关键字 |
| 睡意预警系统;事故;人脸检测;眼睛检测;神经网络 |
介绍 |
| 由于近年来汽车的数量的增加,交通事故所带来的问题也变得越来越复杂。传统运输系统不再是足够的。近年来,智能车辆系统已经出现,并成为一个热门话题在运输人员。然而,在车辆安全的研究是一个重要的智能车辆系统研究的子集。同时,主动预警系统是一种主动安全系统的设计。安全预警系统,主要是主动预警系统对预防交通事故一直吸引公众的关注[9]。安全驾驶是一个主要关注社会世界各地。成千上万的人死亡或者重伤每年由于车轮疲劳驾驶。最近的研究显示那些司机的睡意占20%的严重或致命事故在高速公路和单调的道路,这损害司机的判断和控制车辆的能力。因此,有必要开发一个实时安全系统drowsiness-related预防交通事故。许多方法已经开发出来,其中一些目前正在用于检测驾驶员的睡意,包括测量的生理功能,如脑电图、心率和脉搏,眼睑运动,注视,头部动作和行为的车辆,如车道偏离和转向运动。 Among those different technologies, ocular measures, such as eye-blinking and eyelid closure, are considered as promising ways for monitoring alertness. |
| 本文的目的是开发一个原型睡意检测系统。重点将放在设计一个系统,将准确地监控的开放或关闭状态实时司机的眼睛。通过监测眼睛,相信司机疲劳的症状可以及早发现足以避免车祸。 |
相关工作 |
| 分析司机的嗜睡建了多个系统。他们通常需要简化问题部分或在特殊工作环境中,例如d Taneral等。[6]提出了一种自动瞌睡的司机监控和事故预防系统,是基于眨眼时间的变化。他提出的方法检测视觉变化在眼睛的位置使用建议的水平对称特性的眼睛。这种新方法通过标准网络摄像头实时检测眨眼110 fps 320×240分辨率。弗洛雷斯哈维尔·宏et al。[11]提出了一种新的高级驾驶员辅助系统(ADAS)基于视觉信息的自动驾驶睡意检测和人工智能。该系统在几个阶段全自动工作。此外,算法的目标定位和跟踪的脸和眼睛来计算一个嗜睡索引。加西亚,等[3]睡意检测提供了一个非侵入性的方法,基于计算机视觉。这是安装在一辆车,它能够在实际操作条件下工作。一个红外相机放置在前面的司机,在仪表板中,为了检测他的脸,从他们的眼睛关闭获取嗜睡的线索。 It works in a robust and automatic way, without prior calibration. The presented system is composed of 3 stages. The first one is pre-processing, which includes face and eye detection and normalization. The second stage performs pupil position detection and characterization, combining it with an adaptive lighting filtering to make the system capable of dealing with outdoor illumination conditions. The final stage computes PERCLOS from eyes closure information. In order to evaluate this system, an outdoor database was generated, consisting of several experiments carried out during more than 25 driving hours. Sharma nidhi et al. [5] presented a novel approach to alert a driver who tends to doze off while driving to avoid road crashes. In her system using a small camera that points directly towards the driver’s face, an image is obtained. From that image, skin region i.e. face is segmented out using YCbCr colour space. Finally localization of eyes is done with fuzzy logic application to determine the level of fatigueness and then warn the driver accordingly. |
我们的算法 |
 |
| 第一步是使用摄像头的图像采集是通过将司机和转换成图像帧的视频。 |
 |
| 第二步是人脸检测,在此我们使用中提琴琼斯算法来检测面临Viola-Jones算法是基于探索通过子窗口能够检测输入图像的特性。这个窗口是扩展检测面临着不同大小的图像。中提琴琼斯开发规模不变的探测器穿过图片很多次,每次都有不同的大小。规模不变,探测器需要相同数量的计算,无论大小的图像。 |
 |
 |
   |
| 第三步是眼睛检测。同样的,眼睛是被使用这个算法。检测眼睛我们第一次发现鼻子然后发现一双眼睛。然而,除了颜色RGB模型包括亮度。当涉及到人的眼睛,不同的亮度相同的颜色意味着不同的颜色。在分析人眼,RGB模型在图像亮度很敏感。下一步是提取眼睛的特点即将RGB图像转换成YCBCR形象:Cb和Cr组件给一个好迹象是否一个像素是皮肤的一部分。这明显可以看到Figure.8, Cb和Cr值的所有像素都是眼睛的一部分。之间有很强的相关性皮肤的Cb和Cr值像素,揭示比较眼睛和non-eyes YCbCr空间。 |
 |
| 图8。显示了在YCbCr形象。因为肤色的颜色取决于亮度,我们非线性变换颜色YCbCr空间使皮肤清晰。的主要优势转换图像到YCbCr域是影响亮度图像处理中可以删除。在RGB域,每个组件的照片(红、绿、蓝)有不同的亮度。然而,YCbCr域中的所有信息的亮度Y分量,由于Cb(蓝色)和Cr(红色)组件是独立于亮度。下一步是计算平均值和标准偏差的眼睛开放,即昏昏欲睡并关闭图像 |
 |
 |
 |
| 最后一步是使用反向传播算法训练网络。我们提出的神经网络模型如图12.512所示的输入节点代表的眼睛和标签功能输出节点代表类。 |
 |
 |
| 如图13所示即输入列表< 512 * 60双>图像的特性,我们来训练神经网络。这些特性都是开放的,昏昏欲睡,闭上的眼睛。512是我们的形象和规模60输入图像即20睁开眼睛,20昏昏欲睡的眼睛和20的闭上眼睛。 |
 |
   |
| 上面的图14、15和16是我们的三个目标模式提出的神经网络。在我们的工作目标向量编码使用一个炎热的编码方法。一个炎热是指一组位其中的法律只有一个高值的组合(1)和其他低(0)。例如,译码器的输出通常是一个炎热的代码。表a显示了心律失常类及其相应的目标向量在一个炎热的编码形式。 |
| 最后一步是报警信号的图像识别:训练神经网络容易预测的眼睛是否开放、关闭或昏昏欲睡。在这种情况下,如果输入图像作为司机的密切关注。我们的神经网络识别图像如下所示,并自动生成一个报警信号,提醒司机。 |
 |
结果和讨论 |
| 事件检测的准确性是最重要的因素在决定睡意检测系统的准确性。中长期规划,在这个工作由反向传播训练前馈神经网络模型算法来区分三种类型的心律失常。本文设计的评价分类器通过不同的性能指标。这里使用的性能指标 |
| 1。分类混淆矩阵(矩阵)。 |
| 2。均方误差。 |
| 3所示。错误直方图。 |
答:混淆矩阵 |
| 分类器的性能进行了分析使用混淆矩阵,也被称为表的混乱。它显示的数量正确的和不正确的预测模型与实际测试数据的分类。混淆矩阵列表正确的分类对每个类的预测分类。正确预测每个类的数量的下降沿对角线矩阵。所有其他数字是错误的数量为特定类型的错误分类错误。表B,我们可以看到,当我们考虑整体数据集比精度达到96.7%,是一个非常好的金额。误分类率小于相比其他阶段。在这我们可以看到class1 0 *是不是二班和3班,1类2 0倍并被错误地归类为类和类3 0.0%,3班并被错误地归类为一班和二班的1.7%,并正确地归类为3班。表我们可以看到绿色的盒子代表每个类,每个类的最终精度是正确地训练。 |
 |
| 最后总体精度所示蓝色框显示,每个类分类正确学会了心律失常分类器与均方误差为零,在规定参数与LM算法和有96.7%的结果。 |
B。均方误差 |
| 训练一个神经网络的过程涉及到优化权重的价值观和偏见的网络优化网络性能、网络性能函数定义net.performFcn。均方误差平均平方输出和目标之间的区别。较低的值(MSE)表明网络更好的性能和零意味着没有错误。 |
 |
| ——实际产出,t—target, e -错误,时的范本 |
| 性能图是图17所示。 |
 |
| 表明,神经网络分类器是非常有效的知道数据集的性质,知道不同功能之间的因果关联P高峰,R峰,RR间隔等。 |
c .误差分布图 |
| 直方图用于情节密度数据,通常密度估算:估算潜在变量的概率密度函数。的面积直方图用于概率密度总是标准化为1。如果x轴上的间隔的长度都是1,那么相对频率图的直方图是相同的。没有“最好”的容器数量,和不同的箱子大小可以揭示不同特性的数据。 |
 |
结论和未来的范围 |
| 一个非侵入性的系统来定位眼睛疲劳和监控。闭目的程度的信息通过各种自主研发的图像处理算法。在监测过程中,系统能够决定如果打开眼睛,昏昏欲睡或关闭。眼睛是昏昏欲睡或关闭时,发出的一个警告信号。神经网络提供了一个完全不同的、非正统的方法控制问题,这种技术并不难申请,结果通常是相当惊人的,令人赏心悦目。 |
| 为未来的范围我们建议,可以更多的功能,包括可以改变大小和形状虹膜当人喝醉时,或者当眼睛或有光泽的外观必须工作水平的目光眼球震颤的概念使用支持向量机等机器算法的准确性。 |
引用 |
- R。N Khushaba, s . Kodagoda Lal, a艺术观”不相关的模糊邻域保持投影分析特性对司机困倦识别“模糊集和系统221(2013),页90 - 111。
- A . Sahayadhas k Sundaraj和m . Murugappan”检测司机困倦基于传感器:回顾“传感器2012年,页6937 - 16953。
- 即Garc´ia s·勃朗特,l . m . Bergasa j·阿尔马兹´一游,j·雅步。“嗜睡探测器建立真实的驾驶条件”2012智能汽车研讨会Alcala de Henares - 2012年6月,第618 - 623页
- 一个。年代jasni“睡意检测汽车辅助驾驶系统使用图像处理分析“电气与电子工程、大学马来西亚彭亨(人民运动联盟),2010年11月
- n沙玛和V。K Banga。“发展嗜睡预警系统基于模糊逻辑”。国际期刊《计算机应用8(9):2010年10月1 - 6,。
- t . Danisman我。M Bilasco, c . Djeraba NacimIhaddadene“瞌睡的司机检测系统使用眨眼模式”IEEE, 2010年3月,页230 - 233
- 道路安全全球现状报告》2009年;世界卫生组织(WHO):瑞士日内瓦,2009年。
- Michael g . Lenne林祖嘉刘,西蒙·g·霍斯金表示:“预测司机困倦使用车辆的措施:最近的见解和未来挑战”安全研究期刊》(2009),页239 - 245
- J。D, T。嗜睡的R陈“发展预警系统基于模糊逻辑的图像分析”专家系统与应用程序34(2008),页1556 - 1561。
- t·m·马哈茂德·“一个新的快速肤色检测技术”世界科学院、工程和技术,2008年,页498 - 502。
- M。J弗洛雷斯,J。M Armingol Arturo de la Escalera“实时睡意检测系统的智能车辆”IEEE研讨会埃因霍温科技大学智能汽车,2008年6月,第637 - 642页。
- 大肠Vural a和m . Cetin Ercil和G。Littlewort和m . Bartlett j . Movellan“瞌睡的司机检测通过面部运动分析”研讨会HCI 2007年8月
- t .香港h .秦IEEE“司机睡意检测嵌入式系统”,2007年8月
- J。美国Khanchi Nasiri, H。R Pourreza M.V.I.眼科检测彩色图像2007 P。
- d·西迪贝p蒙特西诺斯,s . Janaqi”一个简单而有效的眼睛检测方法在彩色图像”国际会议形象和视觉计算,2006年。
- h . Bae s金正日“实时人脸检测和识别使用hybrid-information提取面部特征和空间”形象和视觉计算23(2005),页。1181 - 1191。
- 劳,p .“瞌睡的司机检测和预警系统对商用车辆司机:现场操作试验设计、分析、和进步”国家公路交通安全管理局:华盛顿特区,美国,2005年。
- 王f和h .秦“一个基于FPGA的司机睡意检测系统”IEEE, 2005年6月,第358 - 363页。
- C。C蒋介石,W.KTai, M。荃,杨,Y。黄T C。J黄”一个新颖的方法来检测的嘴唇、眼睛和面孔实时”实时成像9(2003),页277 - 287。
- n parmar。“瞌睡的司机检测系统”电子和计算机工程系,瑞尔森大学(2002),一个项目报告,1 -61页。
|
菜单
