CN104269028A - 一种疲劳驾驶检测方法及*** - Google Patents
一种疲劳驾驶检测方法及*** Download PDFInfo
- Publication number
- CN104269028A CN104269028A CN201410568886.XA CN201410568886A CN104269028A CN 104269028 A CN104269028 A CN 104269028A CN 201410568886 A CN201410568886 A CN 201410568886A CN 104269028 A CN104269028 A CN 104269028A
- Authority
- CN
- China
- Prior art keywords
- face
- state
- fatigue driving
- value
- driver
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/06—Alarms for ensuring the safety of persons indicating a condition of sleep, e.g. anti-dozing alarms
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种疲劳驾驶检测方法及***,其中疲劳驾驶检测方法包括如下步骤:S1、采集图像和预处理;S2、人脸定位和检测;S3、人脸跟踪;S4、眼睛检测和状态识别;S5、计算疲劳PERCLOS值;S6、将得到的PERCLOS值与预设的阈值进行比较,判定驾驶员是否疲劳驾驶。采用本发明的设计,能够自动捕捉驾驶员的脸部微观变化,通过科学的概率计算判别驾驶员状态,并及时警示处于疲劳驾驶状态的驾驶员,保证行车安全。
Description
技术领域
本发明设计汽车安全技术领域,特别设计一种疲劳驾驶检测方法及***。
背景技术
随着经济社会的发展,机动车辆急剧增加,因此疲劳驾驶导致的交通事故也越来越多。针对这一问题,产生了许多疲劳驾驶检测技术,归纳起来有三种。
(1)基于生理信号的检测技术,根据驾驶员的血压,脑电波等生理信号判断是否疲劳,需要有高精度的检测仪器,而且接触驾驶员,对驾驶员有一定的影响且成本高。
(2)基于行车信息的疲劳检测技术,当方向盘长时间未修正方向,或者车辆左右摇晃频率或幅度过大,车速不稳定就判断为疲劳驾驶,但是针对不同驾驶习惯的驾驶员,以及不同道路上的行车状况,难以行车统一标准,精确度不高。
(3)基于生理特征的疲劳检测技术,当驾驶员疲劳时候,会表现出低头和闭眼频率增加等生理特征。通过机器视觉的方法,检测驾驶员的上述生理特征,可以判断驾驶员是否疲劳。基于机器视觉检测驾驶员生理特征的方法,具有非接触,成本低等,精确度高等优点,被广泛采用于目前的疲劳检测***。
上述三种方法中,第三种方法明显优于前两种方法。但它也有缺点,目前第三种方法大多通过图像处理技术,定位人脸,再在人脸的范围内分析眼睛的状态,判断是否疲劳。其中定位人脸是为了缩小眼睛的搜索范围,提高处理效率,是疲劳检测关键的一步。其中定位人脸和眼睛常用的方法有两种,一种是基于图像形态学的方法,一种是基于机器学习即分类器的方法。前者计算量大,速度慢,受光照影响大。后者计算速度快,受光照影响小,被广泛采用与人脸定位技术中。但是目前采用的分类器定位人脸的技术中,当驾驶员头部动作过大,无法采集到正脸图像时,不能正确定位人脸位置,存在疲劳检测算法失效问题。
发明内容
为了解决上述技术问题,本发明公开一种疲劳驾驶检测方法及***,本发明采用如下技术方案来解决上述技术问题:
一种疲劳驾驶检测方法,包括如下步骤:
S1、采集图像和预处理,通过图像采集接口采集驾驶员图像信息并传输至中枢处理器,中枢处理器对采集图像进行预处理;
S2、人脸定位和检测,采用基于Haar特征的人脸分类器,检测驾驶员人脸区域;
S3、人脸跟踪,采用卡尔曼滤波器算法的人脸跟踪算法,跟踪人脸;
S4、眼睛检测和状态识别,采用睁眼分类器定位驾驶员眼睛并识别眼睛状态,记录识别结果;
S5、计算疲劳PERCLOS值,得到眼睛的状态识别结果后,通过计算单位时间内眼睛闭合时间所占的百分比即PERCLOS(Percentage of Eyelid ClosureOver Time):
S6、将得到的PERCLOS值与预设的阈值进行比较,判定驾驶员是否疲劳驾驶。
优选的,在上述的一种疲劳驾驶检测方法中,所述步骤S2具体包括步骤A,采用基于卡尔曼滤波器算法参数跟踪人脸:
A1、建立***状态方程;
X(k+1)=A(k)X(k)+W(k)
A2、建立***观测方程;
Z(k)=H(k)X(k)+V(k)
A3、预测人脸位置,根据卡尔曼滤波器的预测方程组,滤波器使用上一阶段状态的估计,做出对当前状态的估计;
预测方程组:
(1)预测状态
X(k|k-1)=A(k)X(k|k-1)
(2)预测估计协方差矩阵
P(k|k-1)=A(k)P(k-1|k-1)AT (k)+Q(k)
A4、检测实际人脸位置,在预测了当前人脸所在的位置后,调用Haar分类器在预测区域内检测人脸,获取当前状态信息;当在预测区域检测不到人脸,就在全图检测人脸;当在全图也检测不到人脸的时候,说明驾驶员头部动作过大,无法检测到人脸;
A5、通过更新方程组使用当前的实际人脸位置来更新卡尔曼滤波器,让卡尔曼滤波器的预测值与真实值越来越接近,达到跟踪的效果;
更新方程组:
(3)最优卡尔曼增益
K(k)=P(k|k-1)HT k[H(k)P(k|k-1)HT (k)+R(k)]-1
(4)更新的状态估计
X(k|k)=X(k|k-1)+K(k)[Z(k+1)-H(k)X](k|k-1)
(5)更新的协方差估计
P(k|k)=[E-K(k)H(k)]P(k|k-1)
A6、在输入图像中标记出人脸区域。
其中Xk为在人脸在k时刻的状态估计,A(k)是作用在X(k)上的状态转移矩阵,H(k)是***的观测矩阵,Z(k)是***的观测变量,W(k)是过程噪声,并假设其符合均值为零协方差矩阵为Q(k)的高斯分布,即Wk~N(0,Q(k));V(k)是观测噪声,亦假设其符合均值为零协方差矩阵为R(k)的高斯分布,即Vk~N(0,R(k));Pk为误差相关矩阵,度量估计值的精确程度;
优选的,在上述的一种疲劳驾驶检测方法中,所述步骤S3中的睁眼分类器经如下步骤训练:
B1、收集人脸的样本源,截取人脸样本源的人眼区域和非人眼区域,即为正样本和负样本;
B2、使用机器学习算法训练睁眼分类器。
优选的,在上述的一种疲劳驾驶检测方法中,步骤S5中,PERCLOS值采用如下公式计算:
PERCLOS值=(眼睛闭合的帧数/固定帧数)*100%
优选的,在上述的一种疲劳驾驶检测方法中,所述步骤B2包括:
B21、生成正负样本描述文件;
B22、生成正样本的向量描述文件;
B23、使用OpenCV自带的可执行文件进行训练。
与现有技术相比,本发明具有如下技术效果:
采用本发明的设计,能够自动捕捉驾驶员的脸部微观变化,通过科学的概率计算判别驾驶员状态,并及时警示处于疲劳驾驶状态的驾驶员,保证行车安全。同时本发明使用卡尔曼滤波器及相关算法经过不断的预测,更新,将使得预测值和真实值越来越接近,在容许的误差范围内,可将预测值视为真实值。当驾驶员头部动作过大,无法通过分类器定位人脸位置的时候,使用卡尔曼滤波器跟踪,用预测的人脸位置代替真实的人脸位置,继续疲劳驾驶检测,避免了无法定位人脸,疲劳检测算法失效的问题。
附图说明
图1为本发明原理示意图;
图2为本发明中人脸跟踪原理示意图;
图3为本发明中卡尔曼滤波器递推过程;
图4为本发明中睁眼分类器的训练方法流程。
具体实施方式
下面结合附图对本发明作进一步详细说明,但是本发明不仅仅局限于以下实施例,如图1、图2、图3所示:
本发明所述的一种疲劳驾驶检测方法,包括如下步骤:
S1、采集图像和预处理,通过图像采集接口采集驾驶员图像信息并传输至中枢处理器,中枢处理器对采集图像进行灰度化、直方图均衡化等预处理;
S2、人脸定位和检测,采用基于Haar特征的人脸分类器,检测驾驶员人脸区域;
S3、人脸跟踪,采用卡尔曼滤波器算法的人脸跟踪算法,跟踪人脸,具体包括如下步骤:
A1、建立***状态方程;
X(k+1)=A(k)X(k)+W(k)
A2、建立***观测方程;
Z(k)=H(k)X(k)+V(k)
A3、预测人脸位置,根据卡尔曼滤波器的预测方程组,滤波器使用上一阶段状态的估计,做出对当前状态的估计;
预测方程组:
(1)预测状态
X(k|k-1)=A(k)X(k|k-1)
(2)预测估计协方差矩阵
P(k|k-1)=A(k)P(k-1|k-1)AT (k)+Q(k)
A4、检测实际人脸位置,在预测了当前人脸所在的位置后,调用Haar分类器在预测区域内检测人脸,获取当前状态信息;当在预测区域检测不到人脸,就在全图检测人脸;当在全图也检测不到人脸的时候,说明驾驶员头部动作过大,无法检测到人脸;
A5、通过更新方程组使用当前的实际人脸位置来更新卡尔曼滤波器,让卡尔曼滤波器的预测值与真实值越来越接近,达到跟踪的效果;
更新方程组:
(3)最优卡尔曼增益
K(k)=P(k|k-1)HT k[H(k)P(k|k-1)HT (k)+R(k)]-1
(4)更新的状态估计
X(k|k)=X(k|k-1)+K(k)[Z(k+1)-H(k)X](k|k-1)
(5)更新的协方差估计
P(k|k)=[E-K(k)H(k)]P(k|k-1)
A6、在输入图像中标记出人脸区域。
其中Xk为在人脸在k时刻的状态估计,A(k)是作用在X(k)上的状态转移矩阵,H(k)是***的观测矩阵,Z(k)是***的观测变量,W(k)是过程噪声,并假设其符合均值为零协方差矩阵为Q(k)的高斯分布,即Wk~N(0,Q(k));V(k)是观测噪声,亦假设其符合均值为零协方差矩阵为R(k)的高斯分布,即Vk~N(0,R(k));Pk为误差相关矩阵,度量估计值的精确程度;
直接用分类器进行人脸定位,存在计算量大,耗时久,误检测高等问题。为了提高人脸定位的速度和正确率,本发明采用基于卡尔曼滤波器的人脸的跟踪算法。
但是卡尔曼滤波器算法适用于线性***,实际中几乎所有的***都是非线性的,只有将实际***近似为线性***,才能使用卡尔曼滤波器算法。考虑到视频中每两帧之间,时间间隔短,目标的速度和位置在两帧之间基本一致,这样可将人脸的运动近似为匀速直线运动,符合卡尔曼滤波器对***的线性假设。
利用卡尔曼滤波器算法跟踪目标,首先需要建立***模型,再通过滤波器算法跟踪目标。
1.1建立线性***模型:
卡尔曼滤波器的状态由以下两个变量表示:X(k)为k时刻的状态的估计;Pk为误差相关矩阵,用来度量估计值的精确程度;
***的一般数学模型为:X(k+1)=A(k)X(k)+W(k)(***状态方程)、Z(k)=H(k)X(k)+V(k)(***观测方程)。X(k)是K时刻的***状态变量序列,X(k)={x,y,w,h,vx,vy,vw,vh)T,本发明选取的状态序列为脸部区域几何中心的坐标(x,y)和速度(vx,vy),脸部外接矩形的宽和高(w,h),以及宽和高的变化速度(vw,vh)。A(k)是作用在X(k)上的状态转移矩阵;H(k)是***的观测矩阵;Z(k)是***的观测变量;W(k)是过程噪声,并假设其符合均值为零,协方差矩阵为Q(k)的高斯分布,即Wk~N(0,Q(k))。V(k)是观测噪声,亦假设其符合均值为零,协方差矩阵为R(k)的高斯分布,即Vk~N(0,R(k))。
建立***模型,需要建立***状态方程,和观测方程。
(1)建立***状态方程:
由于视频中每两帧之间时间间隔短,下一帧中目标的位置(x(k+1),y(k+1))和速度(vx(k+1),vy(k+1)),宽和高(w(k+1),hk+1)),以及宽和高的变化速度(vw(k+1),vh(k+1))都不会有太大变化,则可以近似得到下列方程:
又因为前面令K时刻的状态变量为:
X(k)={x(k) y(k) w(k) h(k) vx(k) vy(k) vw(k) vh(k)}T
下一时刻的状态变量为X(k+1),则方程组(1)可以转化为:
则方程组(2)可以转换为:
X(k+1)=A(k)·X(k)
由于这只是近似的线性运动,所以不是完全可信,存在一定误差,这个误差是个随机值,也叫做过程噪声。卡尔曼滤波器假设***的随机误差符合均值为0的高斯分布。设过程噪声W(k)符合均值为零,协方差矩阵为Q(k)的高斯分布,即Wk~N(0,Q(k)),通过多次试验取经验值Q(k)=0.01×E,E为8*8的单位矩阵。则考虑噪声后的***状态方程变为:
X(k+1)=A(k)X(k)+W(k)
(2)建立***观测方程:
这么多***状态变量中,我们最终只关心目标的位置(x,y)宽高(w,h)的值,即观测向量Z(k)={x y w h}T。所以得到方程组:
式(3)可表示为:Z(k)=H(k)·X(k)
和***状态方程一样,***的观测变量也是存在随机误差的,叫做观测噪声,卡尔曼滤波器假设观测噪声也服从均值为0的高斯分布。设观测噪声V(k)符合均值为零,协方差矩阵为Q(k)的高斯分布,即Vk~N(0,R(k)),通过多次试验取经验值R(k)=0.1×E,E为8*8的单位矩阵。则考虑噪声后的***状态方程变为:
Z(k)=H(k)X(k)+V(k)
1.2卡尔曼滤波器的跟踪过程:
卡尔曼滤波器的操作包括预测与更新两个阶段。在预测阶段,滤波器使用上一状态的估计,做出对当前状态的估计。在更新阶段,滤波器利用对当前状态的观测值优化在预测阶段获得的预测值,以获得一个更精确的新估计值。
预测方程组:(a)预测状态
X(k|k-1)=A(k)X(k|k-1)
(b)预测估计协方差矩阵
P(k|k-1)=A(k)P(k-1|k-1)AT (k)+Q(k)
更新方程组:(c)最优卡尔曼增益
K(k)=P(k|k-1)HT k[H(k)P(k|k-1)HT (k)+R(k)]-1
(d)更新的状态估计
X(k|k)=X(k|k-1)+K(k)[Z(k+1)-H(k)X](k|k-1)
(e)更新的协方差估计
P(k|k)=[E-K(k)H(k)]P(k|k-1)
通过式(a),可以预测得到目标在下一时刻的状态X(1|0)。当下一时刻到来后,在预测位置附近,对图像进行局部检测,检测出目标的实际状态X(1),通过式(b)至式(e)完成对卡尔曼滤波器的更新,为预测再下一时刻的目标状态做好准备。如此不断的递推,可以不断预测下一时刻运动目标的状态,如图3所示。
由上述步骤可看出,卡尔曼滤波器经过不断的预测,更新,将使得预测值和真实值越来越接近,在容许的误差范围内,可将预测值视为真实值。当驾驶员头部动作过大,无法通过分类器定位人脸位置的时候,可使用卡尔曼滤波器跟踪,用预测的人脸位置代替真实的人脸位置,继续疲劳驾驶检测。这样就避免了无法定位人脸,疲劳检测算法失效的问题
S4、眼睛检测和状态识别,采用睁眼分类器定位驾驶员眼睛并识别眼睛状态,记录识别结果,使用的睁眼分类器经如下方法训练,如图4所示:
B1、尽可能多的采集样本,包括正负样本,其中正样本为睁开状态的人眼,负样本为闭合状态的人眼和其他非睁眼区域;
B21、生成正负样本描述文件;
B22、生成正样本的向量描述文件;
B23、使用OpenCV自带的可执行文件进行训练。
根据图4的三个步骤即可进行分类器的训练。
第一步的生成样本的描述文件,主要指的是描述正样本的路径以及目标图像-睁眼图像在图像中的个数以及位置。负样本仅需描述其样本的路径即可。因此正样本的格式如下,
<样本的文件路径><目标图像的个数><目标图像的在图像中的位置>。
其余正样本格式以此类推。
负样本仅需描述样本在图像中的路径,其格式如下:
<样本的图像中的位置>
其余负样本的描述格式以此类推
第二步的生成正样本的向量描述文件,调用相关的文件。
第三步的使用OpenCV自带的可执行文件进行训练。
本发明按照AdaBoost的方法训练分类器,规定训练每一层强分类器的检测率为0.998,误检率为0.5。最开始是使用收集的样本,包括正负样本共25000个样本集,进行训练,训练的过程中,每层强分类器必须满足0.998的检测率以及0.5的误检率,从而使得训练得到分类器效果可以满足***的要求。
使用AdaBoost算法预先训练好睁眼分类器进行目标检测,相比其它的检测方法,处理的速度快,收光照的影响小,准确率高。并且直接训练睁眼分类器,在定位眼睛的同时就能判断出眼睛处于睁开状态,当没有检测到眼睛都时候,都视为闭眼状态,这样将眼睛的定位和状态检测结合起来,提高了检测效率。
S5、计算疲劳PERCLOS值,得到眼睛的状态识别结果后,通过计算单位时间内眼睛闭合时间所占的百分比即PERCLOS(Percentage of Eyelid ClosureOver Time);
S6、将得到的PERCLOS值与预设的阈值进行比较,判定驾驶员是否疲劳驾驶。
步骤S4中,PERCLOS值即单位时间内眼睛闭合时间所占的百分比,使用PERCLOS值判别驾驶员的疲劳状态是目前公认的最有效的方法,其计算公式如下:
PERCLOS值=(眼睛闭合时间/固定时间)*100%
为了便于编程,上式左边的分子分母同时除以每次检测的平均时间,得到下式:
PERCLOS值=(眼睛闭合的帧数/固定帧数)*100%
步骤S5中,预设的阈值通常根据大量的实验数据及行车环境根据经验预设,将得到的PERCLOS值与预设的阈值进行比较,当PERCLOS值大于等于预设阈值时,***判定驾驶员为疲劳驾驶并驱使***发出警报,提醒驾驶员休息,以保证行车安全。
采用本发明的设计,能够自动捕捉驾驶员的脸部微观变化,通过科学的概率计算判别驾驶员状态,并及时警示处于疲劳驾驶状态的驾驶员,保证行车安全。同时本发明使用卡尔曼滤波器及相关算法经过不断的预测,更新,将使得预测值和真实值越来越接近,在容许的误差范围内,可将预测值视为真实值。当驾驶员头部动作过大,无法通过分类器定位人脸位置的时候,使用卡尔曼滤波器跟踪,用预测的人脸位置代替真实的人脸位置,继续疲劳驾驶检测,避免了无法定位人脸,疲劳检测算法失效的问题。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种疲劳驾驶检测方法,其特征在于,包括如下步骤:
S1、采集图像和预处理,通过图像采集接口采集驾驶员图像信息并传输至中枢处理器,中枢处理器对采集图像进行预处理;
S2、人脸定位和检测,采用基于Haar特征的人脸分类器,检测驾驶员人脸区域;
S3、人脸跟踪,采用卡尔曼滤波器算法的人脸跟踪算法,跟踪人脸;
S4、眼睛检测和状态识别,采用睁眼分类器定位驾驶员眼睛并识别眼睛状态,记录识别结果;
S5、计算疲劳PERCLOS值,得到眼睛的状态识别结果后,通过计算单位时间内眼睛闭合时间所占的百分比即PERCLOS(Percentage of Eyelid Closure Over Time);
S6、将得到的PERCLOS值与预设的阈值进行比较,判定驾驶员是否疲劳驾驶。
2.根据权利要求1所述的一种疲劳驾驶检测方法,其特征在于,所述步骤S2具体包括步骤A,采用基于卡尔曼滤波器算法参数跟踪人脸:
A1、建立***状态方程;
X(k+1)=A(k)X(k)+W(k)
A2、建立***观测方程;
Z(k)=H(k)X(k)+V(k)
A3、预测人脸位置,根据卡尔曼滤波器的预测方程组,滤波器使用上一阶段状态的估计,做出对当前状态的估计;
预测方程组:
(1)预测状态
X(k|k-1)=A(k)X(k|k-1)
(2)预测估计协方差矩阵
P(k|k-1)=A(k)P(k-1|k-1)AT (k)+Q(k)
A4、检测实际人脸位置,在预测了当前人脸所在的位置后,调用Haar分类器在预测区域内检测人脸,获取当前状态信息;当在预测区域检测不到人脸,就在全图检测人脸;当在全图也检测不到人脸的时候,说明驾驶员头部动作过大,无法检测到人脸;
A5、通过更新方程组使用当前的实际人脸位置来更新卡尔曼滤波器,让卡尔曼滤波器的预测值与真实值越来越接近,达到跟踪的效果;
更新方程组:
(3)最优卡尔曼增益
K(k)=P(k|k-1)HT k[H(k)P(k|k-1)HT (k)+R(k)]-1
(4)更新的状态估计
X(k|k)=X(k|k-1)+K(k)[Z(k+1)-H(k)X](k|k-1)
(5)更新的协方差估计
P(k|k)=[E-K(k)H(k)]P(k|k-1)
A6、在输入图像中标记出人脸区域。
其中Xk为在人脸在k时刻的状态估计,A(k)是作用在X(k)上的状态转移矩阵,H(k)是***的观测矩阵,Z(k)是***的观测变量,W(k)是过程噪声,并假设其符合均值为零协方差矩阵为Q(k)的高斯分布,即Wk~N(0,Q(k));V(k)是观测噪声,亦假设其符合均值为零协方差矩阵为R(k)的高斯分布,即Vk~N(0,R(k));PK为误差相关矩阵,度量估计值的精确程度;
状态转移矩阵
***观测矩阵
3.根据权利要求1所述的一种疲劳驾驶检测方法,其特征在于:所述步 骤S3中的睁眼分类器经如下步骤训练:
B1、收集人脸的样本源,截取人脸样本源的人眼区域和非人眼区域,即为正样本和负样本;
B2、使用机器学习算法训练睁眼分类器。
4.根据权利要求1所述的一种疲劳驾驶检测方法,其特征在于:步骤S5中,PERCLOS值采用如下公式计算:
PERCLOS值=(眼睛闭合的帧数/固定帧数)*100%。
5.根据权利要求3所述的一种疲劳驾驶检测方法,其特征在于,所述步骤B2包括:
B21、生成正负样本描述文件;
B22、生成正样本的向量描述文件;
B23、使用OpenCV自带的可执行文件进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410568886.XA CN104269028B (zh) | 2014-10-23 | 2014-10-23 | 一种疲劳驾驶检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410568886.XA CN104269028B (zh) | 2014-10-23 | 2014-10-23 | 一种疲劳驾驶检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104269028A true CN104269028A (zh) | 2015-01-07 |
CN104269028B CN104269028B (zh) | 2017-02-01 |
Family
ID=52160545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410568886.XA Expired - Fee Related CN104269028B (zh) | 2014-10-23 | 2014-10-23 | 一种疲劳驾驶检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104269028B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573657A (zh) * | 2015-01-09 | 2015-04-29 | 安徽清新互联信息科技有限公司 | 一种基于低头特征的盲驾检测方法 |
CN105160913A (zh) * | 2015-08-17 | 2015-12-16 | 上海斐讯数据通信技术有限公司 | 一种规范驾驶人驾驶行为的方法及装置 |
CN106203394A (zh) * | 2016-07-26 | 2016-12-07 | 浙江捷尚视觉科技股份有限公司 | 基于人眼状态检测的疲劳驾驶安全监测方法 |
CN106295474A (zh) * | 2015-05-28 | 2017-01-04 | 交通运输部水运科学研究院 | 船舶驾驶员的疲劳检测方法、***和服务器 |
CN106447828A (zh) * | 2016-10-10 | 2017-02-22 | 深圳市驰勇科技有限公司 | 一种带有虹膜识别功能的行车记录仪 |
CN108229359A (zh) * | 2017-12-26 | 2018-06-29 | 大唐软件技术股份有限公司 | 一种人脸图像处理方法及装置 |
CN108446600A (zh) * | 2018-02-27 | 2018-08-24 | 上海汽车集团股份有限公司 | 一种车辆驾驶员疲劳监测预警***及方法 |
CN110852247A (zh) * | 2019-11-07 | 2020-02-28 | 北京云迹科技有限公司 | 异常检测方法、装置、电子设备及计算机可读存储介质 |
CN111035096A (zh) * | 2020-01-09 | 2020-04-21 | 郑州铁路职业技术学院 | 一种基于安全帽的工程施工人员疲劳检测*** |
CN111243233A (zh) * | 2018-11-28 | 2020-06-05 | 现代自动车株式会社 | 用于管理疲劳驾驶的设备、***和方法 |
CN112668393A (zh) * | 2020-11-30 | 2021-04-16 | 海纳致远数字科技(上海)有限公司 | 基于人脸识别、关键点检测的疲劳度检测装置及其检测方法 |
CN112950900A (zh) * | 2021-01-27 | 2021-06-11 | 吉林云帆智能工程有限公司 | 一种司机行为监控检测方法 |
CN113536900A (zh) * | 2021-05-31 | 2021-10-22 | 浙江大华技术股份有限公司 | 人脸图像的质量评价方法、装置以及计算机可读存储介质 |
WO2022233527A1 (de) | 2021-05-04 | 2022-11-10 | Bayerische Motoren Werke Aktiengesellschaft | Ermittlung einer müdigkeit einer person auf basis einer lidschlaganalyse |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0318351A (ja) * | 1989-06-16 | 1991-01-25 | Omron Corp | 運転疲労算定装置 |
CN1680779A (zh) * | 2005-02-04 | 2005-10-12 | 江苏大学 | 驾驶员疲劳监测方法及装置 |
CN101090482A (zh) * | 2006-06-13 | 2007-12-19 | 唐琎 | 一种基于图象处理和信息融合技术的驾驶员疲劳监测***及方法 |
CN101540090A (zh) * | 2009-04-14 | 2009-09-23 | 华南理工大学 | 基于多元信息融合的驾驶员疲劳监测装置及其监测方法 |
CN102622600A (zh) * | 2012-02-02 | 2012-08-01 | 西南交通大学 | 基于面像与眼动分析的高速列车驾驶员警觉度检测方法 |
CN104013414A (zh) * | 2014-04-30 | 2014-09-03 | 南京车锐信息科技有限公司 | 一种基于移动智能手机的驾驶员疲劳检测*** |
-
2014
- 2014-10-23 CN CN201410568886.XA patent/CN104269028B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0318351A (ja) * | 1989-06-16 | 1991-01-25 | Omron Corp | 運転疲労算定装置 |
CN1680779A (zh) * | 2005-02-04 | 2005-10-12 | 江苏大学 | 驾驶员疲劳监测方法及装置 |
CN101090482A (zh) * | 2006-06-13 | 2007-12-19 | 唐琎 | 一种基于图象处理和信息融合技术的驾驶员疲劳监测***及方法 |
CN101540090A (zh) * | 2009-04-14 | 2009-09-23 | 华南理工大学 | 基于多元信息融合的驾驶员疲劳监测装置及其监测方法 |
CN102622600A (zh) * | 2012-02-02 | 2012-08-01 | 西南交通大学 | 基于面像与眼动分析的高速列车驾驶员警觉度检测方法 |
CN104013414A (zh) * | 2014-04-30 | 2014-09-03 | 南京车锐信息科技有限公司 | 一种基于移动智能手机的驾驶员疲劳检测*** |
Non-Patent Citations (1)
Title |
---|
李晶等: "基于卡尔曼滤波的人脸跟踪算法", 《西安邮电学院学报》, vol. 15, no. 3, 31 March 2010 (2010-03-31), pages 101 - 104 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573657B (zh) * | 2015-01-09 | 2018-04-27 | 安徽清新互联信息科技有限公司 | 一种基于低头特征的盲驾检测方法 |
CN104573657A (zh) * | 2015-01-09 | 2015-04-29 | 安徽清新互联信息科技有限公司 | 一种基于低头特征的盲驾检测方法 |
CN106295474A (zh) * | 2015-05-28 | 2017-01-04 | 交通运输部水运科学研究院 | 船舶驾驶员的疲劳检测方法、***和服务器 |
CN105160913A (zh) * | 2015-08-17 | 2015-12-16 | 上海斐讯数据通信技术有限公司 | 一种规范驾驶人驾驶行为的方法及装置 |
CN105160913B (zh) * | 2015-08-17 | 2018-02-06 | 上海斐讯数据通信技术有限公司 | 一种规范驾驶人驾驶行为的方法及装置 |
CN106203394B (zh) * | 2016-07-26 | 2019-04-26 | 浙江捷尚视觉科技股份有限公司 | 基于人眼状态检测的疲劳驾驶安全监测方法 |
CN106203394A (zh) * | 2016-07-26 | 2016-12-07 | 浙江捷尚视觉科技股份有限公司 | 基于人眼状态检测的疲劳驾驶安全监测方法 |
CN106447828A (zh) * | 2016-10-10 | 2017-02-22 | 深圳市驰勇科技有限公司 | 一种带有虹膜识别功能的行车记录仪 |
CN108229359A (zh) * | 2017-12-26 | 2018-06-29 | 大唐软件技术股份有限公司 | 一种人脸图像处理方法及装置 |
CN108446600A (zh) * | 2018-02-27 | 2018-08-24 | 上海汽车集团股份有限公司 | 一种车辆驾驶员疲劳监测预警***及方法 |
CN111243233A (zh) * | 2018-11-28 | 2020-06-05 | 现代自动车株式会社 | 用于管理疲劳驾驶的设备、***和方法 |
CN111243233B (zh) * | 2018-11-28 | 2022-11-29 | 现代自动车株式会社 | 用于管理疲劳驾驶的设备、***和方法 |
CN110852247A (zh) * | 2019-11-07 | 2020-02-28 | 北京云迹科技有限公司 | 异常检测方法、装置、电子设备及计算机可读存储介质 |
CN111035096A (zh) * | 2020-01-09 | 2020-04-21 | 郑州铁路职业技术学院 | 一种基于安全帽的工程施工人员疲劳检测*** |
CN112668393A (zh) * | 2020-11-30 | 2021-04-16 | 海纳致远数字科技(上海)有限公司 | 基于人脸识别、关键点检测的疲劳度检测装置及其检测方法 |
CN112950900A (zh) * | 2021-01-27 | 2021-06-11 | 吉林云帆智能工程有限公司 | 一种司机行为监控检测方法 |
WO2022233527A1 (de) | 2021-05-04 | 2022-11-10 | Bayerische Motoren Werke Aktiengesellschaft | Ermittlung einer müdigkeit einer person auf basis einer lidschlaganalyse |
DE102021111465A1 (de) | 2021-05-04 | 2022-11-10 | Bayerische Motoren Werke Aktiengesellschaft | Ermittlung einer müdigkeit einer person auf basis einer lidschlaganalyse |
CN113536900A (zh) * | 2021-05-31 | 2021-10-22 | 浙江大华技术股份有限公司 | 人脸图像的质量评价方法、装置以及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104269028B (zh) | 2017-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104269028A (zh) | 一种疲劳驾驶检测方法及*** | |
Ramzan et al. | A survey on state-of-the-art drowsiness detection techniques | |
Azim et al. | Fully automated real time fatigue detection of drivers through fuzzy expert systems | |
Craye et al. | Driver distraction detection and recognition using RGB-D sensor | |
CN102289660B (zh) | 一种基于手部姿态跟踪的违规驾驶行为检测方法 | |
Mbouna et al. | Visual analysis of eye state and head pose for driver alertness monitoring | |
CN105286802B (zh) | 基于视频信息的驾驶员疲劳检测方法 | |
CN102054163B (zh) | 基于单目视觉的驾驶员疲劳检测方法 | |
CN104021370B (zh) | 一种基于视觉信息融合的驾驶员状态监测方法及*** | |
CN104794855A (zh) | 驾驶员注意力综合评估装置 | |
CN105096528A (zh) | 一种疲劳驾驶检测方法及*** | |
Tadesse et al. | Driver drowsiness detection through HMM based dynamic modeling | |
CN105303830A (zh) | 一种驾驶行为分析***及分析方法 | |
CN104794856A (zh) | 驾驶员注意力综合测评*** | |
CN104129389A (zh) | 一种有效判别车辆行驶状态的方法及其装置 | |
CN104616438A (zh) | 一种用于疲劳驾驶检测的打哈欠动作检测方法 | |
Qiao et al. | A smartphone-based driver fatigue detection using fusion of multiple real-time facial features | |
Celona et al. | A multi-task CNN framework for driver face monitoring | |
Sun et al. | An integrated solution for lane level irregular driving detection on highways | |
Azim et al. | Automatic fatigue detection of drivers through pupil detection and yawning analysis | |
Pech et al. | Head tracking based glance area estimation for driver behaviour modelling during lane change execution | |
Senaratne et al. | Comparing two video-based techniques for driver fatigue detection: classification versus optical flow approach | |
Bergasa et al. | Visual monitoring of driver inattention | |
CN116279561A (zh) | 车辆疲劳驾驶的预警方法、装置、设备及可读存储介质 | |
Joseph et al. | Real time drowsiness detection using Viola jones & KLT |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170201 Termination date: 20171023 |
|
CF01 | Termination of patent right due to non-payment of annual fee |