驾驶人注意力分散的图像检测与分级预警

摘要：

针对当前驾驶人注意力分散(DAD)图像检测的研究中，眼睛、嘴唇等目标易受到光照与遮挡的干扰，头部姿态模型的鲁棒性与准确性不易保证的问题，提出基于鼻孔图像识别的注意力区域识别方法与 DAD 层级预警.首先建立基于 BF-SSR 光照均衡法的 Adaboost-肤色模型来识别驾驶人脸区域，在此范围内根据色度、面积与圆度的聚类特征来检测鼻孔，依据成像面上的鼻孔坐标变化来建立头部俯仰与横摆姿态模型，并解决头部平动时的参数初始化问题；然后定义头部横摆角、俯仰角、鼻孔中心坐标偏移量作为特征向量集，建立注意力区域的 SVM 分类模型；最后根据注意力偏离的时长、分配比例以及偏离的必要性建立 DAD 分级预警.实验结果表明，该方法对光照、眼镜、头部运动等干扰的鲁棒性好，头部横摆与俯仰姿态的平均误差为5.5°和4.9°， SVM 对驾驶人注意力区域的分类准确率为85.8%， DAD 预警准确率为85.4%.

关键词：驾驶人注意力分散、辅助驾驶系统、机器视觉、层级预警

所属期刊栏目：28

分类号：TP391.41(计算技术、计算机技术)

资助基金：长江学者和创新团队发展计划项目IRT1286;国家自然科学基金61374196,61473046;陕西省教育厅专项科研计划项目16JK1375;西安工业大学校长基金XAGDXJJ15006

在线出版日期：2016-08-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1287-1296