第9 期邵雨辰等: 使用手机前置摄像头的机动车驾驶员疲劳检测本文的疲劳检测系统基于 Android 手机平台使用手机的前置摄像头进行检测使得该系统能以较低的代价得以普及之所以使用手机的前置摄像头一则出于对当前车载手机支架上的手机摆放方式的考虑另外可以使本系统作为手机平台上的车

Size: px

Start display at page:

Download "第9 期邵雨辰等: 使用手机前置摄像头的机动车驾驶员疲劳检测本文的疲劳检测系统基于 Android 手机平台使用手机的前置摄像头进行检测使得该系统能以较低的代价得以普及之所以使用手机的前置摄像头一则出于对当前车载手机支架上的手机摆放方式的考虑另外可以使本系统作为手机平台上的车"

幸富
7 years ago
Views:

1 第 31 卷第 9 期 2015 年 9 月 JOUＲNAL OF SIGNAL PＲOCESSING Vol 31 No 9 Sep 2015 使用手机前置摄像头的机动车驾驶员疲劳检测邵雨辰谢扬振顾兆伦钱沄涛 ( 浙江大学计算机科学与技术学院浙江杭州 ) 摘要: 基于车载疲劳驾驶检测系统的需要使用手机的前置摄像头设计了用于手机的疲劳驾驶检测系统通过使用 Haar-like 特征和 Adaboost 分类器进行人脸的定位并在此之上以同样的方法进行人眼的粗略检测然后通过灰度投影结合 Otsu 法二值化得到眼睛的精确开度判断人眼的状态以此根据 PEＲCLOS 方法对驾驶员的疲劳程度进行检测实验结果表明该系统具有较高的准确度并对光照的变化有一定的适应性能够有效地应用到疲劳检测中关键词: 计算机视觉; 先进驾驶辅助系统; PEＲCLOS; 疲劳驾驶检测; 灰度投影; Adaboost 中图分类: TP391 文献标识码: A 文章编: ( 2015) Driver Drowsiness Detection by Using Front Camera of the Mobile Phone SHAO Yu-chen XIE Yang-zhen GU Zhao-lun QIAN Yun-tao ( College of Computer Science and Technology Zhejiang University Hangzhou Zhejiang China) Abstract: In order to meet the needs of vehicle driver drowsiness detection system A driving drowsiness detection system for mobile phone is designed by using the front camera of the phone The Haar-like feature and Adaboost classifier are used to detect the driver s face and then same method is used for a rough eye detection Next Otsu binarization is combined with gray projection to calculate the accurate eye height and evaluate the statues of eyes Finally a method according to the PEＲCLOS is used to evaluate the degree of drowsiness Experimental results show that the system has a high accuracy and it can adapt to the changes of light So it can be effectively applied to the driver s drowsiness detection Key words: computer vision; advanced driver assistant system; PEＲCLOS; driver drowsiness detection; gray projection; Adaboost 1 引言随着汽车保有数的增长和公路规模的不断扩大疲劳驾驶引起交通事故的情况时有发生实时评估驾驶员的疲劳状态对驾驶员疲劳状态进行及时提醒可有效减少相应的交通事故疲劳驾驶大致有三种特征: 生这些多需要使用接触式设备获得; 物反应即人在疲劳时表现出的外在特征; 车辆行驶的相关参数等疲劳检测的指标基本也是对这三类参数的测量在现在的疲劳检测研究中使用糅合了上述多种检测方法的息融合的疲劳驾驶检测为主流但基于机器视觉的疲劳驾驶检测因为具有非接触架设简便以及较好的平衡了准确率和效率的特点仍受到了相当的重视基于视觉的疲劳检测是检测驾驶员的物反应通过摄像头以及相应的图像技术获得某些 1 点头频率固物指标如眨眼频率 PEＲCLOS 定凝视整体的表情特征等文献 2 实现了以上的多种的物指标经过实验之后得出了与文献 3 相同的结论即在实际环境中最健壮的疲劳检测物指标是 PEＲCLOS 因为他们在实验中证明与任何的物指标的组合比起只使用的 PEＲCLOS 最多只能获得轻微的效果提升因此在这篇论文中他们将 PEＲCLOS 作为唯一的物指标许多其他研究者也得到了同样的结论当前的许多疲劳检测系统需要使用专门定制的设备通用性相对比较差并且搭建费用也比较高收稿日期: ; 修回日期: 基金项目: 国家自然科学基金资助项目( ) ; 国家重点基础研究发展计划( 973 计划) 基金资助项目( 2012CB316400)

2 第9 期邵雨辰等: 使用手机前置摄像头的机动车驾驶员疲劳检测本文的疲劳检测系统基于 Android 手机平台使用手机的前置摄像头进行检测使得该系统能以较低的代价得以普及之所以使用手机的前置摄像头一则出于对当前车载手机支架上的手机摆放方式的考虑另外可以使本系统作为手机平台上的车载高级驾驶辅助系统( ADAS) 的一部分而后置摄像头则可以用作对前方的车道和机动车的检测等功能以 PEＲCLOS 做标准进行疲劳检测的系统通常其大致步骤是首先定位人脸然后在人脸上定位人眼最后判断人眼状态并进行统计根据统计结果判断疲劳状态其中人眼的状态的识别是整个系统最关键的 4 部分常用的方法有使用分类器灰度投影二值 6 7 化分割以及根据眼部特征判断等等使用分类器可以简单的得到人眼睁闭的分类结果但是不太适用于 PEＲCLOS 这种需要得到人眼开度的标准; 二值化分割的方法对于光照和环境比较敏感; 根据眼部特征的方法因为针对的特征更细致如眼睑的轮廓需要更多的预步骤而且对成像的质量要求比较高; 灰度投影对图像的灰度值进行投影统计这种方法计算量小速度快但是直接应用到人脸上进行检测的话容易受到人脸的其他部分的影响本文在检测人眼状态时通过预先使用 Haar-like 特征和 Adaboost 进行人眼范围的定位以排除其他部位对灰度投影的干扰然后通过改进对投影结果的搜索方式进一步削弱其他物体和噪音的影响然后在该结果之上再使用 Ostu 法二值化让开度检测更为精确本文的改进可以增加眼削弱眼镜之类物体的干扰同时睛开度检测的准确性使系统对不同光照环境具有更好的适应性本文对手机前置摄像头获得的视频图像使用 Haar-like 特征和 Adaboost 进行驾驶员的人脸定位根据人脸比例大致划分出眼睛可能所在的区域以此为基础用同样方法初步定位人眼然后使用灰度投影和 Otsu 二值化相结合的方法获得眼睛的精确开度然后使用 PEＲCLOS 方法统计获得的人眼开度所代表的人眼状态对驾驶员的疲劳状况进行估计 2 人脸和人眼定位人脸和人眼定位是基于视觉的疲劳检测的最基础的步骤由于人眼在摄像头得到的画面中面积较小直接定位人眼极易误检因此大多数疲劳检测方法的人眼定位都是以人脸定位为前提的为了减少计算量和检测难度减少误检通常是在人脸定位的结果上根据人眼在人脸上的大致位置 1139 划出感兴趣区域再在其中定位人眼如下图 1 本文选取的区域为人脸高度的 1 /4 开始高度为人脸高度的 1 /3 的区域图1 Fig 1 人眼感兴趣区域 Eye region of interest 在疲劳检测中人脸定位多使用现有的成熟方 8 法如肤色分割 ASM 及其衍生算法和 Viola 4 Jones 算法框架等其中肤色分割容易与肤色相近的物体混淆因此后两种方法的使用相对比较广泛其中 Viola Jones 算法框架即使用特征和分类器进行人脸定位的方法以其有很高的准确性和较快的速度为大多数疲劳检测的研究所采用本文的人脸定位算法也是使用 Haar-like 特征和 Adaboost 分类器的基于 Viola Jones 的算法框架而在疲劳检测中经常使用的人眼定位方法有 ASM 及其衍生算法模板匹配法 9 红眼效应 10 4 法灰度投影法和 Viola Jones 算法框架等其中模板匹配的方法现在已经比较少见使用红眼效应的方法需要设备支持 ASM 及其衍生算法则是在检测人脸的同时就可以得到人眼灰度投影的方法虽然速度快而且比较准确但是直接应用在人脸上容易受其他部位尤其是眉毛的影响因此在使用 Viola Jones 算法定位人脸时使用同样的方法进行人眼定位是比较想的选择 2 1 预在进行人脸和人眼定位前首先需要将从摄像头获得的图像灰度化然后进行直方图均衡化因为摄像头获得的图像容易因为驾驶环境或者曝光问题导致对比度不足无法清楚分辨图像细节的问题而直方图均衡化就是为了增强灰度图像的亮度对比突出特征同时减少亮度不平均对造成的干扰直方图均衡化能够使用较少的时间大幅削弱一些光照和环境对后续的检测的影响为了达到效果要求也可以进行多次迭代 2 2 Haar-like 特征在进行人脸定位时 Viola Jones 算法用如图 2 所示的简单图像特征构造弱分类器这些特征最早

3 1140 由文献 11 提出因为与 Haar 小波类似而被称为为 Haar-like 特征其特征值为白色部分像素值的和与黑色部分像素值的和的差值之后文献 12 又对其进行了扩展 Haar-like 特征既能够反映图像局部的灰度变化也能通过使用积分图快速地对不同尺度的图像中的大量特征的值进行计算 3 第 31 卷人眼开度检测人眼开度检测是基于视觉的疲劳检测中的核心步骤在检测出人眼区域后只需要再获得人眼的具体开度并进行统计就可以进行驾驶员的疲劳状况估计了由于之前的工作划分出了粗略的眼睛范围提高了灰度投影的准确率减少了其他因素的干扰加上灰度投影本身具有速度很快的特点能有比较好的效果因此本文选择灰度投影结合二值化的方法进行人眼状态的检测图2 Fig 2 Haar-like 特征 Haar-like feature 图3 Fig 3 积分图 Integral image 如图 3 对于图像中的任一点( x y) : ii( x y) = I( x' y') ( 1) x'!x y'!y 其中 I( x y ) 是图像中点( x y ) 的像素值 ii( x y) 是包括 ( x y) 在内的图像左上部分像素值的总和依据上式只需对进行图像一次遍历就能计算出图像里所有点的 ii( x y) 然后所有的 ii( x y) 就构成了该图像的积分图通过使用积分图可以通过简单的加减运算在同样的时间内计算出不同大小和位置的矩形特征的特征值 2 3 Adaboost 算法 Boosting 算法的核心是通过使用不同的训练子集迭代地训练弱分类器然后再用分类结果给训练样本加权使被错分的样本突出出来然而在实际问题中 Boosting 算法存在要对分类器学习的错误率上限的提前预知问题文献 13 通过在 Boosting 中引入加权投票和在线分配问题提出了 AdaBoost 算法这是一种自适应的增强算法解决了这个问题成为当前使用最广泛的 Boosting 方法 AdaBoost 算法中通过调整样本的权重构造不同的训练集一开始所有样本有同样的权重在这个样本分布下通过训练得到基本分类器 h1 ( x) 在 h1 ( x) 中分错的样本会增加权重分对的样本则降低权重以此使被分错的样本突出并得到新的样本分布而且 h1 ( x) 同样会被赋予一个权重该权重是根据分错情况赋予的用来代表该分类器的重要程度分错的越少则获得越大的权重然后再在新的样本分布下训练基本分类器得到有权重的基本分类器 h2 ( x) 以此类推循环 T 次可以获得 T 个有相应权重的基本分类器将这些基本分类器按照权重累加最终获得符合期望的强分类器在本文中首先通过改进了搜索方式的积分投影方法初步获得眼睛的上下边界而由于投影并不一定能完全准确地获得眼睛的上下边界并可能会受到眼睛下方阴影的影响因此通过在这个进一步划分的区域中使用 Otsu 法进行二值化从而可以获得更精确的人眼开度的值然后就可以根据所获得的人眼开度的值判断人眼的状态 3 1 使用改进的积分投影法检测人眼开度基于灰度投影的方法的人眼检测是以人们的先验知识制定准则来指导的主要思路是按照某种规则在水平和垂直方向上对图像的灰度进行投影分析投影的结果和特征得到人眼的范围积分投影函数 ( integral projection function 简称 IPF) 是最基本的投影方法水平方向和垂直方向上的 IPF 分别定义为: y2 I( x y) dy = I( x y) dx IPF ν ( x) = ( 2) y1 x2 IPF h ( y) ( 3) x1 I( x y) 代表的是在图像 I 中的( x y) 点的灰度值积分投影根据的特性是其他区域内的像素灰度明显高于人眼的区域虽然因为只着眼于灰度的积分值变化所以不能分辨灰度的分布如果直接在人脸上应用时人眼定位的精度并不高而且还容易受眉毛的干扰但是在已经大致检测出人眼区域的时候因为区域中通常只剩下人眼几乎没有其他干扰物因此不会出现上面的问题反而比起它的一些改进方法积分投影方法在画面中噪音较多或者在目标戴眼镜时有着更好的鲁棒性由于之前的步骤已经得到了人眼的大致位置只需要获得人眼的开度所以在应用时不需要对垂直方向上的灰度积分值进行统计只统计水平方向的积分值即可而在很多非想的情况下比如有

4 第9 期邵雨辰等: 使用手机前置摄像头的机动车驾驶员疲劳检测戴眼镜的情况或者因为环境原因噪音比较多的情况只考虑寻找最小值然后向两侧搜索极大值的方法往往不能获得正确的眼睛上下界范围因此本文将搜索方式改进如下: ( 1) 将统计出的积分值进行归一化 ( 2) 找出人眼图像范围内的所有极值将极大值和极小值分开存放 ( 3) 找出一定范围内的极小值中的最小值作为搜索的初始位置本文中该一定范围是指人眼图像高度的 1 /3 到 3 /4 之间用意是为了避免眉毛和可能出现的眼镜镜框的干扰 ( 4) 设定两个值 t b 代表眼睛的上下界初始值都取中心的高度从中心向上下分别对一定范围内的极小值进行搜索若该极小值满足: 与最小值的差不超过一定值; 如果存在靠近中心方向与之相邻的极且该极大值与最小值之差不超过一定值则将大值相应的界限值改为当前极小值的高度否则停止该方向的搜索这两个差值的取值可以相应大一些如 1 /4 这一步的作用主要是防止一些特殊情况的干扰 ( 5) 以上一步获得的上下界为起点向上下两个方向分别搜索到下一个极大值的 1 / 2 的位置以此作为眼睛的上下界 1 / 2 的取值是通过一个统计积分投影所得到的人眼开度的结果进行补充 Otsu 算法通过搜索图像的前景和背景间方差的最大值得到最优阈值来进行二值化设 t 为前景和背景的分割阈值 w b 和 w f 为此时的背景和前景像素点所占比例 u b 和 u f 为此时图像中前景和背景的平均灰度则图像的平均灰度为: u = w f * uf + w b * ub ( 4) 而前景和背景之间的方差为: g = w f * ( u f u) 2 + w b * ( u b u) 2 ( 5) 公式( 5) 可以化简为: g = w f * w b * ( uf ub ) * ( ub uf ) ( 6) 当方差取最大时可以认为这时前景和背景的差异最大而此时的 t 就是进行二值化的最佳阈值在使用积分投影法获得人眼的大致开度之后截取人眼区域中间的 1 /3 区域进行 Otsu 算法二值化然后计算二值化后的黑色区域的纵向高度即为人眼的开度使用 Otsu 算法进行二值化计算人眼开度后的效果如下图 5 真实情况下眼睛边界在统计出的积分值的曲线上分布的实验得到的通过积分投影得到的人眼开度效果如图 4 图5 Fig 5 4 图4 Fig 积分投影检测人眼开度 Eye height detection by integral projection 使用 Otsu 算法检测人眼开度从上图 4 的最下面一张图可以看出使用积分投影方法检测人眼开度有时候并不能检测到准确的值这是因为由极值向两侧寻找时搜索 1 / 2 的高度是由实验统计得出的并不一定完全符合实际情况此外有时因为环境和光线问题眼睛周围的阴影有时也会影响积分投影检测到的人眼开度使其出现误差因此本文使用在本文的环境下效果最为稳定的 Otsu 算 14 以对法对已检测到的区域进一步进行二值化操作 1141 使用 Otsu 二值化检测人眼开度 Eye height detection by Otsu binarization 疲劳状态检测在获得了人眼开度之后就可以通过统计来估计驾驶员的疲劳状态了本文中使用的疲劳检测方法为应用广泛的 PEＲCLOS 方法 PEＲCLOS 是指在一定时间内眼睛闭合时间所占的比例通常取 20 s 左右 15 PEＲCLOS 方法有三种常用标准: a) P70 眼睛闭合程度超过 70 时认为眼睛闭合用这个时间所占的百分比作标准 b) P80 眼睛闭合程度超过 80 时认为眼睛闭合用这个时间所占的百分比作标准 c) EM 一段时间内眼睛平均闭合程度 ( 百分 16 比) 的平方文献 1 中的研究表明 PEＲCLOS 方法的三种标准中 P80 的检测准确率最高为了体现 PEＲCLOS 的有效性图 6 展示了文献 2 针对 PEＲCLOS 做的实验通过对比 5 km 中被测者是否于困倦状态时的 PEＲCLOS 值在困倦

5 1142 时 PEＲCLOS 要明显的高于清醒时第 31 卷例图 8 为行驶的汽车驾驶室中的一些检测结果样例图 9 为特殊光照情况下的一些检测结果样例其中蓝色大矩形为定位到的人脸框两个小的蓝色矩形为定位到的人眼绿色矩形为积分投影得到的人眼开度黄色矩形则为使用 Otsu 二值化进一步检测到的人眼开度图6 PEＲCLOS Fig 6 PEＲCLOS 由于 PEＲCLOS 的高准确性和健壮性许多疲劳检测的研究将其与其他检测方法组合起来使用在基于息融合的疲劳检测方法中 PEＲCLOS 也被作为物指标中不可或缺的一环由于每个人的眼睛大小坐姿习惯不同在进行疲劳检测之前需要先进行一次与检测周期等长的初始化以此来统计人眼的开度息作为之后的判断眼睛状态的基准而出现一些特殊情况如设置改变或者距离变化时则会自动重新初始化以保证系统的正确运行正常时的疲劳检测以滑动窗口的方式进行即以检测周期的 1 /10 为一个窗口当人眼状态的检测结果积累了一个检测周期时则进行一次计算统计本周期内的 PEＲCLOS 值当结果正常时下一次检测的结果将会逐渐从开始覆盖上一个周期的检测结果当达到一个窗口大小时再进行一次统计计算 PEＲCLOS 的值当因为极端环境或者驾驶员离开画面等情况以致无法检测到有效人眼开度数据时则清空统计结果并根据情况判断是否需要重新初始化等到检测到有效人眼开度数据时再重新开始一个检测周期而当检测结果为疲劳时则在给予提醒后清空上一个检测周期的检测结果重新开始一个新的检测周期 5 实验结果与比较本文分别在实验室条件下实际的汽车驾驶室内以及特殊光照条件下进行了测试为了便于统计实验结果实验使用的数据为使用手机前置摄像头录制的具有代表性场景的视频帧率约为 15 fps 实验室场景下时长约为 2 分钟驾驶室中实际环境总长约 10 分钟特殊光照环境下总长约 3 分钟其中图 7 为实验室条件下的一些检测结果样图7 Fig 7 实验室环境下的结果Ｒesult in the laboratory environment 图8 Fig 8 图9 Fig 9 行驶车辆中的结果Ｒesult in the running vehicle 特殊光照条件下的结果Ｒesults of special illumination conditions 在经过一系列测试后对实验结果进行统计将人脸和人眼定位的结果与实际的人脸和人眼区域进行比对得到人脸和人眼定位的正确率将每段时间的疲劳检测结果与实际录制时预设的疲劳状态进行比对得到疲劳检测的正确率结果如表 1 其中场景 1 为在实验室的比较想的环境下; 场景 2 为在实验室的比较想的环境下戴眼镜的情况; 场景 3 为在行驶的汽车驾驶室中; 场景 4 为在行驶的汽车驾驶室中戴眼镜的情况; 场景 5 为脸部和环境亮度对比明显的情况即图 9( a) ; 场景 6 为脸部和环境亮度对比明显且戴眼镜的情况即图 9 ( b) ; 场景 7 为环境光线整体稍弱且有噪音的情况即图 9( c) ; 场景 8 为整体环境亮度很暗刚好能看到脸的情况即图 9 的( d) ( e)

6 第9 期邵雨辰等: 使用手机前置摄像头的机动车驾驶员疲劳检测表1 Tab 疲劳检测实验结果 Experimental results of drowsiness detection 场景 1 场景 2 场景 3 场景 4 场景 5 场景 6 场景 7 场景人眼定位正确率疲劳检测正确率 N/A 实验场景人脸定位正确率可以看到在场景 8 的情况下疲劳检测功能无法正确运行这主要是因为环境光线太暗导致人眼定位和人眼开度检测的正确率比较低使得在疲劳检测的过程中难以获得足够的连续的有效人眼息速度方面本系统的原型在电脑上的运行速度可达到 20 ms / 帧而在手机上的运行速度则为 100 ms / 帧基本能满足实时检测的需求为了进一步验证本文方法的有效性通过实验 6 将本文的人眼状态检测方法与二值化分割方法和直接使用灰度投影进行检测的方法进行比较得出的结果如表 2 其中场景 1 为实验室想场景场景 2 为戴眼镜的实验室想场景场景 3 为在行驶的汽车驾驶室中场景 4 为脸部和环境亮度对比明显的情况场景 5 为环境光线整体较弱且有噪音的情况三种方法使用同样的人脸定位方法因此在下面不作比较二值化分割和本文方法则使用同样的人眼定位方法因此人眼定位得到的结果相同而直接使用灰度投影时则是先通过人眼在人脸上的大致比例先划出一个区域再在其上进行灰度投影进行人眼定位和人眼状态检测种方法要小说明本文的方法能够有效地应用于实际的疲劳检测 6 结论为了低成本的机动车驾驶员疲劳检测系统的需求本文基于手机的前置摄像头实现了手机平台上的疲劳检测系统本文使用 Haar-like 特征和 Adaboost 分类器进行人脸的检测并在此基础上以同样的方法进行人眼的粗略检测再通过灰度投影结合 Otsu 法二值化得到眼睛的精确开度判断人眼的状态统计一定时间中的人眼状态根据 PEＲCLOS 方法对驾驶员的疲劳程度进行检测实验结果表明本系统具有较高的准确度并对光照的变化有一定的适应性有较好的实时性有较高的实际应用价值参考文献 1 Dinges D PEＲCLOS: A Valid Psychophysiological Measure of Alertness As Assessed by Psychomotor Vigilance Federal Highway Ｒ Washington DC USA Ivan G Daza Luis M Bergasa Sebastian Bronte Fusion of Optimized Indicators from Advanced Driver Assistance 表 2 对比实验结果 Tab 2 Ｒesults of contrast experiment Systems ( ADAS) for Driver Drowsiness Detection J Sensors ( 1) : 场景 1 场景 2 场景 3 场景 4 场景 5 3 Luis M Bergasa Jesus Nuevo Miguel A Sotelo Ｒeal- 人眼二值化分割 100% 97 9% 97 4% 96 6% 93 6% 定位灰度投影 98 3 正确率本文方法 100% 97 9% 97 4% 96 6% 93 6% time system for monitoring driver vigilance C IEEE 实验场景 N/A 疲劳二值化分割检测灰度投影 94 正确率本文方法 97 4% 92 1% 96 5% 94 7% 77 6% 在场景 5 中二值化分割方法因为光线剧烈变化无法正确运行通过实验可以看出在场景 1 即想环境下二值化方法与本文方法相差无几而灰度投影准确率略低是由于在实验时加入了一些姿态变动使得使用灰度投影的人眼的定位准确性受到影响而在其他场景的实验中可以看出眼镜抖动和光线变化对本文方法的影响比起另外两 Intelligent Vehicles Symposium 王奕直周凌霄孔万增基于 Adaboost 的疲劳驾驶眨眼检测 J 杭州电子科技大学学报 ( 4) : Wang Yizhi Zhou Lingxiao Kong Wanzeng Driver drowsiness blinking detection based on Adaboost J Journal of Hangzhou Dianzi University ( 4) : 3538 ( in Chinese) 向飞廖亚风何小海基于 DSP 的改进疲劳驾驶检测系统 J 微型机与应用 ( 5) : Xiang Fei Liao Yafeng He Xiaohai Improved fatigue driving detection system based on TMS320DM642 J Image Processing and Multimedia Technology ( 5) : ( in Chinese)

7 柳露艳驾驶员疲劳驾驶检测系统的研究与实现 D 上海: 东华大学 2014 Liu Luyan Ｒesearch and Implementation of Driver Fa- 第 31 卷 9( 1) : Garcia I Bronte S Bergasa L M Vision-based drowsiness detector for real driving conditions C Intelligent tigue Detection D Shanghai: Donghua University Vehicles Symposium Alcal de Henares Spain: IEEE 2014 ( in Chinese) 2012: 李立凌基于人眼定位技术的疲劳驾驶检测方法 16 Wierwille W W Ellsworth L A et al Ｒesearch on Vehicle- D 成都: 电子科技大学 2012 Based Driver Status Performance Monitoring Development Li Liling Driver drowsiness detecting method based on eye Validation and Ｒefinement of Algorithms For Detection of location technology D Chengdu: University of Electronic Driver Drowsiness Ｒ U S Department of Transportation Science and Technology of China 2012 ( in Chinese) National Highway Traffic Safety Administratlon 巩晓倩蒲亦非杨智勇等基于有限状态自动机的人眼开度 PEＲCLOS 实现算法 J 计算机应用研究作者简介 ( 1) : Gong Xiaoqian PU Yifei Yang Zhiyong et al PEＲCLOS 邵雨辰男 1991 年生山东淄博 implementation computing method of eye open degree 人浙江大学计算机科学与技术学院硕士 based on finite state machine J Application Ｒesearch of 研究生研究方向为图像 Computers ( 1) : ( in Chinese) shaoyuchen@ zju edu cn 9 叶青基于人眼检测的疲劳检测系统研究 D 广州: 广东工业大学 2014 Qing Ye Ｒesearch of fatigue detection system based on human eyes detection D Guangzhou: Guangdong University of Technology 2014 ( in Chinese) 10 肖怡晨驾驶状态监测技术研究 D 南京: 南京工谢扬振男 1989 年生湖南耒阳人浙江大学计算机科学与技术学院硕士研究生研究方向为图像 xiedeacc@ 163 com 大学 2014 Xiao Yichen Ｒesearch of the driving condition monitoring technology D Najing: Nanjing University of Science and Technology 2014 ( in Chinese) 11 Papageorgiou C P Oren M Poggio T A general frame- 顾兆伦 1991 年生河北石家庄男人浙江大学计算机科学与技术学院硕士 work for object detection C the Sixth IEEE Interna- 研究生研究方向为模式识别机器学习 tional Conference on Computer Vision 1998: gu_zhaolun@ 163 com 12 Lienhart Ｒ Maydt J An extended set of Haar-like features for rapid object detection C IEEE International Conference on Image Processing : 钱沄涛男 1968 年生浙江杭州 13 Freund Y Schapire Ｒ A desicion-theoretic generalization 人浙江大学计算机科学与技术学院教 of on-line learning and an application to boosting J 授博士生导师研究方向为机器学习模 Computational learning theory ( 1) : 式识别 14 Nobuyuki Otsu A threshold selection method from graylevel histograms J IEEE Trans Sys Man Cyber ytqian@ zju edu cn

自然科学版预处理视盘粗定位视盘垂直坐标的粗定位视盘水平坐标的粗定位

自然科学版预处理视盘粗定位视盘垂直坐标的粗定位视盘水平坐标的粗定位自然科学版文章编号视网膜图像中视盘的快速自动定位方法赵晓芳林土胜李碧摘要基于眼底视网膜血管的分布结构及视盘本身的特点提出一种快速自动定位视盘的方法首先根据视网膜血管的网络分布结构大致定位视盘的垂直坐标然后根据视盘的亮度信息及视盘与血管的关系来定位视盘的水平坐标最后把视盘限定在以粗定位的视盘为中心的一个小窗口内用变换精确定位视盘中心该方法不需要事先分割视网膜血管也不需要对算法进行训练