CN107977607A - 一种基于机器视觉的疲劳驾驶监测方法 - Google Patents
一种基于机器视觉的疲劳驾驶监测方法 Download PDFInfo
- Publication number
- CN107977607A CN107977607A CN201711154635.7A CN201711154635A CN107977607A CN 107977607 A CN107977607 A CN 107977607A CN 201711154635 A CN201711154635 A CN 201711154635A CN 107977607 A CN107977607 A CN 107977607A
- Authority
- CN
- China
- Prior art keywords
- eyes
- eye
- fatigue driving
- image
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明公开了一种基于机器视觉的疲劳驾驶监测方法,该方法主要通过视频图像处理技术,实时监控驾驶员的眼睛变化、打哈欠等情况,综合判断驾驶员是否处于疲劳驾驶状态。相较于基于生理信号的检测方法,此方法不需要接触驾驶员身体,并且不会影响驾驶;相较于基于驾驶行为的检测方法,具有更低的误判率,更具发展潜力。本发明的方法包括以下步骤:人脸图像预处理;获得人眼标准图;载入分类器进行特征分类并对人眼标准图进行开阖状态判断;进行疲劳驾驶状态判断。
Description
技术领域
本发明涉及一种疲劳驾驶监测方法,更具体的说涉及一种基于机器视觉的疲劳驾驶监测方法。
背景技术
驾驶疲劳是指驾驶人在长时间连续行车后,产生生理机能和心理机能的失调,而在客观上出现驾驶技能下降的现象。驾驶人睡眠质量差或不足,长时间驾驶车辆,容易出现疲劳。驾驶疲劳会影响到驾驶人的注意、感觉、知觉、思维、判断、意志、决定和运动等诸方面。随着车辆的逐年增加,疲劳后继续驾驶车辆,会感到困倦瞌睡,四肢无力,注意力不集中,判断能力下降,甚至出现精神恍惚或瞬间记忆消失,出现动作迟误或过早,操作停顿或修正时间不当等不安全因素,极易发生道路交通事故。
目前,对于疲劳驾驶的检测主要包括基于生理信号检测、基于驾驶行为检测两种检测方法,但均存在一定缺陷:
①基于生理信号的检测方法,主要基于驾驶员的脉搏、脑电图、心电图、肌电图等的异常情况来检测疲劳驾驶状态。该类方法的检测结果很准确,但是其必须通过直接接触驾驶员身体来采集相关数据,会导致驾驶员的不适,影响驾驶效果,不适合实际的应用。
②基于驾驶行为的检测方法,主要基于方向盘转动、车辆行驶速度、车道偏移量、油门的控制力度等的异常情况来检测疲劳驾驶状态。该类方法的优点是不需要接触驾驶员身体,检测结果能直接反应驾驶状态,其缺点是判断依据无法确定,对于不同的驾驶员,无法给出明确的临界判断阂值。
因此,需要研制开发一种疲劳驾驶监测方法以解决现有技术中存在的问题。
发明内容
本发明的目的是解决上述现有技术中存在的问题与不足,提供一种基于机器视觉的疲劳驾驶监测方法,该方法主要通过视频图像处理技术,实时监控驾驶员的眼睛变化、打哈欠等情况,综合判断驾驶员是否处于疲劳驾驶状态。相较于基于生理信号的检测方法,此方法不需要接触驾驶员身体,并且不会影响驾驶;相较于基于驾驶行为的检测方法,具有更低的误判率,更具发展潜力。
本发明是通过以下技术方案是实现的:
本发明的基于机器视觉的疲劳驾驶监测方法,其包括以下步骤:
◆人脸图像预处理
启动摄像头获取图像,用Dlib库中的get frontal face detector函数作为人脸提取器,寻找到人脸,规定只选取面积最大的人脸图像,将寻找到的人脸图像转化为开源计算机视觉库(OPENCV)中类为mat的图像结构,并用人脸68个标记点官方识别模型(shape_predictor_68_face_landmarks)标定面部68个特征点,完成人脸图像预处理;
◆获得人眼标准图
根据68个标记点识别模型,左眼附近特征点位于第42~47,右眼附近特征点位于36~41,分别将其横纵坐标求平均得到左右眼中心坐标;根据模板图像中左右眼中心坐标计算出仿射变换矩阵,将图像旋转为正脸(避免面部倾斜导致双眼裁剪的图像不准确);随后对图像进行裁剪,根据左右眼坐标以及训练库中双眼图片得到最终的人眼标准图,并对其进行直方图均衡化处理,使其灰度特征更明显,获得人眼标准图;
◆载入分类器进行特征分类并对人眼标准图进行开阖状态判断
首先建立由大量数据集构成的左右眼开阖库,即训练样本,并对其进行训练,得到双眼开阖的分类器;采用支持向量机二分类的支持向量机(SVM)机器学习算法对人眼标准图进行开阖状态判断;
◆进行疲劳驾驶状态判断
当两只眼睛中任一只眼睛被判定为闭眼时,***判定人处于闭眼状态;考虑到人正常的眨眼,设定当连续三次出现闭眼状态时,***判定驾驶员进入疲劳驾驶状态,此时发出疲劳驾驶监测警告并从获取图像步骤继续重复上述监测过程;否则从获取图像步骤继续重复上述监测过程。
本发明上述的基于机器视觉的疲劳驾驶监测方法,其进一步的技术方案是所述的根据左右眼坐标以及训练库中双眼图片其大小为90*40mm。
本发明以ARM开发板为硬件基础,具有极高的车载应用潜质,使用更加方便高效。疲劳驾驶监测模块基于主流的OPENCV计算机视觉库进行开发,利用SVM算法,同时采用了基于Dlib机器学习库的人脸检测模块,能够有效对人脸及检测部位进行精确捕获对驾驶员驾驶状态的实时判别和疲劳驾驶预警。***利用高清摄像头采集驾驶员面部信息,准确定位出人眼位置,并把每一帧图片进行图像预处理,通过建立的左右眼开阖库进行LBP特征与SVM(支持向量机)特征分类得到双眼训练数据,判断双眼的开阖状态。当人眼长时间处于闭合状态时,判定驾驶员为疲劳驾驶,***发出警告,以提醒驾驶员停止驾驶。
与现有技术相比本发明具有以下有益效果:
本发明的基于机器视觉的疲劳驾驶监测方法,主要通过视频图像处理技术,实时监控驾驶员的眼睛变化、打哈欠等情况,综合判断驾驶员是否处于疲劳驾驶状态。相较于基于生理信号的检测方法,此方法不需要接触驾驶员身体,并且不会影响驾驶;相较于基于驾驶行为的检测方法,具有更低的误判率,更具发展潜力。
疲劳驾驶监测模块采用基于机器视觉的检测方法,区别于传统的生理信号检测,该模块采用SVM特征分类方法,建立左右眼开阖库,能够更精确地判定驾驶员是否处于疲劳驾驶状态,改善了目前疲劳驾驶检测技术的不足。同时,疲劳驾驶模块采用了基于Dlib机器学习库的人脸检测模块,能够有效对人脸及检测部位进行精确捕获,可提高***目标识别的可靠性。
模块选取ARM作为硬件基础,采用基于LINUX内核的操作***,具有开源、可移植性强的特点,这给未来在车载平台实现相应功能提供了很大的便利。
模块采用的机器学习算法在未来有广阔的前景以及发展空间,并且通过增加训练样本、优化算法后,能够不断提高检测的准确性。
附图说明
图1为本发明的监测方法流程示意图
具体实施方式
下面的实施例将对本发明予以进一步的说明,但本发明的内容不限于此。实施例中本发明的基于机器视觉的疲劳驾驶监测方法,其包括以下步骤:
◆人脸图像预处理
启动摄像头获取图像,用Dlib库中的get frontal face detector函数作为人脸提取器,寻找到人脸,规定只选取面积最大的人脸图像,将寻找到的人脸图像转化为开源计算机视觉库(OPENCV)中类为mat的图像结构,并用人脸68个标记点官方识别模型(shape_predictor_68_face_landmarks)标定面部68个特征点,完成人脸图像预处理;
◆获得人眼标准图
根据68个标记点识别模型,左眼附近特征点位于第42~47,右眼附近特征点位于36~41,分别将其横纵坐标求平均得到左右眼中心坐标;根据模板图像中左右眼中心坐标计算出仿射变换矩阵,将图像旋转为正脸(避免面部倾斜导致双眼裁剪的图像不准确);随后对图像进行裁剪,根据左右眼坐标以及训练库中双眼图片得到最终的人眼标准图,并对其进行直方图均衡化处理,使其灰度特征更明显,获得人眼标准图;
◆载入分类器进行特征分类并对人眼标准图进行开阖状态判断
首先建立由大量数据集构成的左右眼开阖库,即训练样本,并对其进行训练,得到双眼开阖的分类器;采用支持向量机二分类的支持向量机(SVM)机器学习算法对人眼标准图进行开阖状态判断;
◆进行疲劳驾驶状态判断
当两只眼睛中任一只眼睛被判定为闭眼时,***判定人处于闭眼状态;考虑到人正常的眨眼,设定当连续三次出现闭眼状态时,***判定驾驶员进入疲劳驾驶状态,此时发出疲劳驾驶监测警告并从获取图像步骤继续重复上述监测过程;否则从获取图像步骤继续重复上述监测过程。本发明上述的基于机器视觉的疲劳驾驶监测方法,其进一步的技术方案是所述的根据左右眼坐标以及训练库中双眼图片其大小为90*40mm。
同时实施例中疲劳驾驶模块采用的处理器架构为双核ARM Coretx-A72+四核ARMCortex A53,性能与移动端设备基本类似,已经能够在保持一定帧率的情况下,完成人眼开阖状态的检测。若在车载部分采用性能更好的处理器,可进一步提升模块处理速度,缩短延迟时间,模块性能还将有更大的提升,具有很大的开发潜力。模块采用的机器学习算法在未来有广阔的前景以及发展空间,并且通过增加训练样本、优化算法后,能够不断提高检测的准确性。
实施例1
1)本实施例中选择主频为2.3GHz、基于x64架构的INTEL Core i5-6300HQ处理器,操作***为Windows 10,选择的集成开发环境(IDE)为Visual Studio 2015。采集图像所用摄像头为双飞燕家用摄像头PKS-820G,该摄像头的像素为1600万,并且具有自动白平衡功能。
2)将摄像头通过USB接口与计算机连接;
3)启动Visual Studio 2015,新建工程并添加工程所需要的源文件以及头文件,将工程所需的分类器相关文件放在工程目录下,并在配置属性页面中添加OPENCV和Dlib库;
4)编译前,在配置管理器中选择活动解决方案配置为Release,活动解决方案平台选择为x64;
5)点击本地Windows调试器运行程序,此时摄像头启动,未采集到面部信息时,程序不产生动作;
6)摄像头检测到人脸时,程序开始进行驾驶状态检测。
7)当判定双眼处于睁开的状态时,监视器显示提示信息:
left[2]
right[2]
zhengyan
程序判定驾驶员处于睁眼状态,其中[1]、[2]分别代表闭眼、睁眼状态。
8)当判定其中一只眼睛为闭眼状态时,监视器显示提示信息:
left[1]
right[2]
biyan
上述提示信息代表左眼处于闭眼状态,右眼处于睁眼状态,程序判定驾驶员处于闭眼状态。
9)当判定其中一只眼睛为闭眼状态时,监视器显示提示信息:
left[2]
right[1]
biyan
上述提示信息代表右眼处于闭眼状态,左眼处于睁眼状态,程序判定驾驶员处于闭眼状态。
10)当判定双眼均处于闭眼状态时,监视器显示提示信息:
left[1]
right[1]
biyan
程序判定驾驶员处于闭眼状态。
11)当程序连续三次判定驾驶员处于闭眼状态时,监视器显示疲劳驾驶警告提示信息:
left[1]
right[1]
biyan
left[1]
right[1]
biyan
left[1]
right[1]
biyan
Alert#############pilaojishi#############
即连续监测到了三次闭眼状态,说明此时驾驶员进入了疲劳驾驶状态,需要注意。
实施例2
1)本实施例选择最高主频为2.0GHz,基于Rockchip RK3399芯片的firefly-RK3399开发板。Rockchio是基于big.LITTLE大小核架构的6核(双核ARM Cortex-A72+四核ARM Cortex-A53)64位处理器。运行的操作***为定制版ubuntu16.04,选择的编译工具为gcc、make和cmake。采集图像所用摄像头为双飞燕家用摄像头PKS-820G,该摄像头的像素为1600万,并且具有自动白平衡功能。
2)项目开发选择主频为1.70GHz,基于x64架构的INTEL core i3-4005U处理器,操作***为ubuntu16.04LTS。选择的集成开发环境(IDE)为Eclipse CDT。
3)PC端启动Eclipse,新建工程并添加工程所需要的源文件以及头文件,将工程所需的分类器相关文件放在工程目录下,在配置属性页面中添加openCV和Dlib库的路径,选择需要链接的动态库,配置Eclipse编译选项为Debug,点击“编译”按钮编译整个工程。
4)使用U盘将编译完成的工程目录复制到开发板,使用cmake生成并安装openCV和Dlib库。
5)进入项目文件夹下的“Debug”目录,修改Makefile文件中关于配置openCV和Dlib库安装路径的选项。在终端输入“make clean”,清除垃圾文件。然后输入“make all”,重新编译整个项目。此时在当前文件夹下生成项目可执行二进制文件“Project”。
6)将摄像头通过USB接口与开发板连接;
7)在终端下输入“./Project”启动疲劳驾驶检测程序,此时摄像头启动,未采集到面部信息时,程序不产生动作;
8)摄像头检测到人脸时,程序开始进行驾驶状态检测。
9)当判定双眼处于睁开的状态时,监视器显示提示信息:
left[2]
right[2]
zhengyan
程序判定驾驶员处于睁眼状态,其中[1]、[2]分别代表闭眼、睁眼状态。
10)当判定其中一只眼睛为闭眼状态时,监视器显示提示信息:
left[1]
right[2]
biyan
上述提示信息代表左眼处于闭眼状态,右眼处于睁眼状态,程序判定驾驶员处于闭眼状态。
11)当判定其中一只眼睛为闭眼状态时,监视器显示提示信息:
left[2]
right[1]
biyan
上述提示信息代表右眼处于闭眼状态,左眼处于睁眼状态,程序判定驾驶员处于闭眼状态。
12)当判定双眼均处于闭眼状态时,监视器显示提示信息:
left[1]
right[1]
biyan
程序判定驾驶员处于闭眼状态。
13)当程序连续三次判定驾驶员处于闭眼状态时,监视器显示疲劳驾驶警告提示信息:
left[1]
right[1]
biyan
left[1]
right[1]
biyan
left[1]
right[1]
biyan
Alert#############pilaojiashi#############
即连续监测到了三次闭眼状态,说明此时驾驶员进入了疲劳驾驶状态,需要注意。
Claims (2)
1.一种基于机器视觉的疲劳驾驶监测方法,其特征在于包括以下步骤:
◆人脸图像预处理
启动摄像头获取图像,用Dlib库中的get frontal face detector函数作为人脸提取器,寻找到人脸,规定只选取面积最大的人脸图像,将寻找到的人脸图像转化为开源计算机视觉库中类为mat的图像结构,并用人脸68个标记点官方识别模型标定面部68个特征点,完成人脸图像预处理;
◆获得人眼标准图
根据68个标记点识别模型,左眼附近特征点位于第42~47,右眼附近特征点位于36~41,分别将其横纵坐标求平均得到左右眼中心坐标;根据模板图像中左右眼中心坐标计算出仿射变换矩阵,将图像旋转为正脸;随后对图像进行裁剪,根据左右眼坐标以及训练库中双眼图片得到最终的人眼标准图,并对其进行直方图均衡化处理,使其灰度特征更明显,获得人眼标准图;
◆载入分类器进行特征分类并对人眼标准图进行开阖状态判断
首先建立由大量数据集构成的左右眼开阖库,即训练样本,并对其进行训练,得到双眼开阖的分类器;采用支持向量机二分类的支持向量机机器学习算法对人眼标准图进行开阖状态判断;
◆进行疲劳驾驶状态判断
当两只眼睛中任一只眼睛被判定为闭眼时,***判定人处于闭眼状态;考虑到人正常的眨眼,设定当连续三次出现闭眼状态时,***判定驾驶员进入疲劳驾驶状态,此时发出疲劳驾驶监测警告并从获取图像步骤继续重复上述监测过程;否则从获取图像步骤继续重复上述监测过程。
2.根据权利要求1所述的基于机器视觉的疲劳驾驶监测方法,其特征在于所述的根据左右眼坐标以及训练库中双眼图片其大小为90*40mm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711154635.7A CN107977607A (zh) | 2017-11-20 | 2017-11-20 | 一种基于机器视觉的疲劳驾驶监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711154635.7A CN107977607A (zh) | 2017-11-20 | 2017-11-20 | 一种基于机器视觉的疲劳驾驶监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107977607A true CN107977607A (zh) | 2018-05-01 |
Family
ID=62010308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711154635.7A Pending CN107977607A (zh) | 2017-11-20 | 2017-11-20 | 一种基于机器视觉的疲劳驾驶监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107977607A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805085A (zh) * | 2018-06-14 | 2018-11-13 | 北京理工大学 | 基于人眼识别的智能睡眠检测方法及*** |
CN109165630A (zh) * | 2018-09-19 | 2019-01-08 | 南京邮电大学 | 一种基于二维人眼识别的疲劳监测方法 |
CN109711309A (zh) * | 2018-12-20 | 2019-05-03 | 北京邮电大学 | 一种自动识别人像图片是否闭眼的方法 |
CN109875568A (zh) * | 2019-03-08 | 2019-06-14 | 北京联合大学 | 一种用于疲劳驾驶检测的头部姿态检测方法 |
CN110246305A (zh) * | 2019-08-01 | 2019-09-17 | 肇庆学院 | 一种基于机器视觉的疲劳驾驶检测预警***及方法 |
CN111645695A (zh) * | 2020-06-28 | 2020-09-11 | 北京百度网讯科技有限公司 | 一种疲劳驾驶的检测方法、装置、计算机设备和存储介质 |
CN113516035A (zh) * | 2021-05-06 | 2021-10-19 | 佛山市南海区广工大数控装备协同创新研究院 | 一种多接口融合的指纹图像前处理方法 |
CN113591615A (zh) * | 2021-07-14 | 2021-11-02 | 广州敏视数码科技有限公司 | 一种基于多模型的驾驶员抽烟检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639894A (zh) * | 2009-08-31 | 2010-02-03 | 华南理工大学 | 在线检测列车驾驶员行为和疲劳状态的方法及其检测*** |
CN102609984A (zh) * | 2012-02-02 | 2012-07-25 | 西南交通大学 | 基于正交双目降维空间的驾驶员眼部3d重构与跟踪方法 |
CN104616438A (zh) * | 2015-03-02 | 2015-05-13 | 重庆市科学技术研究院 | 一种用于疲劳驾驶检测的打哈欠动作检测方法 |
CN104881955A (zh) * | 2015-06-16 | 2015-09-02 | 华中科技大学 | 一种驾驶员疲劳驾驶检测方法及*** |
WO2017067399A1 (zh) * | 2015-10-20 | 2017-04-27 | 阿里巴巴集团控股有限公司 | 一种基于图像识别的预警方法及装置 |
CN106846734A (zh) * | 2017-04-12 | 2017-06-13 | 南京理工大学 | 一种疲劳驾驶检测装置及方法 |
CN106919913A (zh) * | 2017-02-21 | 2017-07-04 | 上海蔚来汽车有限公司 | 基于计算机视觉的疲劳驾驶检测方法及装置 |
-
2017
- 2017-11-20 CN CN201711154635.7A patent/CN107977607A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639894A (zh) * | 2009-08-31 | 2010-02-03 | 华南理工大学 | 在线检测列车驾驶员行为和疲劳状态的方法及其检测*** |
CN102609984A (zh) * | 2012-02-02 | 2012-07-25 | 西南交通大学 | 基于正交双目降维空间的驾驶员眼部3d重构与跟踪方法 |
CN104616438A (zh) * | 2015-03-02 | 2015-05-13 | 重庆市科学技术研究院 | 一种用于疲劳驾驶检测的打哈欠动作检测方法 |
CN104881955A (zh) * | 2015-06-16 | 2015-09-02 | 华中科技大学 | 一种驾驶员疲劳驾驶检测方法及*** |
WO2017067399A1 (zh) * | 2015-10-20 | 2017-04-27 | 阿里巴巴集团控股有限公司 | 一种基于图像识别的预警方法及装置 |
CN106919913A (zh) * | 2017-02-21 | 2017-07-04 | 上海蔚来汽车有限公司 | 基于计算机视觉的疲劳驾驶检测方法及装置 |
CN106846734A (zh) * | 2017-04-12 | 2017-06-13 | 南京理工大学 | 一种疲劳驾驶检测装置及方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805085A (zh) * | 2018-06-14 | 2018-11-13 | 北京理工大学 | 基于人眼识别的智能睡眠检测方法及*** |
CN109165630A (zh) * | 2018-09-19 | 2019-01-08 | 南京邮电大学 | 一种基于二维人眼识别的疲劳监测方法 |
CN109711309A (zh) * | 2018-12-20 | 2019-05-03 | 北京邮电大学 | 一种自动识别人像图片是否闭眼的方法 |
CN109711309B (zh) * | 2018-12-20 | 2020-11-27 | 北京邮电大学 | 一种自动识别人像图片是否闭眼的方法 |
CN109875568A (zh) * | 2019-03-08 | 2019-06-14 | 北京联合大学 | 一种用于疲劳驾驶检测的头部姿态检测方法 |
CN110246305A (zh) * | 2019-08-01 | 2019-09-17 | 肇庆学院 | 一种基于机器视觉的疲劳驾驶检测预警***及方法 |
CN111645695A (zh) * | 2020-06-28 | 2020-09-11 | 北京百度网讯科技有限公司 | 一种疲劳驾驶的检测方法、装置、计算机设备和存储介质 |
CN113516035A (zh) * | 2021-05-06 | 2021-10-19 | 佛山市南海区广工大数控装备协同创新研究院 | 一种多接口融合的指纹图像前处理方法 |
CN113591615A (zh) * | 2021-07-14 | 2021-11-02 | 广州敏视数码科技有限公司 | 一种基于多模型的驾驶员抽烟检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107977607A (zh) | 一种基于机器视觉的疲劳驾驶监测方法 | |
Wang et al. | Driver fatigue detection: a survey | |
CN101593425B (zh) | 一种基于机器视觉的疲劳驾驶监控方法及*** | |
CN102263937B (zh) | 基于视频检测的驾驶员驾驶行为监控装置及监控方法 | |
CN101639894B (zh) | 在线检测列车驾驶员行为和疲劳状态的方法及其检测*** | |
CN101950355B (zh) | 基于数字视频的驾驶员疲劳状态检测方法 | |
Gupta et al. | Implementation of motorist weariness detection system using a conventional object recognition technique | |
US20220175287A1 (en) | Method and device for detecting driver distraction | |
CN105286802B (zh) | 基于视频信息的驾驶员疲劳检测方法 | |
CN104574817A (zh) | 一种适用于智能手机的基于机器视觉疲劳驾驶预警*** | |
CN104637246A (zh) | 一种驾驶员多种行为预警***及危险评估方法 | |
Liu et al. | Effects of dataset characteristics on the performance of fatigue detection for crane operators using hybrid deep neural networks | |
CN104881956A (zh) | 一种疲劳驾驶预警*** | |
CN110103816B (zh) | 一种驾驶状态检测方法 | |
CN113838265B (zh) | 疲劳驾驶预警方法、装置以及电子设备 | |
Charniya et al. | Drunk driving and drowsiness detection | |
Huda et al. | Mobile-based driver sleepiness detection using facial landmarks and analysis of EAR values | |
Pinto et al. | A deep learning approach to detect drowsy drivers in real time | |
CN113312958B (zh) | 一种基于司机状态的派单优先度调整方法及装置 | |
Battiato et al. | Benchmarking of computer vision algorithms for driver monitoring on automotive-grade devices | |
Wu et al. | Driver Drowsiness Detection and Alert System Development Using Object Detection. | |
CN114998874A (zh) | 一种基于深度学习的驾驶员异常行为检测方法 | |
Mentari et al. | Detecting Objects Using Haar Cascade for Human Counting Implemented in OpenMV | |
CN202177912U (zh) | 基于视频检测的驾驶员驾驶行为监控装置 | |
CN113420656A (zh) | 一种疲劳驾驶检测方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180501 |