为了提高对驾驶员疲劳程度检测的准确性与鲁棒性,提出了一种基于主动形状模型的多个特征融合疲劳检测算法。首先利用简单类Haar特征的级联Adaboost算法快速检测出人脸位置,然后对检测到的人脸进行基于主动形状模型(active shape model,A...为了提高对驾驶员疲劳程度检测的准确性与鲁棒性,提出了一种基于主动形状模型的多个特征融合疲劳检测算法。首先利用简单类Haar特征的级联Adaboost算法快速检测出人脸位置,然后对检测到的人脸进行基于主动形状模型(active shape model,ASM)的特征点定位,利用12个ASM特征标记点,得出眼睛、嘴部和头部的状态参数,再相应地计算出PERCLOS(percentage of eyelid closure over the pupil over time)、AECS(average eye closure speed)、哈欠频率、点头频率等4个疲劳特征,最后利用自适应神经模糊推理系统(adaptive network based fuzzy inference system,ANFIS)判决出驾驶员的3级疲劳程度(清醒、疲劳和严重疲劳)。实验结果表明,本方法对驾驶员疲劳检测准确率达93.3%,具有较高的准确性与鲁棒性。展开更多
文摘为了提高对驾驶员疲劳程度检测的准确性与鲁棒性,提出了一种基于主动形状模型的多个特征融合疲劳检测算法。首先利用简单类Haar特征的级联Adaboost算法快速检测出人脸位置,然后对检测到的人脸进行基于主动形状模型(active shape model,ASM)的特征点定位,利用12个ASM特征标记点,得出眼睛、嘴部和头部的状态参数,再相应地计算出PERCLOS(percentage of eyelid closure over the pupil over time)、AECS(average eye closure speed)、哈欠频率、点头频率等4个疲劳特征,最后利用自适应神经模糊推理系统(adaptive network based fuzzy inference system,ANFIS)判决出驾驶员的3级疲劳程度(清醒、疲劳和严重疲劳)。实验结果表明,本方法对驾驶员疲劳检测准确率达93.3%,具有较高的准确性与鲁棒性。
