基于人脸识别的驾驶员疲劳检测系统
基于面部特征与头部姿势的疲劳驾驶监测系统
基于面部特征与头部姿势的疲劳驾驶监测系统摘要在二十一世纪的高压社会环境下，疲劳驾驶汽车已经成为导致交通事故发生的重要因素之一，给国家和社会以及个人的生命财产安全造成了严重的损失。
我们认识到利用深度学习的技术可以实现对疲劳驾驶的识别监测，之前也有国外的相关研究，但是我们不难发现他们的研究没有从根本上利用深度学习，而且也是一种单一的判断，这样的精确度不是很高的。
而我们可以通过多方面去监测驾驶人员的头部姿势与面部变化利用疲劳状态下人的行为特征与面部特征，运用深度学习进行图像识别，当出现多次的疲劳状态拟合分析结果时，便通过微信等方式联系乘客及其相关的亲属，当司机被多次检测出疲劳驾驶将会通过微信接口通知相关的公安部门，司机存在疲劳驾驶行为。
我们以此种方法将能大大降低因为疲劳驾驶引起的交通事故，从根源上降低了交通事故的发生。
关键词：疲劳驾驶、卷积神经网络、向量机、深度学习、目标检测1.背景随着科技文化的发展，人类命运共同体的构建，人们拥有越来越多的汽车，方便人们的出行，但是根据大数据的调查显示，也出现越来越多的交通事故，而其中的疲劳驾驶已成为导致交通事故的重要因素之一，给国家和个人的生命财产安全造成了严重的损失。
而我国正是交通事故频发的一个国家，单2021年中国有高达数万人死亡，数万人受伤，损失的财产高达几百亿元，而其中因为疲劳驾驶发生的交通事故，达到四分之一左右，同时给社会与人民带来了潜在的危害，也使交通警察的工作更加困难的开展。
2.系统设计2.1解决方案概述图1 解决方案概述图我们首先通过图像或视频的采集，将内容解析后传输到后台，进行一系列的处理最后将处理后的结果反馈给用户。
该系统首先通过车载摄像头获取图像，进行人脸检测，检测驾驶员是否在位，若驾驶员在位，即可检测到人脸，为了保证每一次驾驶的自适应性，我们需要先引导司机进行一分钟的样本采集，以方便后面的采集图像，而采集图像分为面部姿势的采集和眨眼序列采集，以及相关的头部姿势采集。
基于面部特征防疲劳驾驶监测及预警系统的实验方案
基于面部特征防疲劳驾驶监测及预警系统的实验方案下载提示：该文档是本店铺精心编制而成的，希望大家下载后，能够帮助大家解决实际问题。
文档下载后可定制修改，请根据实际需要进行调整和使用，谢谢！本店铺为大家提供各种类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，想了解不同资料格式和写法，敬请关注！Download tips: This document is carefully compiled by this editor. I hope that after you download it, it can help you solve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you! In addition, this shop provides you with various types of practical materials, such as educational essays, diary appreciation, sentence excerpts, ancient poems, classic articles, topic composition, work summary, word parsing, copy excerpts, other materials and so on, want to know different data formats and writing methods, please pay attention!基于面部特征防疲劳驾驶监测及预警系统的实验方案1. 引言随着交通事故的增多，疲劳驾驶成为引发事故的重要因素之一。
基于人脸识别的驾驶人员疲劳检测系统设计
第１０卷㊀第２期Ｖｏｌ．１０Ｎｏ．２㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２０年２月㊀Ｆｅｂ．２０２０㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２０）０２－０１７２－０３中图分类号：ＴＰ３０２．１文献标志码：Ａ基于人脸识别的驾驶人员疲劳检测系统设计靳明浩（山东科技大学计算机科学与工程学院，山东青岛２６６５９０）摘㊀要：驾驶人员的疲劳驾驶是引起重大交通事故的主要原因之一，每年由于驾驶人员的疲劳驾驶而引发的事故会导致严重后果，直接或间接地造成不同程度的经济损失㊂基于此，提出基于人脸识别的驾驶人员疲劳检测系统，对系统的硬件与软件进行设计㊂实验结果表明：设计系统检测准确率更高，具有实际应用价值㊂关键词：人脸识别；驾驶人员；疲劳；检测ＤｅｓｉｇｎｏｆｄｒｉｖｅｒｆａｔｉｇｕｅｄｅｔｅｃｔｉｏｎｓｙｓｔｅｍｂａｓｅｄｏｎｆａｃｅｒｅｃｏｇｎｉｔｉｏｎＪＩＮＭｉｎｇｈａｏ（ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＳｈａｎｄｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＱｉｎｇｄａｏＳｈａｎｄｏｎｇ２６６５９０，Ｃｈｉｎａ）ʌＡｂｓｔｒａｃｔɔＤｒｉｖｅｒｆａｔｉｇｕｅｄｒｉｖｉｎｇｉｓｏｎｅｏｆｔｈｅｍａｉｎｃａｕｓｅｓｏｆｆａｔａｌｔｒａｆｆｉｃａｃｃｉｄｅｎｔｓ．Ｅｖｅｒｙｙｅａｒ，ａｃｃｉｄｅｎｔｓｃａｕｓｅｄｂｙｔｈｅｄｒｉｖｅｒ＇ｓｆａｔｉｇｕｅｄｒｉｖｉｎｇｃａｎｃａｕｓｅｓｅｒｉｏｕｓｃｏｎｓｅｑｕｅｎｃｅｓ，ｄｉｒｅｃｔｌｙｏｒｉｎｄｉｒｅｃｔｌｙｂｒｉｎｇｉｎｇｄｉｆｆｅｒｅｎｔｄｅｇｒｅｅｓｏｆｅｃｏｎｏｍｉｃｌｏｓｓｅｓ．Ｂａｓｅｄｏｎｔｈｉｓ，ａｄｒｉｖｅｒｆａｔｉｇｕｅｄｅｔｅｃｔｉｏｎｓｙｓｔｅｍｂａｓｅｄｏｎｆａｃｅｒｅｃｏｇｎｉｔｉｏｎｉｓｐｒｏｐｏｓｅｄ，ａｎｄｔｈｅｈａｒｄｗａｒｅａｎｄｓｏｆｔｗａｒｅｏｆｔｈｅｓｙｓｔｅｍａｒｅｄｅｓｉｇｎｅｄ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｄｅｓｉｇｎｓｙｓｔｅｍｈａｓｈｉｇｈｅｒｄｅｔｅｃｔｉｏｎａｃｃｕｒａｃｙａｎｄｐｒａｃｔｉｃａｌａｐｐｌｉｃａｔｉｏｎｖａｌｕｅ．ʌＫｅｙｗｏｒｄｓɔｆａｃｅｒｅｃｏｇｎｉｔｉｏｎ；ｄｒｉｖｅｒ；ｆａｔｉｇｕｅ；ｄｅｔｅｃｔｉｏｎ哈尔滨工业大学主办系统开发与应用●作者简介：靳明浩（１９９４－），男，硕士研究生，主要研究方向：嵌入式系统㊂收稿日期：２０１９－１０－１５０㊀引㊀言造成驾驶人员疲劳驾驶的原因有很多，例如睡眠质量不佳㊁长时间行驶在道路景色单一且始终处于高速状态㊁长时间或长距离驾驶等［１］，都会引发驾驶人员的疲劳驾驶㊂驾驶人员在感到疲劳以后仍继续驾驶车辆会产生困倦感，无法集中注意力，判断能力持续下降，容易产生错误判断，此时的驾驶能力将低于正常安全水平，会由于操作失误而造成极其危险的行为，从而引发交通事故㊂因此关于驾驶人员的驾驶状态进行实时的检测，防止其疲劳驾驶，则对驾驶人员及相关人员的生命安全㊁财产安全，提高行车的安全性具有重大意义㊂１㊀驾驶人员疲劳检测系统软件设计图１为基于人脸识别的驾驶人员疲劳检测系统软件功能流程图㊂预警提示模块眼部状态识别眼部定位图像处理模块脸部定位图像预处理数字图像采集模块图１㊀软件功能流程图Ｆｉｇ．１㊀Ｓｏｆｔｗａｒｅｆｕｎｃｔｉｏｎｆｌｏｗｃｈａｒｔ㊀㊀由图１可知，系统中的软件功能包括数字图像采集模块㊁图像处理模块和预警提示模块㊂系统中涉及到的算法有２种，分别是人脸识别算法㊁疲劳驾驶检测算法［２］㊂对此拟展开研究论述如下㊂１．１㊀人脸识别算法该系统中选用的人脸识别算法是基于深度学习思想的栈式自动编码算法㊂该算法基于分布的表达方式：当大量不同的层次和因素相互作用时，将按其分布进行组织，并且不同的层次对应于不同的抽象概念或组成㊂层数的不同以及每层中单元数的不同组成导致抽象数的不同㊂这种方法的优点是可以研究层次结构的解释因素，其他概念由其他概念研究，高级概念由低层概念研究［３］㊂此方法的计算可区分抽象差异和选择对最终算法有用的函数特征㊂故而在此系统中开发了基于不受控制的数据收集任务的算法㊂分析可知，该算法可以使用无法识别的数据，究其根本即在于无法识别的数据量远远超过了已识别的数据㊂因此对于只能使用识别数据的算法来说该算法具有更大的优势㊂通过数字模型采集模块将采集到的驾驶人员图像进行检测和定位，确定人脸的位置，再利用上述算法将三维的立体图像降为二维的平面图形，并获取一个分布中心㊂同时根据检测的图像像素离该中心的远近得到肤色的相似度，得到一个原图的相似度分布图㊂接下来，则根据一定的规律对该相似度分布图做二值化，从而最终确定肤色的分布区域，得出均值及方差㊂１．２㊀疲劳驾驶检测算法ＰＥＲＣＬＯＳ疲劳算法是本系统中选用的疲劳驾驶检测方法，其原理是通过眼睛闭合时间占某一特定时间内的百分比，判断驾驶人员是否处于疲劳驾驶状态㊂通过对眼睛光学变量与疲劳关系之间的性质研究，发现疲劳与瞳孔直径㊁眼球的转动㊁眉目扫射㊁眨眼等因素有着直接的关系，而ＰＥＲＣＬＯＳ疲劳算法是最具潜力的疲劳检测方法之一，计算出的数据信息能够充分表示驾驶人员是否处于疲劳状态，对疲劳进行准确的评定㊂ＰＥＲＣＬＯＳ疲劳算法的公式为：ｆ＝ｔ３－ｔ２ｔ４－ｔ１ˑ１００％．（１）100806040200时间t /st 4t 3t 2t 1眼晴睁开最大眼睛睁开程度/%图２㊀ＰＥＲＣＬＯＳ疲劳算法测量原理图Ｆｉｇ．２㊀ＰＥＲＣＬＯＳｆａｔｉｇｕｅａｌｇｏｒｉｔｈｍｍｅａｓｕｒｅｍｅｎｔｓｃｈｅｍａｔｉｃ㊀㊀通过图２可以看出，在公式（１）中，当眼睛最大睁到８０％时，所需的时间表示为ｔ１；当眼睛最大睁到２０％时，所需的时间表示为ｔ２；当眼睛最大睁再闭合到２０％，所需的时间表示为ｔ３；当眼睛最大睁再闭合到８０％，所需的时间表示为ｔ４㊂ｆ表示对ｔ１计算得出ＰＥＲＣＬＯＳ疲劳算法的数值㊂ＰＥＲＣＬＯＳ疲劳算法包括三级标准，具体如下：（１）一级标准：Ｐ７０，当眼睑遮挡瞳孔部分超过７０％视为眼睛闭合，对驾驶员眼睛闭合时间进行统计，将其百分比作为标准㊂（２）二级标准：Ｐ８０，当眼睑遮挡瞳孔部分超过８０％视为眼睛闭合，对驾驶员眼睛闭合时间进行统计，将其百分比作为标准㊂（３）三级标准：ＥＭ，当眼睑遮挡瞳孔部分超过一半以上视为眼睛闭合，对驾驶员眼睛闭合时间进行统计，将其百分比作为标准㊂通过探究发现ＰＥＲＣＬＯＳ疲劳算法中的二级标准Ｐ８０能够更加准确地反映出驾驶人员的疲劳驾驶状况㊂因此，本文系统将以Ｐ８０作为评判标准，当测得的ｆ＞０．５时，系统自动判定驾驶人员为疲劳驾驶㊂２㊀驾驶人员疲劳检测系统硬件设计主要包括：计算机㊁摄像头㊁ＡＲＭ处理器以及图像采集器㊂研究后可得设计分述如下㊂２．１㊀系统中摄像头的选择系统选择模拟摄像机进行检测，并可以通过视频接口将模拟摄像机直接连接到显示设备用来执行摄像机的功能㊂这类摄像机的优点是所记录的信息清晰㊁一致且不依赖于分辨率㊂视频传输信号经过特殊的视频捕获卡后，将视频信号转换为数字信号模式，并经压缩后转换为计算机可识别的信息以进行后续操作㊂２．２㊀系统中处理器的选择本系统中用到的处理器为ＡＲＭ处理器㊂该处理器是一种小功耗㊁低成本的微处理器，本身为３２位设计，但同时配备了１６位指令集，与同等价位的３２位代码节省可达３５％，且具有３２位系统的所有优势㊂２．３㊀系统中图像采集卡的选择本文系统选用的图像采集卡为ＰＣＩ－Ｖ５０４，该图像采集卡的性能如下：采用ＰＣＩＥｘｐｒｅｓｓＸ４２．０接口，可支持总计２ＧＢ／ｓ的传输带宽；支持５路独立千兆以太网口，四路视频，一路音频；提供网络功能，远端可进行多画面浏览；每个网口均可自动判断是否需要提供ＰＯＥ供电；录像模式可设置为动态录像㊁定时录像㊁连续录像；可同时进行监视㊁录像和回放功能，远端支持单画面或多画面显示㊂在进行人脸图像采集的过程中要求室内的光照保持正常，将摄像头置于显示器的正上方，图像的采集角度尽可能接近正面，并且在拍摄的过程中保证至少有一个人脸图像㊂３㊀实验论证分析为了证实本文设计的检测系统可以更加准确地检测出驾驶人员的疲劳驾驶，文中拟选做对照实验，详情如下㊂３．１㊀实验准备对照实验前，先要建立数据可视化的模拟驾驶人员行车记录的交互式平台，设对照组为传统方法下对驾驶人员疲劳驾驶的检测，实验组为本文基于（下转第１７９页）３７１第２期靳明浩：基于人脸识别的驾驶人员疲劳检测系统设计ＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２００７，２９（６）：１０５２．［３］ＬＯＷＥＤＧ．Ｄｉｓｔｉｎｃｔｉｖｅｉｍａｇｅｆｅａｔｕｒｅｓｆｒｏｍｓｃａｌｅ－ｉｎｖａｒｉａｎｔｋｅｙｐｏｉｎｔｓ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，２００４，６０（２）：９１．［４］ＢＡＹＨ，ＥＳＳＡ，ＴＵＹＴＥＬＡＡＲＳＴ，ｅｔａｌ．ＳＵＲＦ：Ｓｐｅｅｄｅｄｕｐｒｏｂｕｓｔｆｅａｔｕｒｅｓ［Ｊ］．ＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＩｍａｇｅＵｎｄｅｒｓｔａｎｄｉｎｇ，２００８，１１０（３）：３４６．［５］ＲＵＢＬＥＥＥ，ＲＡＢＡＵＤＶ，ＫＯＮＯＬＩＧＥＫ，ｅｔａｌ．ＯＲＢ：ＡｎｅｆｆｉｃｉｅｎｔａｌｔｅｒｎａｔｉｖｅｔｏＳＩＦＴｏｒＳＵＲＦ［Ｃ］／／ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ．Ｂａｒｃｅｌｏｎａ，Ｓｐａｉｎ：ＩＥＥＥＣｏｍｐｕｔｅｒＳｏｃｉｅｔｙ，２０１１：２５６４．［６］ＷＡＮＧＸ，ＨＥＸ，ＮＩＥＬ，ｅｔａｌ．Ｉｔｅｍｓｉｌｋｒｏａｄ：Ｒｅｃｏｍｍｅｎｄｉｎｇｉｔｅｍｓｆｒｏｍｉｎｆｏｒｍａｔｉｏｎｄｏｍａｉｎｓｔｏｓｏｃｉａｌｕｓｅｒｓ［Ｃ］／／ＳＩＧＩＲ＇１７：Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ４０ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＡＣＭＳＩＧＩＲＣｏｎｆｅｒｅｎｃｅｏｎＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏｐｍｅｎｔｉｎＩｎｆｏｒｍａｔｉｏｎＲｅｔｒｉｅｖａｌ．ＮｅｗＹｏｒｋ，ＮＹ，ＵＳＡ：ＡＣＭ，２０１７：１８５．［７］成怡，佟晓宇．基于改进ＯＲＢ算法的移动机器人视觉ＳＬＡＭ方法研究［Ｊ］．电子技术应用，２０１９，４５（１）：１０．［８］ＭＯＵＡＴＳＴ，ＡＯＵＦＮ，ＮＡＭＤ，ｅｔａｌ．Ｐｅｒｆｏｒｍａｎｃｅｅｖａｌｕａｔｉｏｎｏｆｆｅａｔｕｒｅｄｅｔｅｃｔｏｒｓａｎｄｄｅｓｃｒｉｐｔｏｒｓｂｅｙｏｎｄｔｈｅｖｉｓｉｂｌｅ［Ｊ］．ＪｏｕｒｎａｌｏｆＩｎｔｅｌｌｉｇｅｎｔ＆ＲｏｂｏｔｉｃＳｙｓｔｅｍｓ，２０１８，９２（３）：３３．［９］ＬＥＵＴＥＮＥＧＧＥＲＳ，ＣＨＬＩＭ，ＳＩＥＧＷＡＲＴＲＹ．ＢＲＩＳＫ：Ｂｉｎａｒｙｒｏｂｕｓｔｉｎｖａｒｉａｎｔｓｃａｌａｂｌｅｋｅｙｐｏｉｎｔｓ［Ｃ］／／ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，ＩＣＣＶ２０１１．Ｂａｒｃｅｌｏｎａ，Ｓｐａｉｎ：ＩＥＥＥ，２０１１：２５４８．［１０］ＡＬＡＨＩＡ，ＯＲＴＩＺＲ，ＶＡＮＤＥＲＧＨＥＹＮＳＴＰ．ＦＲＥＡＫ：Ｆａｓｔｒｅｔｉｎａｋｅｙｐｏｉｎｔ［Ｃ］／／２０１２ＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ（ＣＶＰＲ）．Ｐｒｏｖｉｄｅｎｃｅ，ＲｈｏｄｅＩｓｌａｎｄ：ＩＥＥＥ，２０１２：５１０．［１１］ＧＵＣＬＵＯ，ＣＡＮＡＢ．ＡｃｏｍｐａｒｉｓｏｎｏｆｆｅａｔｕｒｅｄｅｔｅｃｔｏｒｓａｎｄｄｅｓｃｒｉｐｔｏｒｓｉｎＲＧＢ－ＤＳＬＡＭｍｅｔｈｏｄｓ［Ｍ］／／ＫＡＭＥＬＭ，ＣＡＭＰＩＬＨＯＡ．ＩｍａｇｅＡｎａｌｙｓｉｓａｎｄＲｅｃｏｇｎｉｔｉｏｎ．ＩＣＩＡＲ２０１５．ＬｅｃｔｕｒｅＮｏｔｅｓｉｎＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ．Ｃｈａｍ：Ｓｐｒｉｎｇｅｒ，２０１５，９１６４：２９７．［１２］刘晓璐．典型二进制描述子研究及性能评估［Ｄ］．西安：西安电子科技大学，２０１４．［１３］ＭＡＩＲＥ，ＨＡＧＥＲＧＤ，ＢＵＲＳＣＨＫＡＤ，ｅｔａｌ．Ａｄａｐｔｉｖｅａｎｄｇｅｎｅｒｉｃｃｏｒｎｅｒｄｅｔｅｃｔｉｏｎｂａｓｅｄｏｎｔｈｅａｃｃｅｌｅｒａｔｅｄｓｅｇｍｅｎｔｔｅｓｔ［Ｍ］／／ＤＡＮＩＩＬＩＤＩＳＫ，ＭＡＲＡＧＯＳＰ，ＰＡＲＡＧＩＯＳＮ．ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ–ＥＣＣＶ２０１０．ＥＣＣＶ２０１０．ＬｅｃｔｕｒｅＮｏｔｅｓｉｎＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ．Ｂｅｒｌｉｎ／Ｈｅｉｄｅｌｂｅｒｇ：Ｓｐｒｉｎｇｅｒ，２０１０，６３１２：１８３．［１４］ＲＯＳＴＥＮＥ，ＤＲＵＭＭＯＮＤＴ．Ｍａｃｈｉｎｅｌｅａｒｎｉｎｇｆｏｒｈｉｇｈ－ｓｐｅｅｄｃｏｒｎｅｒｄｅｔｅｃｔｉｏｎ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ９ｔｈＥｕｒｏｐｅａｎＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ．Ｇｒａｚ，Ａｕｓｔｒｉａ：Ｓｐｒｉｎｇｅｒ－Ｖｅｒｌａｇ，２００６，１：４３０．［１５］ＴＯＬＡＥ，ＬＥＰＥＴＩＴＶ，ＦＵＡＰ．Ｄａｉｓｙ：Ａｎｅｆｆｉｃｉｅｎｔｄｅｎｓｅｄｅｓｃｒｉｐｔｏｒａｐｐｌｉｅｄｔｏｗｉｄｅｂａｓｅｌｉｎｅｓｔｅｒｅｏ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ（ＰＡＭＩ），２０１０，３２（５）：８１５．［１６］ＣＨＯＮＧＣＷ，ＲＡＶＥＥＮＤＲＡＮＰ，ＭＵＫＵＮＤＡＮＲ．ＡｃｏｍｐａｒａｔｉｖｅａｎａｌｙｓｉｓｏｆａｌｇｏｒｉｔｈｍｓｆｏｒｆａｓｔｃｏｍｐｕｔａｔｉｏｎｏｆＺｅｒｎｉｋｅｍｏｍｅｎｔｓ［Ｊ］．ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，２００３，３６（３）：７３１．［１７］ＨＥＩＮＬＹＪ，ＤＵＮＮＥ，ＦＲＡＨＭＪＭ．Ｃｏｍｐａｒａｔｉｖｅｅｖａｌｕａｔｉｏｎｏｆｂｉｎａｒｙｆｅａｔｕｒｅｓ［Ｃ］／／Ｐｒｏｃ．ｏｆＥｕｒｏｐｅａｎＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ．Ｆｌｏｒｅｎｃｅ，Ｉｔａｌｙ：Ｓｐｒｉｎｇｅｒ－Ｖｅｒｌａｇ，２０１２：７５９．［１８］ＭＩＫＯＬＡＪＣＺＹＫＫ，ＳＣＨＭＩＤＣ．Ａｎａｆｆｉｎｅｉｎｖａｒｉａｎｔｉｎｔｅｒｅｓｔｐｏｉｎｔｄｅｔｅｃｔｏｒ［Ｍ］／／ＨＥＹＤＥＮＡ，ＳＰＡＲＲＧ，ＮＩＥＬＳＥＮＭ，ｅｔａｌ．ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ ＥＣＣＶ２００２．ＥＣＣＶ２００２．ＬｅｃｔｕｒｅＮｏｔｅｓｉｎＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ．Ｂｅｒｌｉｎ／Ｈｅｉｄｅｌｂｅｒｇ：Ｓｐｒｉｎｇｅｒ，２００２，２３５０：１２８．［１９］石祥滨，张劲松，刘进立，等．一种适合于大尺寸航拍图像的特征点匹配方法［Ｊ］．沈阳航空航天大学学报，２０１３，３０（４）：４０．（上接第１７３页）人脸识别的驾驶人员疲劳检测系统对疲劳驾驶进行检测㊂在模拟平台中，模拟１００组驾驶人员行驶情况，并且其中每一组的驾驶人员状态都不相同，分别利用２种方法对１００组各进行一次检测，且在检测的过程中，保证每组进行两次行驶的状态保持一致㊂３．２㊀实验结果分析对照组与实验组分别对１００组驾驶人员的行驶过程中的疲劳检测结果见表１㊂表１㊀检测结果对比Ｔａｂ．１㊀Ｃｏｍｐａｒｉｓｏｎｏｆｔｅｓｔｒｅｓｕｌｔｓ组别正常行驶状态人数／人疲劳驾驶状态人数／人实际疲劳驾驶状态人数／人精准度／％对照组６１３９６０６５实验组４３５７６０９５㊀㊀表１中，精准度的计算公式为：精准度＝疲劳驾驶状态人数／实际疲劳驾驶状态人数ˑ１００％．（２）由表１中可以看出，实验组检测结果的精准度明显高于对照组，说明本文设计的检测系统可以更加精确地检测出驾驶人员的疲劳驾驶情况，具有非常高的实用价值㊂４㊀结束语本文基于人脸识别技术的优势，设计一套全新的驾驶人员疲劳检测系统，具有较高的社会价值㊂本文对驾驶人员的眼部状态进行精准的检测，在检测到疲劳驾驶时可以对驾驶人员进行及时的预警，同时还对人脸识别㊁人眼定位等方面实现了全新的设计㊂但在研究运算的过程中，由于能力有限，运算量较小，因此还存在一定的误差，在下一步工作中还将结合其它更加成熟的算法加以研究㊂参考文献［１］刘金星，付阳，李可民．基于ＵＳＢ３．０传输的人脸识别近红外相机系统［Ｊ］．电声技术，２０１８，４２（８）：９．［２］唐阳山，徐忠帅，杨语尧．基于面部表情的驾驶员疲劳特征提取［Ｊ］．辽宁工业大学学报（自然科学版），２０１８，３８（６）：４０４．［３］马发民，吴红乐，张林，等．基于ＢＰ神经网络的疲劳判定［Ｊ］．计算机与数字工程，２０１７，４５（６）：１１８７．９７１第２期陈婵，等：基于改进ＢＲＩＳＫ算法的图像特征提取方法研究。
基于人眼识别的驾驶员疲劳监控系统
基于人眼识别的驾驶员疲劳监控系统参赛编号：BJ-5-4参赛学校：北京理工大学作者：李响王子实徐立群指导教师：王崇文概述基于视频识别的驾驶员疲劳监测系统是将程序与硬件相结合，对驾驶员进行非接触地面部图像分析，从中提取有效的特征信息，以辨别驾驶员是否处于疲劳状态的一件产品。
本系统利用开源OpenCV图像处理函数库进行快速开发，总体设计方案包括图像预处理、人脸区域的检测、人眼的粗略定位和精确再定位、人眼睁闭状态判断以及疲劳状态分析等主要步骤模块。
The driver fatigue monitoring system is a technology which analyzes the face image by the computer, withdraws the effective characteristic information, and then distinguishes the specific condition of driver.In this system, OpenCV function library is used to achieve the rapid development. The system mainly includes five modules following: image preprocessing, face region detecting, eye region positioning, eyelid closure judging and fatigue analyzing实验原理人脸检测人脸检测环节是人眼定位前的重要步骤。
系统采用Adaboost算法，利用OpenCV提供的样本训练和检测方法。
该环节包括人眼粗略定位和人眼精确定位两个阶段。
眼睛状态判断通过最大类间方差法（Otsu）在不同的光线下对人眼精确区域进行不同阈值的二值化，分别获取最佳的人眼睁闭状态时的眼部形状。
基于人脸识别的疲劳驾驶监测与报警系统设计与实现
基于人脸识别的疲劳驾驶监测与报警系统设计与实现随着交通工具的普及和交通运输的发展，道路安全问题日益引起关注。
疲劳驾驶是导致交通事故的一个重要原因之一。
为了解决这一问题，许多研究者和工程师致力于开发基于人脸识别的疲劳驾驶监测与报警系统。
本文将介绍该系统的设计和实现。
1. 引言疲劳驾驶是指由于长时间驾驶或睡眠不足而导致驾驶者注意力不集中、反应时间延长的状态。
这种状态下，驾驶者容易产生昏睡、分神等问题，从而增加交通事故的风险。
基于人脸识别的疲劳驾驶监测与报警系统旨在通过识别驾驶者的疲劳表现并及时进行报警，提醒驾驶者休息或采取其他措施，以降低交通事故的发生率。
2. 系统设计基于人脸识别的疲劳驾驶监测与报警系统主要由以下几个组成部分构成：人脸识别模块、疲劳检测模块、报警模块、数据库模块和用户界面。
下面对每个模块进行详细介绍。
2.1 人脸识别模块人脸识别模块是该系统的核心部分，用于识别驾驶者的脸部特征，并进行疲劳检测。
该模块采用深度学习算法，如卷积神经网络（CNN），对驾驶者的脸部图像进行训练和识别。
通过与数据库中预存的疲劳和非疲劳状态的脸部图像进行比对，从而判断驾驶者是否处于疲劳状态。
2.2 疲劳检测模块疲劳检测模块通过分析驾驶者的眼部特征来判断其是否处于疲劳状态。
该模块使用眼睛闭合时间、眨眼频率等指标来评估驾驶者的疲劳程度。
当驾驶者的眼睛闭合时间超过一定阈值或眨眼频率较低时，系统将判定其疲劳并触发报警。
2.3 报警模块当系统检测到驾驶者处于疲劳状态时，报警模块会发出声音、震动或向驾驶者的手机发送警告信息，提醒其注意休息或采取措施。
报警模块需要与车辆的音响、振动器或手机应用程序进行集成，以确保驾驶者能够及时接收到警告信号。
2.4 数据库模块数据库模块用于存储驾驶者的脸部图像和对应的疲劳状态。
通过建立一个驾驶者信息的数据库，可以对不同驾驶者的疲劳特征进行管理和比对。
这对于系统的准确识别和报警非常重要。
2.5 用户界面用户界面是系统的交互界面，提供给用户操作和控制系统的功能。
基于面部表情特征的驾驶员疲劳状态识别
基于图像处理的人脸情绪识别与疲劳驾驶监测系统设计与实现
基于图像处理的人脸情绪识别与疲劳驾驶监测系统设计与实现随着科技的不断发展，基于图像处理的人脸情绪识别与疲劳驾驶监测系统逐渐成为智能化交通领域的研究热点。
该系统结合了图像处理技术和人工智能算法，能够识别驾驶员的情绪状态和疲劳程度，为驾驶员提供实时的安全提示和警告，从而提高驾驶员的安全驾驶意识和道路安全性。
一、系统设计1. 系统框架基于图像处理的人脸情绪识别与疲劳驾驶监测系统主要包括图像采集模块、图像处理模块、情绪识别模块和疲劳驾驶监测模块。
系统通过摄像头采集驾驶员的面部图像，经过图像处理和人脸识别算法处理后，利用机器学习算法来提取特征并识别驾驶员的情绪状态和疲劳程度。
2. 图像采集模块图像采集模块是整个系统的基础，通过高清摄像头采集驾驶员的面部图像，并传输给图像处理模块进行后续处理。
为了提高采集效果，在设计过程中需要考虑光线、角度等因素对图像质量的影响。
3. 图像处理模块图像处理模块负责对采集到的图像进行预处理，包括图像去噪、图像增强、图像裁剪等操作。
同时，还需要通过人脸检测算法和特征提取算法来提取驾驶员的面部特征，为后续的情绪识别和疲劳驾驶监测做准备。
4. 情绪识别模块情绪识别模块利用机器学习算法对驾驶员的面部表情进行分类和识别，判断出他们的情绪状态，如高兴、悲伤、生气等。
常用的方法包括支持向量机（SVM）、卷积神经网络（CNN）等。
5. 疲劳驾驶监测模块疲劳驾驶监测模块主要通过分析驾驶员的面部特征，如眼睛的闭合程度、眨眼频率等指标来判断其是否处于疲劳驾驶状态。
在算法设计方面，可以采用基于形态学的眼睛识别算法来计算眼睛的闭合程度，并设置阈值来判断驾驶员是否疲劳驾驶。
二、系统实现1. 图像采集与传输利用高清USB摄像头采集驾驶员的面部图像，通过数据传输接口将图像数据传输给后端的图像处理模块。
2. 图像处理与特征提取使用OpenCV等图像处理库对采集到的图像进行预处理，包括图像去噪、图像增强、图像裁剪等操作。
基于驾驶员面部特征的疲劳检测系统研究
基于驾驶员面部特征的疲劳检测系统研究刘馨雨1 李庭燎21.南京审计大学 统计与数据科学学院 江苏省南京市 2100002.南京审计大学 商学院 江苏省南京市 210000摘 要： 疲劳驾驶在我国的交通事故引发率居高不下，如何对驾驶员进行科学有效的疲劳驾驶检测并及时预警已经成为了当下热议的话题。
为减少疲劳驾驶造成的交通安全风险，本文对基于驾驶员面部特征的检测方法进行了研究，通过对疲劳特征参数的提取克服了单一参数疲劳驾驶判断方法导致的判定精准度低等缺陷，且计算需求小，普适性能强。
关键词：疲劳驾驶 检测 PERCLOS 人眼定位1 引言在交通事故的伤亡事件中，由于驾驶员困倦、疲劳驾驶等原因所致的交通事故发生率迅速增加，并逐步成为引发交通事故的主要原因。
在我国，每年有40%以上的道路交通事故是由大型汽车引起的，其中死亡的比例在21%以上；如果是在高速上，时速超过160公里，那么一旦发生车祸，驾驶员的死亡率就会接近100%[1]。
但是，在发生疲劳驾驶前，通过对驾驶员的实时监测，可以获取其以前的疲劳特性，并对其进行实时提醒，从而对其进行疲劳预警，如此一来，就可以将交通事故的发生率降到最低。
迄今为止，相关研究学者明确了许多人眼定位的方法。
在此之中，具有较高代表性的方法为：Anber Salma等采用基于面部特征的Alexnet混合驾驶员疲劳和分心检测模型[2]；Zhang Tao通过分析非侵入性头皮EEG信号来探讨基于样本熵特征的多核算法对疲劳和正常受试者的分类性能，构建基于样本熵的多通道脑电真实驾驶疲劳检测方法[3]；Bala等相关学者在研究中明确了基于遗传算法等来支持分析眼睛定位[4]；Wang等学者建立基于相位滞后指数的图形注意网络以用于检测驾驶疲劳。
[5]；MamunurRashid等学者基于随机子空间K-Nn的集成分类器，利用选定的脑电通道进行驾驶员疲劳检测[6]。
总而言之，现在已开发的许多的眼部定位算法，其基本都具有较多的计算量，部分算法的实际应用十分困难，部分算法对脸部图像的转动、移动等的改变十分敏感，进而将致使算法效率的下降。
基于面部特征的驾驶员疲劳检测的开题报告
基于面部特征的驾驶员疲劳检测的开题报告一、选题背景和意义随着交通工具的不断发展，人们出行的方式也变得更加便利和快捷。
但是，驾驶员的疲劳驾驶往往带来严重的交通安全隐患。
据统计，全球每年约有100万人因为疲劳驾驶而发生交通事故，其中超过10万人丧生。
因此，如何减少由疲劳驾驶引起的交通事故，保障公共安全，成为当前急需解决的问题。
借助面部特征检测技术，通过分析面部表情、瞳孔大小、眨眼频率等指标，可以对驾驶员进行快速、准确地疲劳检测。
因此，基于面部特征的驾驶员疲劳检测技术具有较高的应用价值和广泛的发展前景。
二、研究内容和目标本课题旨在研究基于面部特征的驾驶员疲劳检测技术，探究基于面部特征的驾驶员疲劳检测的关键技术，包括面部表情识别、瞳孔检测、眨眼检测等。
通过对这些技术的深入研究，建立驾驶员疲劳检测的模型并进行实验验证，达到准确检测出驾驶员疲劳的目的。
三、研究方法和实施方案1. 面部特征检测技术的研究和选型基于当前常见的面部特征检测技术，研究其原理和应用范围，结合实际应用场景，选定最适合的面部特征检测技术。
2. 数据采集和模型训练通过采集驾驶员面部特征数据，建立驾驶员疲劳检测的模型。
在模型训练过程中，应根据实际训练集的情况进行调整和优化，以达到最佳的检测效果。
3. 实验验证和结果分析将建立好的模型应用于实际场景中进行测试和验证，通过测试结果对模型进行分析和优化，从而优化模型的检测精度和速度。
四、预期成果和贡献本课题通过建立基于面部特征的驾驶员疲劳检测模型，可以快速、准确地检测出驾驶员的疲劳程度，从而降低交通事故的发生。
同时，本课题还可以为未来相关领域的研究提供参考，推动面部识别技术向更广泛的应用领域发展。
基于人脸识别的疲劳驾驶检测系统的研究(毕业设计论文)
本科毕业设计（论文）基于人脸识别的疲劳驾车检测系统的研究学院（系）：电气工程学院专业：测控技术与仪器学生姓名：学号：指导教师：答辩日期：摘要近些年由于人们的生活节奏快，工作压力大，因疲劳问题而引起的事故时有发生，疲劳驾驶而酿成的惨剧更是使我们警钟长鸣。
为了解决这个问题，本次毕业设计着重讨论一种基于ASM模型的人脸识别算法和一种疲劳驾驶的面部特征判定标准。
本文的主要内容是：首先，简要介绍此次研究的课题意义，再介绍人脸识别和疲劳检测的一些相关的背景知识，由于此次课题是疲劳驾驶的检测，所以介绍的重点是关于疲劳驾驶的检测研究。
其次，讨论疲劳的判定方法，这一部分主要是对疲劳特征的选择研究，涉及到人眼睛和嘴的形状的疲劳特征分析，然后进行疲劳分析的综合。
然后，详细介绍ASM模型的定义，在这一部分中还介绍了ASM的算法、区域收敛方法以及判定收敛的依据，另外，在这部分中将给出算法实现步骤的流程图。
再后，主要内容是图像处理与识别，其中包括图像的预处理和手工描点方法所需要确定的参量，以及如何用matlab程序得到这些参量。
程序的流程图也在这一章展示。
关键词人脸识别；疲劳检测；疲劳特征；动态形状模型AbstractRecently as the fast pace of life and heavy work pressure, accidents caused by fatigue happened frequently. Traffic accident disaster is causing the bells to ring. To solve this problem, the graduation project focused on a face recognition algorithm based on ASM model and a facial features determination standards of fatiguedriving. The main contents are:First, there is a brief introduction of the research, the relevant background knowledge of face recognition and fatigue testing will be given later. as it is the detection of fatiguedriving that we are taking care of, we will mainly focus on the it.Secondly, we will learn the judging methods of fatigue, the part choice of the fatigue characteristics is studied here, the fatigue characteristics of eyes and mouth is analyzed, then we will comprehensively analysis them.Then, the principle and method of ASM person face recognition technology is studied. In this section,we will describe the ASM algorithm, the covergence method and the basis of determining convergence.The flow chart of algorithm will also be given flow chart in this part.Finally, we will show picture pre-treatment methods and picture recognition, this part includes the image pre-processing, the needed parameters and how to use the matlab program to get the parameters. The idea and flow chart of the main program will be given.Keywords Face Recognition; Fatigue Detection; Fatigue Characteristics; Active Shape models目录摘要 (I)Abstract (I)第1章绪论 (1)1.1课题背景和意义 (1)1.2研究现状 (2)1.3本文主要研究内容 (4)第2章疲劳分析和疲劳检测 (5)2.1疲劳驾驶特征综述 (5)2.2具体特征分析 (5)2.2.1 疲劳驾驶眼部特征分析 (5)2.2.2 疲劳驾驶嘴的特征分析 (7)2.2.3原始数据的获取 (8)2.3眼睛和嘴特征的综合分析 (9)2.4本章小结 (9)第3章ASM人脸识别算法 (10)3.1ASM模型的定义 (10)3.2ASM人脸识别的优势 (10)3.2.1 ASM搜索算法的特点 (10)3.2.2 几种识别方式对比分析 (11)3.3ASM的模型建立 (11)3.4ASM模型的搜索算法 (13)3.5流程设计思路 (16)3.6本章小结 (17)第4章图像处理和识别 (18)4.1图像预处理的必要性 (18)4.2常用光照预处理技术 (18)4.2.1 基于直方图的预处理方法 (18)4.2.2 线性变换 (19)4.2.3 对数变换 (20)4.2.4 指数变换 (21)4.2.5 光照预处理方法选择 (21)4.3图片选取策略 (21)4.4图像手工描点的实现 (22)4.4.1 要确定的要素分析 (22)4.4.2 要素值的确定方法 (22)4.5选点策略 (25)4.6程序流程图 (25)4.7收敛过程和识别结果 (26)4.8本章小结 (27)结论 (28)参考文献 (29)第1章绪论1.1 课题背景和意义驾驶疲劳是指驾驶员由于睡眠不足或长时间持续驾驶造成的反应能力下降，这种下降表现在驾驶员困倦、打瞌睡、驾驶操作失误或完全丧失驾驶能力。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于人脸识别的驾驶员疲劳检测系统
作者：刘珂韩瑶杨中伍王知也
来源：《科学与财富》2019年第06期
摘要：在交通飞速跃进的现代社会，开车的人数越来越多，疲劳驾驶使得道路事故急剧增加，给人民和社会的安全带来巨大隐患。
所以对开车人进行实时疲劳程度检测越来越急迫和重要。
本文主要通过将模板匹配与支持向量机相结合的检测算法。
人脸检测用模板匹配，用空间模式聚类方法分割出来人的嘴巴部分，再用支持向量机来综合嘴巴的状态和人眼的状态来判断驾驶员疲劳。
关键词：模板匹配;空间模式聚类;支持向量机;疲劳检测
一、当前驾驶员疲劳检测系统的现状分析
1.1驾驶员疲劳检测系统的现状与发展
现阶段对疲劳驾驶的检测研究主要包括主观检测和客观检测。
主观检测是通过对驾驶员的自我记录表、主观调查表、皮尔逊疲劳量表及斯坦福睡眠尺度表等的进行评定，该方法对驾驶员的依赖程度较高，并且对疲劳驾驶无法进行实时检测。
[1]客观检测的研究主要是在以下的3个方面：
（1）基于对驾驶员行为特性的检测。
根据对驾驶员行为的实时检测，判断驾驶员当前的疲劳状态，如眼睑的活动等。
（2）基于对车辆参数的检测。
根据对驾驶过程车辆所检测的参数，判断驾驶员的操作指标，得出驾驶员的疲劳程度，如车速、车辆位置、方向盘的转动角度等。
（3）基于对驾驶员生理参数测量的检测。
根据检测出的驾驶员的生理特征，判断其疲劳状态，如心电图、脑电图等。
综合分析驾驶员疲劳状态检测技术的研究状况，在今后驾驶员疲劳检测技术的研究工作主要会从以下几个方面进行开展：
（1）驾驶员疲劳检测要实时进行。
（2）驾驶疲劳形成机理和模型的研究。
（3）整合多种方法以提高驾驶员疲劳检测的可靠性。
（4）驾驶员疲劳报警装置的研究与普及应用。
1.2驾驶员疲劳检测系统存在的问题
国内外的各大汽车厂商也设计出各种用于检测疲劳驾驶的设备。
比如通过检测人疲劳时的生理特征来检测驾驶员的疲劳状态，如脑电图等测量方法，尽管这些方法的测量结果比较准确，但一般都是在驾驶前后测量的，因而结果会有超前或滞后，不能进行实时检测。
二.基于人脸识别的驾驶员疲劳检测系统设计
2.1研究内容与目标
本设计在基于机器视觉和人脸识别技术的基础上，开发一套可进行人机交互设备，在终端使用的进行实时检测驾驶员疲劳状况的系统。
有如下四个方面的目标：
（1）用模板匹配算法进行人脸检测。
（2）用聚类的方法分割出来人的嘴巴部分。
（3）对疲劳和不疲劳的特征进行SVM训练。
（4）用支持向量机（SVM）来综合嘴巴的状态和人眼的状态来判断驾驶员是否疲劳。
2.2研究方法和研究进展
2.2.1研究内容的技术路线图
2.2.2模板匹配算法检测人脸的研究
模板匹配属于预先定义模板类的人脸检测方法，即在检测之前预先定义好人脸模板，然后使用该模板遍历待测图像，筛选出可能的人脸区域，最后使用启发式规则进行确认。
该算法的总体设计如图2所示。
[2]
2.2.3用空间模式聚类方法分割人的嘴巴
空间模式聚类算法是将图像中的每个像素看成是一个模式，每个模式既体现了所代表的空间信息，又包含了像素的颜色信息。
这样对像素的聚类，就转变成为对模式的聚类。
聚类过程中利用Lab色彩空间中的a分量表示像素的颜色信息，同时用测得距离代替欧几里得距离表示空间模式聚类算法中的结构不相似性。
[3]
根据新定义的不相似性，空间模式聚类可以在最小化权值不相似性时获得：
其中m是模糊因子（m>1）。
一个局部的最小值可以通过运行下面的迭代过程进行求解。
（1）初始化：随机初始化隶属度矩阵U（0）重置迭代值n，令割据误差门限值εT 为一小的正值。
（2）将图像转换到Lab色彩空间，利用a分量值作为空间模式的特征值利用以下公式计算聚类中心的V（n）：
（3）对那些模式的标记已经在当前迭代当中改变的，通过计算模式的比率来估计割据误差：
2.2.4用支持向量机来实现疲劳检测
训练用于疲劳检测的SVM分类器的首要问题是样本的选取，对于“人脸”样本，我们选取了10个人的人脸图像，并且都不带眼镜，因为眼镜有时候会反光，不好定位人眼。
为了便于人脸定位和综合多尺度信息，我们不是直接使用符号函数作为SVM分类器，而是引入如下的映射使得输出规范到区间[0，1]，以此数值反映检测窗口与人脸的相似度：[4]
彩色图像中得到的眼睛部分利用MATLAB中svmclassify（svmStruct，Feature）这个支持向量机方法进行对比，svmStruct是训练好的数据，Feature是从图像中得到的相关向量值。
最终进行一系列的分析得到驾驶员在此时是否处于疲劳状态。
2.3系统实现效果图
参考文献：
[1] 王斐，王少楠，王惜慧，彭莹，杨乙丁.基于脑电图识别结合操纵特征的驾驶疲劳检测[J].仪器仪表学报，2014.
[2] 龙开文. 基于模板匹配的人脸检测[J]. 四川大学， 2005.
[3] 宋传振，岳振军，贾永兴，等. 基于改进的空间模式聚类算法的唇部分割[J]. 军事通信技术， 2013.
[4] 梁路宏，艾海舟，肖习攀，叶航军，徐光. 基于模板匹配与支持向量机的人脸检测[J]. 计算机学报， 2002.
作者简介：
姓名：刘珂（1999.02-）男，山东省临沂市人，本科，就读于哈尔滨理工大学，研究方向：软件工程。