免费看男阳茎进女阳道视频

                        24小時論文定制熱線

                        咨詢電話

                        熱門畢設:土木工程工程造價橋梁工程計算機javaasp機械機械手夾具單片機工廠供電采礦工程
                        您當前的位置:論文定制 > 畢業論文定制 >
                        快速導航
                        畢業論文定制
                        關于我們
                        我們是一家專業提供高質量代做畢業設計的網站。2002年成立至今為眾多客戶提供大量畢業設計、論文定制等服務,贏得眾多客戶好評,因為專注,所以專業。寫作老師大部分由全國211/958等高校的博士及碩士生設計,執筆,目前已為5000余位客戶解決了論文寫作的難題。 秉承以用戶為中心,為用戶創造價值的理念,我站擁有無縫對接的售后服務體系,代做畢業設計完成后有專業的老師進行一對一修改與完善,對有答辯需求的同學進行一對一的輔導,為你順利畢業保駕護航
                        代做畢業設計
                        常見問題

                        表情與頭部狀態識別技術開發疲勞駕駛檢測算法

                        添加時間:2018/10/18 來源:吉林大學 作者:鄒昕彤
                        介紹了圖像平滑去噪和光照均衡的方法,比較各類方法的優點與不足。選擇自適應中值濾波法平滑圖像并去除噪聲,采用自適應閾值的光照均衡法調整圖像的光照均衡度。
                        以下為本篇論文正文:

                        摘 要

                          基于表情與頭部狀態識別的疲勞駕駛檢測算法的研究隨著汽車保有量的增加和人們生活節奏的加快,因駕駛者疲勞而引發的交通事故屢屢發生。我們應該認識到,疲勞駕駛所帶來的嚴重后果并不亞于酒駕,它是交通安全的巨大隱患,嚴重威脅著社會財產與生命安全。所以研究可靠且有效的疲勞駕駛檢測技術,能夠提前預測和判斷出駕駛者的疲勞狀態,及時預警,并讓車輛自動減速,做到防患于未然,從而可以避免交通事故的發生。

                          本文通過研究目前國內外關于疲勞駕駛檢測技術的各類方法,總結其優勢與不足?紤]到部分駕駛者存在佩戴眼鏡的情況,提出基于眼睛、嘴部與頭部狀態相結合的方法識別疲勞狀態。主要內容包括以下幾部分:

                          1.視頻圖像預處理。駕駛者的面部區域在行車過程中會受到不同光照的影響,同時由于視頻圖像在獲取與傳輸過程中會產生噪聲與模糊。因此本文預先對圖像進行濾波去噪和光照均衡處理,保障人臉區域的準確檢測。

                          2.人臉檢測與運動目標跟蹤。在綜合分析比較了各類人臉檢測方法之后,本文采用基于 Adaboost 算法的人臉分類器檢測視頻圖像中駕駛員的面部區域。

                          該方法通過 Haar-Like 特征與積分圖像法迭代訓練人臉分類器。與傳統的基于膚色或模板匹配的人臉檢測方法相比,其檢測效率更高、準確性更好;谌四槞z測的結果,采用粒子濾波運動目標跟蹤算法實時追蹤駕駛員的面部目標區域。

                          3.眼睛檢測與狀態識別。首先,利用面部器官的幾何分布規則粗略分割眼部的候選區域。其次,基于大律法對雙眼區域進行圖像自適應二值化。通過垂直積分投影并計算連通區域個數,判斷駕駛者是否佩戴眼鏡。最后,分兩種情況選擇對應的算法識別睜眼或閉眼狀態。如果駕駛員佩戴眼鏡,則提出基于局部直方圖統計特征的算法識別眼部狀態;如果駕駛員未佩戴眼鏡,則采取基于Adaboost 算法的人眼分類器直接定位眼睛,對單眼區域二值化后提取最大矩形并得到眼睛的近似張角,由閾值判斷眼睛睜開或閉合狀態。

                          4.嘴部檢測與狀態識別。嘴部相對于人臉其他區域來說具有特殊的顏色與亮度信息。本文為了簡化計算、提高檢測效率,首先根據嘴部在面部的分布位置,粗定位嘴部候選區。其次二值化獲得嘴部面積,利用 Sobel 邊緣檢測法提取嘴部邊緣獲得嘴部周長。最后計算似圓度,識別嘴部張開或閉合狀態。

                          5.頭部狀態識別。人在打瞌睡時,頭部會出現突發性的上仰、下沉或規律性的上下往復運動。這部分主要利用已經定位到的眼睛與嘴部中心點位置信息,6.疲勞狀態判斷。該過程利用持續閉眼時間、眨眼頻率、PERCLOS 參數、打哈欠持續時間、打哈欠次數和點頭頻率等指標綜合判斷駕駛者是否瞌睡。最后根據疲勞狀態各等級對應的面部表情行為特征,構建疲勞駕駛檢測系統流程圖,當檢測到疲勞狀態時,及時預警并讓機動車自動減速。實驗中對 4 組模擬駕駛場景下的視頻圖像進行檢測,結果表明本文疲勞駕駛檢測算法的檢測效率較高,準確性較好,且滿足系統對于實時性的要求。

                          關鍵詞:疲勞檢測,眼鏡判斷,自適應,粒子濾波,直方圖局部特征

                        Abstract

                          With the increase of vehicle holdings and the acceleration of living rhythm,traffic accidents due to the driver fatigue were frequently happened. We should pay attention to the serious consequences caused by drowsy driving as well as drunk driving. It is a great hidden trouble of traffic safety and an important issue that threatens the safety of people's life and property. Therefore, it is necessary and important to research on a reliable and effective technology of fatigue driving detection. The fatigue detection system can make early warning and deceleration through forecast and judgment of driver’s drowsiness in advance to avoid traffic accidents.

                          This paper has summarized the advantages and disadvantages of the different approaches of fatigue driving detection in domestic and overseas. Considering the situation of wearing glasses, the paper presents a comprehensive method based on eyes, mouth and the track of head to identify the fatigue state.The main contributions are as follows:

                          1. Video image pre-processing. The region of driver’s face will be affected by different illumination when driving. And the noise and blurring may generate from the process of acquisition and transmission. So this article makes denoising filter and illumination equilibrium for image in advance to insure the accuracy of face detection.

                          2. After the comprehensive analysis and comparison of different method on face detection, the paper adopts face detection technology which based on Adaboost algorithm to locate the driver’s facial area. It utilizes Haar-Like features and integral image to train the facial classifier iteratively. Compared with the method based on skin color or template, this Adaboost classifier can detect with high efficiency and accuracy. We use the particle filter to track the region of moving target in real time.

                          3. Eyes detection and state recognization. First, the candidate area of the eye is roughly divided by the geometric distribution rule of the facial organ. Second, an adaptive binarization method called OTSU is used. According to vertical integral projection and the number of connected domain, it can judge whether the driver wear glasses or not. Finally, it has two ways to identify the state of eyes(open/closed). It chooses the method of histogram’s local statistical features to recognize eyes state when driver wearing glasses. Getting eyes region with eyes’ classifier based on Adaboost algorithm when not wearing glasses. Then, this paper binarize the eyes’ area,extract the largest rectangle from one eye and calculate the approximate angle of eye. Judge the state of eye whether open or not by threshold value.

                          4. Mouth detection and state recognization. Mouth has special color and brightness information compared with the other areas of face. In order to simplify the calculation and increase the detection rate, we choose a candidate area of mouth according to the geometric distribution rules of facial organs. Extracting mouth edge with Sobel edge detection. Computing roundness e to identify the state of mouth.This method has rotation invariance.

                          5. The detection of head motion locus. The head will nod when people in the situation of drowsy. This article utilizes the center position of eyes and mouth which are located in previous section to identify the head status.

                          6. Fatigue judging. In this section, the duration time, blink frequency, PERCLOS parameter, yawning duration and times, nod frequency had been defined and taken to detect drowsiness and fatigue synthetically. According to the different level of fatigue on facial expression, this paper builds a fatigue detection flow chart.The system will warn and decelerate the vehicle automatically when detecting fatigue. We took four groups of videos which simulate driving situation to testing.The results show that the fatigue detection algorithm is more efficient and accurate,and satisfies the requirement of real-time system..

                          Keywords:Fatigue detection,Glasses judging,Self-adaption,Particle filter,Local histogram features

                          多年來,因疲勞駕駛而導致的交通事故頻頻發生。疲勞駕駛已經成為造成交通事故的第二大誘因。研究顯示,睡眠不足對駕駛員的影響近似于酒后駕車[1],存在很大的安全隱患。根據 2005-2011 年我國道路交通事故統計數據可知[2],僅2011 年我國因疲勞駕駛而導致的交通事故死亡人數超過 1000 人,造成的經濟損失達到近 5000 萬元。駕駛員疲勞與發生交通事故的 Pearson 相關性達到 99%。

                          美國國家公路交通安全管理局統計,美國每年因瞌睡導致約 10 萬起交通事故,造成人身傷害的交通事故占 71%,其中有 1500 起事故直接導致死亡。據德國保險公司統計,25%左右的交通事故是因疲勞駕駛引起的[3]。法國警察總署統計20.6%的交通事故是由瞌睡導致的[4]。一項針對美國 1.03 億人的調查結果顯示,有超過三分之一的駕駛者在開車過程中出現過打瞌睡的現象。

                          導致駕駛員出現疲勞現象的主要因素有:睡眠質量差、長時間開車、服用了帶有鎮痛或安眠的藥物、飲用了含有酒精成分的飲料等。這些因素均會引起駕駛員瞌睡困乏,使身體的感知機能弱化,出現視線模糊、注意范圍變小、反應時間明顯延長、動作不協調等現象。駕駛者進入疲勞狀態時,動作遲緩、反應不及時,尤其是在進入重度疲勞時,駕駛員甚至會忘記操控車輛,非常容易發生撞擊、追尾等交通事故,后果不堪設想。疲勞駕駛不僅會造成一定的經濟財產損失,威脅社會公共交通安全,更會導致車內人員傷亡,危害自身與他人的生命安全,造成巨大的精神傷害。

                          當駕駛員感到疲勞時,單純依靠功能飲料、吹冷氣或者大聲播放音樂、同伴隨行聊天和監督等方式來克服疲勞的效果并不顯著。如何能夠提前預測駕駛員的疲勞狀態,從而避免交通事故的發生,已經成為目前在疲勞駕駛檢測技術研究領域中的熱點與難點。由于根據腦電、心電和脈搏等生理信號監測疲勞狀態需在駕駛員身上配備接觸裝置,這會妨礙駕駛員的操作。而基于車輛行駛軌跡的疲勞檢測方法對道路標線的要求較高。所以考慮非接觸式的方法,通過研究數字視頻圖像處理與識別技術,利用人臉表情和頭部運動信息檢測駕駛員的疲勞狀態具有一定的可行性。

                          綜上所述,通過研究一種可靠且有效的疲勞駕駛檢測算法與系統,預先識別出駕駛員的疲勞狀態,及時預警并使車輛自動減速,可以降低安全風險,盡可能避免因疲勞駕駛而發生的交通事故,這對保障人們的生命和財產安全具有非常重要的意義。

                          近年來隨著人們安全意識的增強和科研水平的提高,疲勞駕駛檢測技術因其對預防交通事故、降低道路安全風險具有積極作用,所以受到國內外研究者的廣泛關注和深入研究,并取得不錯的效果。目前疲勞駕駛檢測技術主要包括三類,分別為基于生理指標的疲勞檢測方法、基于操作行為和行車軌跡的疲勞檢測方法和基于機器視覺的疲勞檢測方法[5]。

                          生理指標檢測法主要應用心電圖(ECG)、腦電圖(EEG)和脈搏等生理信號特征,讓駕駛員佩戴接觸式的裝置實時測量人體生理參數。例如 ErikaAbe,KoichiFujiwara 等通過對 27 名實驗對象的心電圖進行心率變化分析,結合多元統計過程控制原理,提前預測瞌睡的發生[6]。Aihua Zhang 等發現在瞌睡狀態下從腦電信號中提取出的能量特征明顯升高而樣本熵明顯降低的現象,利用該特性可以反映出腦部的活動狀態,判斷是否疲勞[7]。此類方法雖然準確度高,但是需要穿戴檢測設備,會在一定程度上妨礙駕駛操作,因此應用范圍并不十分廣泛。

                        日間戴眼鏡時眼部檢測結果
                        日間戴眼鏡時眼部檢測結果

                        夜間無眼鏡時眼部檢測結果
                        夜間無眼鏡時眼部檢測結果

                        無眼鏡自適應二值化效果圖
                        無眼鏡自適應二值化效果圖

                        佩戴眼鏡自適應二值化效果圖
                        佩戴眼鏡自適應二值化效果圖

                        雙眼垂直積分投影法判斷眼鏡結果圖
                        雙眼垂直積分投影法判斷眼鏡結果圖

                        目 錄

                          第 1 章 緒 論
                            1.1 疲勞駕駛檢測的研究背景與意義
                            1.2 疲勞檢測的研究方法與現狀
                            1.3 本文的研究內容及結構安排
                          第 2 章 視頻圖像預處理
                            2.1 圖像濾波去噪
                              2.1.1 傳統濾波算法的分析與比較
                              2.1.2 基于自適應中值濾波的圖像去噪
                            2.2 基于自適應閾值的圖像光照均衡
                            2.3 圖像預處理的實驗結果分析
                            2.4 本章小結
                          第 3 章 人臉區域檢測與目標跟蹤
                            3.1 人臉檢測方法分類
                            3.2 基于 Adaboost 分類器的人臉檢測算法的研究
                            3.3 人臉檢測實驗結果分析
                            3.4 基于粒子濾波的面部目標跟蹤
                              3.4.1 運動目標跟蹤算法分類
                              3.4.2 結合 Adaboost 與粒子濾波算法的面部目標跟蹤
                              3.4.3 面部跟蹤實驗結果與分析
                            3.5 本章小結
                          第 4 章 眼睛與嘴部狀態識別
                            4.1 人眼狀態識別
                              4.1.1 基于改進的幾何分布規則的雙眼區域粗定位
                              4.1.2 基于大律法的眼部自適應二值化
                              4.1.3 基于積分投影法的眼鏡判斷
                              4.1.4 基于近似張角與直方圖局部特征的眼睛狀態判斷
                            4.2 嘴部狀態識別
                              4.2.1 常用的嘴部狀態識別方法介紹
                              4.2.2 基于似圓度與近似張角的嘴部狀態識別
                            4.3 本章小結
                          第 5 章 駕駛員疲勞狀態識別
                            5.1 多指標融合的眼部疲勞判斷
                            5.2 嘴部疲勞判斷
                            5.3 點頭瞌睡的疲勞判斷
                            5.4 疲勞識別流程與實驗分析
                            5.5 本章小結
                          第 6 章 總結與展望
                            6.1 總結
                            6.2 展望
                          參考文獻
                          作者簡介及科研成果
                          致 謝

                        (如您需要查看本篇畢業設計全文,請您聯系客服索。

                        相關內容
                        好優論文定制中心主要為您提供代做畢業設計及各專業畢業論文寫作輔導服務。 網站地圖
                        所有論文、資料均源于網上的共享資源以及一些期刊雜志,所有論文僅免費供網友間相互學習交流之用,請特別注意勿做其他非法用途。
                        如有侵犯您的版權或其他有損您利益的行為,請聯系指出,論文定制中心會立即進行改正或刪除有關內容!

                        將微信二維碼保存到相冊

                        打開微信掃一掃從相冊識別

                        1.點擊下面按鈕復制QQ號

                        3008637063

                        2.打開QQ→添加好友/群

                        粘貼QQ號,加我為好友

                        免费看男阳茎进女阳道视频