《疲劳驾驶面部区域信息检测与分析的汇报综述》由会员分享，可在线阅读，更多相关《疲劳驾驶面部区域信息检测与分析的汇报综述（15页珍藏版）》请在金锄头文库上搜索。
1、疲劳驾驶状态中多视角面部 区域特征信息检测与分析 主要内容 1 研究的背景和意义 2 国内外研究现状 2.1国外研究现状 2.2国内研究现状 3 主要的研究内容及方法概括 3.1 人脸监测方法的概述 3.2 人眼定位方法的概述 3.3 嘴巴特征信息的提取方法 1研究的背景和意义 根据道路交通事故数据统计分析，交通肇事与驾驶员人 为因素相关的案例占到 90%以上，而高速公路上驾驶员疲劳 驾驶、精力分散，甚至打瞌睡是引发交通事故的直接原因。 因此为了有效降低事故和减少人员伤亡，研究人员开发了各 种各样的检测系统对驾驶员驾驶状态进行检测与分析。 目前，利用驾驶员视觉信息进行疲劳检测方法主要有以下几
2、种: 1) 头部位置监测方法; 2) 眼部状态监测方法; 3) 瞳孔特征监测方法; 4) 视线跟踪监测方法; 5) 嘴巴状态监测方法。 1 研究的背景和意义 人脸检测问题的提出是为了在自动人脸识别系统中的 定位。从人脸检测的模式、人脸特征的提取、人脸特征的 综合、评估标准等角度，系统的了解了人脸检测系统，并 将人脸检测方法分为 ：基于几何特征的方法，基于肤色模 型的方法和基于统计理论的方法，并对各个方法的优缺点 进行了比较，最后，对人脸检测今后的发展方向进行探讨 。 人脸检测属于模式识别领域，是一项极具研究意义的课 题，无论理论上还是实际应用上，它的研究成果都将对许 多领域产生深远的影响。然而
3、，目前的检测方法大都是针 对正面人脸的检测，多视角人脸的检测还存在很大的困难 ，有效的方法还不多。 1研究的背景和意义 驾驶者的疲劳状况可以从眼睛的闭合频率和眼皮的张开程 度反映出来。一般地,驾驶者精神饱满时,其眨眼频率和眼皮 张开程度都有统计的正常值,而当驾驶者处于疲劳状态下,眼 皮的张开程度较小,眨眼频率也明显降低。因此,利用眼睛的 状态就可以判断出驾驶者的疲劳程度。 1研究的背景和意义 频繁的打呵欠同驾驶疲劳之间存在较强的相关性，且驾 驶员在打哈欠时，嘴部是整个人脸变化最剧烈的区域，其几 何特征变化也最明显。 因此，通过实时检测驾驶员嘴部状态 的变化对驾驶员是否疲劳进行识别，能提高驾驶疲
4、劳检测的 准确率和可靠性。嘴部区域的准确、快速检测是识别驾驶疲 劳的前提和基础，研究者们提出了很多方法。概括起来，主 要可分为 2 类： 一类是基于灰度图像的方法； 另一类是基于嘴唇彩色图像的方法。 主要内容 1 研究的背景和意义 2 国内外研究现状 2.1国外研究现状 2.2国内研究现状 3 主要的研究内容及方法概括 3.1 人脸监测方法的概述 3.2 人眼定位方法的概述 3.3 嘴巴特征信息的提取方法 2 国内外研究现状 Rowley 等人提出了用多个人工神经网络（ANN）来检测多视 角人脸。 Feraud R 等采用 CGM 检测器分别针对左右摇摆0o,20o ， 20o,40o的人脸。
5、 Schneiderman H 的论文中将人脸划分为左侧面、正面和右侧 面，并训练了三个基于视图的检测器，分别处理这三种情况 。 Yong min Li 等在论文中采用 SVM 方法进行多视角人脸的检 测和识别。 ViolaP 等采用层叠型检测器进行多视角人脸。 Yan Wang 等在论文中将层叠型检测器扩展为金字塔型检测器 进行多视角的检测。 2.1 2.1 国外研究现状国外研究现状 2 国内外研究现状 在国内的研究中，四川大学教授周激流尝试了“稳定视点”特 征提取方法，即为使识别系统中包含3D信息，对人脸侧面 剪影识别做了一定的研究，并实现了正，侧面互相参照的识 别系统。 人脸检测是一项具
6、有挑战性的课题，而目前的研究主要侧重 于二维静态正面人脸的研究，其应用领域也具有一定的局限 性。因此，今后的研究重点将逐步转向多视角、多姿态和动 态人脸的识别检测。 2.2 2.2 国内研究现状国内研究现状 主要内容 1 研究的背景和意义 2 国内外研究现状 2.1国外研究现状 2.2国内研究现状 3 主要的研究内容及方法概括 3.1 人脸监测方法的概述 3.2 人眼定位方法的概述 3.3 嘴巴特征信息的提取方法 3.1 人脸监测方法的概述 基于几何特征的人脸检测方法 所谓的人脸几何特征指的是人脸面部器官在几何上体现的特征。 主要有以下四种方法： 1、人脸轮廓特征：边缘检测是提取人脸轮廓特征的
7、首要步骤。 2、灰度分布特征：这类方法中最具有代表性的成果是杨光正提 出的镶嵌图方法。 3、器官特征：人脸结构的对称性是一个重要特征，然而它对姿 态、表情及光照的变化比较敏感。 4、模板特征：人脸区域的灰度本身可以作为模板特征，基于模 板匹配方法可以有效检测到图像中的人脸。 该类方法适于简单背景下的正面单人人脸检测，在复杂 环境下或者面部有遮挡的情况下很难获得理想的检测效 果。 3.1 人脸监测方法的概述 基于肤色模型的人脸检测方法 在彩色图像中，人脸的肤色是区别于非脸的显著特征。因此，肤 色特征是人脸检测中最常用的一种特征。 常用的肤色模型有 ：高斯模型、混合高斯模型和直方图模型。 基于肤色
8、模型的人脸检测方法应用广泛，易于应用，对 姿态不敏感，在单调背景下检测率高，但是其在光照和 复杂背景下效果不理想，故其经常与其他方法相结合使 用。 3.1 人脸监测方法的概述 基于统计理论的人脸检测方法 基于统计理论的人脸检测方法是利用统计分析与机器学习的方法 来寻找人脸样本与非脸样本各自的统计特征，再用各自的特征构 建分类器，用分类器完成人脸检测。主要有以下几种。 神经网络 支持向量机 线性子空间方法 隐马尔科夫 Boosting 基于统计模型的方法大多适用于复杂背景图像中的实时 人脸检测，但是由于其前期训练时间较长，故仍有待改 进。 3.2 人眼定位方法的概述 n基于多角度的模版匹配法；
9、n霍夫变换法； n自适应边缘提取法； n对称变换法。 人脸检测在许多应用中有着很重要的作用,其中人眼作为人脸 中最重要的特征之一。主要分析四种人眼定位算法： 3.3嘴巴特征信息的提取方法 基于灰度图像的方法 比较常用的是基于 Snake 模型的嘴部边缘提取算法，但其计算 复杂度高，容易受嘴部周围胡须的干扰，且在光照变化的情况下 ，常造成嘴部边缘缺失和梯度较弱的缺陷。 由于彩色图像能够提供更丰富、更全面的信息，已越来越受到人 们的重视 如 Alan 等提出利用CIELAB 颜色空间和模糊聚类的 方法对嘴唇区域进行分割；张志文等利用直方图分析 R、G、B 色 度分量在肤色和唇色中的分布特性，提出了一种唇部检测算法。 基于嘴唇彩色图像的方法
