 Haar-like 扩展集的驾驶员人脸检测算法。首先根据驾驶员人脸肤色在 YCbCr色彩空间的聚类性、脸部特征及驾驶环境,筛选人脸肤色作为候选区|然后在传统基于 Haar-like 特征的 AdaBoost 算法中,加入两组新的符合人脸特征分布的Haar-like 特征进行驾驶员人脸检测。以 MIT 人脸库和拍摄的驾驶员人脸图像作为训练与检测样本,与传统AdaBoost算法进行对比实验。结果表明,该算法对正面人脸和侧面人脸（倾斜角度小于 45°）检测准确率分别提高 1.25%和 5.00%,误检率降低 2.81%和 4.50%,人脸检测准确率得到较大提高。 相似文献
4.
基于信息融合技术的驾驶员疲劳度实时监控系统 总被引：2，自引：0，他引：2
疲劳驾驶是造成交通事故的重要原因之一.本文提出并实现的驾驶员疲劳度的实时检测系统,是利用红外线摄像仪和脉冲发光二极管相结合,对驾驶员眼睛进行快速定位和处理,分析出瞳孔变化趋势和眼睛眨眼次数;通过角速度传感器检测汽车的转向.将这些信息进行信息融合,从而实时、准确地监测驾驶员的疲劳度,并能分别给予不同程度的警告. 相似文献
5.
使用Adaboost算法实现人脸检测会出现一定的误检率。针对这一问题,设计了一种在误检情况下的识别系统,对待识别图像先使用 grabcut前景检测算法进行前背景分割,在一定程度上消除环境因素的影响,然后对分割结果进行人脸检测和识别。该系统检测部分使用haar级联分类器,识别部分使用特征脸算法。实验结果表明,结合grabcut和Adaboost算法系统在识别率和检测率方面均有一定提高,且识别速度较快。 相似文献
6.
基于单目视觉的疲劳自动检测 总被引：1，自引：0，他引：1
提出了一种基于单目视觉的疲劳检测系统。首先检测人脸,然后对头部进行跟踪,在可靠人脸的基础上,定位并且跟踪眼睛,提取眼角与眼睑特征。通过对眼睛及头部状态的疲劳检测来决定是否触发警告。实验证明系统具有一定的可靠性与准确性。 相似文献
7.
陈佳 《南阳师范学院学报》2008,7(6)
给出一种基于眼睛特征图的眼睛定位方渚。首先通过肤色检测得到人脸区域,然后在限定的人脸区域内建立眼睛色度图,并利用眼睛在人脸区域内的几何分布对眼睛区域进行局部的光线补偿,突出眼睛的色度信息,得到眼睛的二值图像,最终利用灰度投影算法定位眼睛。 相似文献
8.
提出一种基于肤色模型和面部特征的人脸检测算法,在YCbCr颜色空间建立肤色模型,根据此模型进行肤色分割,为使分割更平滑,进行了形态学处理,再结合面部特征有效除去非人脸肤色区域。验证了该算法的可行性和高效性。 相似文献
9.
面部彩色图像特征检测方法研究 总被引：1，自引：0，他引：1
传统面部图像的特征检测主要针对灰度图像和二值图像,对于彩色图像特征分类及识别的研究急需突破与发展。针对面部区域彩色图像特征,通过采集不同测试者早（健康状态）、晚（疲劳状态）的面部彩色研发图像,建立面部图像数据库,划分数据库为P（疲劳图）、Z（正常图）、R（结果）三类。根据对多个测试者早晚面部图像的HSI空间分量进行掩膜、滤波处理计算的特征值和对比统计得到的数据来测定正常与疲劳面部图像差别大小,返回正常与疲劳状态时最大特征区域和区域的颜色、色差,形成颜色特征向量。实验结果表明,亮度对于彩色图像特征检测影响很大,需要消除因为不同背景亮度对彩色图像特征检测的干扰。 相似文献
10.
减法聚类和粒子群优化TS模糊神经网络的驾驶疲劳融合检测(英文) 总被引：3，自引：0，他引：3
为提高基于单一特征检测算法的准确率和可靠性,提出基于多个特征的驾驶疲劳融合检测算法.从直接反映驾驶员疲劳的2个面部特征和间接反映疲劳的1个车辆行为特征2个方面对驾驶疲劳进行综合检测.该算法运用TS模糊神经网络来识别驾驶疲劳,采用减法聚类对网络进行结构辨识,确定模糊规则的条数及相关参数的初始值,并改进了粒子群优化算法对网络进行训练.仿真和实车实验表明,该算法不仅能有效改善TS模糊神经网络的收敛速度和识别精度,而且能提高驾驶疲劳的检测正确率. 相似文献
11.
主要研究人脸检测算法,分析了现有人脸检测算法的特点和不足之处。采用基于YCbCr空间的高斯肤色模型,利用颜色信息把彩色图像分割成皮肤区、头发区和背景区。对皮肤区进行去噪处理,实现脸部区域的具体定位,然后对人脸上的眼睛、嘴巴和鼻子定位。给出了人脸检测的模块设计和算法流程。 相似文献
12.
研究了一种基于正面人脸照片的真实感三维人脸自动重建方法,并运用计算机视觉图OpenCV和图形开发库OpenGL,在VC++6.0环境下开发了三维人脸自动建模系统。该系统对输入的人脸照片首先进行人脸检测,在检测到的区域进行人脸关键特征提取,并根据检测到的特征点的几何信息对CANDIDE-3模型进行整体和局部调整,得到个性化的三维几何人脸,最后从人脸图像上获取面部纹理信息并得到真实感的三维人脸。 相似文献
13.
介绍了一种基于肤色模型与改进Adaboost算法相结合的人脸检测方法。该方法首先利用肤色在YcbCr空间中的聚类特性,对图像进行预检测,得到候选人脸区域,进而采用改进的Adaboost方法对弱分类器进行级联,得到最终的人脸分类器。在特征选择上,使用基于像素的多层特征(Pixel Based Hierarchical Feature,PBHF),以解决传统Adaboost方法检测时间过长的问题。实验结果表明,该人脸检测方法比单纯采用Haar like 特征的人脸检测方法更加有效。 相似文献
14.
提出了一种人脸关键点检测方法,该方法用了少量的正面图像,不用归一化人脸图像,而传统的人脸关键点检测方法需要对图像进行严格预处理。随机森林是一种分类器融合算法,可以很好地解决多类分类问题,虽然LBP特征简单,但其可以包含大量的纹理信息。利用改进的LBP特征与随机森林相结合,构成一种对人脸关键点检测的方法。通过高斯平滑图像的LBP特征的提取,对每个点生成特征,计算出有用的特征作为正例,并且与反例集合变为训练集。通过随机森林分类器进行分类,误差率较低,仅在10%左右。 相似文献
15.
提出一种基于高清面部图像的人脸疲劳检测方法,针对现有疲劳检测技术的不足,提出将面部彩色图像处理与纹理特征相结合的一种新型疲劳分析方法。采集不同测试者早（健康状态）、晚（疲劳状态）大量面部图像,据此建立面部图像数据库,数据库划分为P（疲劳图）、Z（正常图）、R（结果）3类。根据数据库数据颜色特征向量和纹理特征向量构建疲劳判定标准,即量化疲劳程度评价标准和分类标准。将标准与分析方法及处理算法融合,利用MATLAB设计图形用户界面,再将其编译成完全独立于MATLAB环境的可执行程序（EXE文件）。该用户界面可以方便大众及时进行疲劳检测,预防亚健康,及时提醒身体疲劳情况,并为就医提供参考依据。该系统应用于智能手机,能够大大减少就医压力,促进便携式医疗检测设备的发展,具有很好的应用前景。 相似文献
16.
17.
利用对称差分、肤色模型和几何特征相结合可以快速实现视频图像中的人脸检测,具体做法是:先利用图像对称差分方法得到运动区域,再用肤色检测方法在运动区域中得到人脸候选区域,最后通过检测眼睛位置,利用人脸几何特征精确定位人脸.此方法提高了检测速度,降低了误检率,可以应用在视频监控等实时系统中. 相似文献
18.
马婷 《江苏经贸职业技术学院学报》2014,(6)
利用模糊系统中的模糊规则和SVM中内积函数之间的关系,通过支持向量机对训练样本进行学习,由支持向量确定模糊规则,构建基于规则的模糊分类器。对人脸图像做独立成分分析,提取有利于分类的面部特征的主要独立成分。该模糊系统在ORL人脸库上的实验结果表明,该方法同样适合解决小样本、非线性、高维模式的分类问题。 相似文献
19.
文章利用肤色在YCbCr和HSV空间中的直接肤色模型以及模糊隶属度函数得到肤色投影图;使用两次level—set算法分别对肤色投影图和灰度图进行分割合并和调整,得到候选人脸区域;引进距离图的定义及颜色分量,构造嘴巴、眼睛投影图,并给出定位眼睛、嘴巴及相互位置关系验证是否为人脸区域的详细算法。 相似文献
20.
针对AdaBoost人脸检测算法分类器训练时Haar特征数目过多,导致训练过程过于耗时的问题,提出了一种基于“大T”型区域的AdaBoost人脸检测算法。通过提取500张人脸样本中的主要特征区域,投影到20×20的模板中,对重叠区域取其并集求得“大T”型特征筛选区域,以此模板优化Haar特征,使用于分类器训练的Haar特征集中于人脸面部的关键区域。实验结果表明,在LFW、PKU数据库中进行人脸检测,在不降低原始AdaBoost算法检测率的同时,对PKU数据库中的多人脸检测算法的漏检率有所改善,同时优化了算法训练时间。 相似文献