System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于目标检测领域,涉及一种基于多行为特征和邻近状态信息的驾驶员疲劳检测方法。
技术介绍
1、近年来,人们在疲劳驾驶监控方面已开展了大量的研究工作,其中驾驶员疲劳状态的检测主要基于车辆特征、生物特征、行为特征等。基于驾驶员行为特征进行疲劳检测具有非接触、易实现、低成本等优点,应用前景广阔,已成为当前的研究热点。
2、基于行为特征的疲劳状态检测有采用单一行为特征和融合多个行为特征两种方式。融合多行为特征的疲劳状态检测因其在准确度和鲁棒性上更具优势而备受关注。现有的融合多行为特征的驾驶疲劳检测技术的差异主要体现在行为特征的选择、获取、融合、状态判决等方面,其共同点均是把当前时间窗口内检测出的状态视为目前驾驶员的真实状态,且用于相邻状态判决的阈值为单一恒值。事实上,驾驶员的真实状态是难于被准确检测出来的,已有检测技术把当次检测状态视为真实状态是不够准确的,甚至可能是错误的。例如,因为某些异常因素(如眼前有风掠过或有异物进入眼部)使处于清醒状态的驾驶员短暂表现出类似疲劳的眼动特征而被检测为疲劳状态,这显然是不合理的。另外,单一恒定阈值用于相邻状态的判决易出现“乒乓效应”,即当状态判决指标在阈值附近波动时,会出现检测出的状态在相邻状态间频繁切换。
技术实现思路
1、有鉴于此,本专利技术的目的在于提供一种基于多行为特征和邻近状态信息的驾驶员疲劳检测方法。
2、为达到上述目的,本专利技术提供如下技术方案:
3、基于多行为特征和邻近状态信息的驾驶员疲劳检
4、s1:基于tensorflow训练的mediapipe框架中的面部检测器实现人脸目标识别;
5、s2:基于mediapipe框架中的人脸网格模型进行人脸关键点检测;
6、s3:基于驾驶员人脸关键点坐标计算特征参数,包括眼部行为特征、嘴部行为特征和头部行为特征;
7、s4:基于特征参数中的眨眼频率fe、打哈欠频率fm和头部姿态值h,计算当前时间窗口驾驶员的疲劳程度f:
8、f=ω1fe+ω2fm+ω3h (1)
9、其中,fe和fm是归一化后的值,ωi为权重,i=1,2,3...,且s为加权计算状态参数,f的大小反映当前时间窗口驾驶员的疲劳程度;
10、s5:将当前时间窗口的状态参数与邻近的多个时间窗口的状态判决指标进行融合,融合后的状态参数值的计算方式为:
11、
12、其中,f(tn)为当前时间窗口融合后的状态参数,也称之为状态判决指标,f(ti)为邻近的第i个时间窗口的状态判决指标,i=n-1,n-2,…,n-n,βn和βi为参数权重,且
13、s6:把驾驶员状态分为清醒、轻度疲劳和重度疲劳,状态判决中涉及两组双阈值,即和分别用于“清醒”与“轻度疲劳”之间的判决以及“轻度疲劳”与“重度疲劳”之间的判决。
14、进一步的,所述s3和s4具体为:
15、眨眼频率和是否连续闭眼描述眼部行为特征,ear表示眼部宽长比,其值为左右眼的宽长比均值;左右眼的宽长比分别用eleft和eright表示,计算方式如下:
16、
17、
18、其中,pi为第i个关键点的坐标,i=33,133,144,153,158,160,263,362,373,380,385,387,得:
19、
20、打哈欠频率描述嘴部行为特征,mar表示嘴部宽长比,计算方式如下:
21、
22、其中,pi为第j个关键点的坐标,j=12,16,41,62,180,271,292,404;
23、头部姿态值描述头部行为特征,头部欧拉角的计算是基于pnp(perspective-n-point)问题的求解;根据欧拉角,头部姿态值为0、0.5或1,分别对应正常、中幅度偏转或大幅度偏转;
24、状态参数s的值是眨眼频率fe、打哈欠频率fm、头部姿态值h的加权和,即:
25、f=ω1fe+ω2fm+ω3h (7)
26、其中,fe和fm是归一化后的值,ωk为权重,k=1,2,3,且f的大小反映当前时间窗口驾驶员的疲劳程度。
27、进一步的,所述s5和s6具体为:
28、将当前时间窗口的状态参数与邻近的多个时间窗口的状态判决指标进行融合,融合后的状态参数值的计算方式为:
29、
30、其中,f(tn)为当前时间窗口融合后的状态参数,称为状态判决指标,f(tq)为邻近的第q个时间窗口的状态判决指标,q=n-1,n-2,…,n-n,βn和βq为参数权重,且
31、采用双阈值作为判决依据;
32、把驾驶员状态分为清醒、轻度疲劳和重度疲劳,输入参数包括状态参数、邻近时间窗口的状态判决指标和连续闭眼;
33、计算状态判决指标;
34、设条件1~条件7分别为:
35、条件1:
36、条件2:
37、条件3:f(tn)<t1a;
38、条件4:
39、条件5:或“连续闭眼”;
40、条件6:f(tn)<t1b;
41、条件7:f(tn)≥t1b或“连续闭眼”;
42、若前一次的状态为清醒,则判断满足条1还是满足条件2;若满足条件1,则为清醒,若满足条件2,则为轻度疲劳;
43、若前一次的状态为轻度疲劳,则判断满足条3,满足条件4,还是满足条件5;若满足条件3,则为清醒;若满足条件4,则为轻度疲劳;若满足条件5,则为重度疲劳;
44、若前一次的状态为重度疲劳,则判断满足条6还是满足条件7;若满足条件6,则为轻度疲劳;若满足条件7,则为重度疲劳。
45、本专利技术的有益效果在于:
46、(1)融合状态参数和邻近状态信息得出用于状态判决的指标,有效避免了采用状态参数进行判决时可能出现的误判;
47、(2)在相邻状态判决条件中基于双阈值,有效避免了采用单阈值可能出现的“乒乓效应”。
48、本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。
本文档来自技高网...【技术保护点】
1.基于多行为特征和邻近状态信息的驾驶员疲劳检测方法,其特征在于:该方法包括以下步骤:
2.根据权利要求1所述的基于多行为特征和邻近状态信息的驾驶员疲劳检测方法,其特征在于:所述S3和S4具体为:
3.根据权利要求1所述的基于多行为特征和邻近状态信息的驾驶员疲劳检测方法,其特征在于:所述S5和S6具体为:
【技术特征摘要】
1.基于多行为特征和邻近状态信息的驾驶员疲劳检测方法,其特征在于:该方法包括以下步骤:
2.根据权利要求1所述的基于多行为特征和邻近状态信息的驾驶员疲劳检...
【专利技术属性】
技术研发人员:徐昌彪,明志飞,崔军帅,黄文昊,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。