基于kinect传感器的驾驶员状态监测系统

《基于kinect传感器的驾驶员状态监测系统》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于Kinect传感器的驾驶员状态监测系统胡习之HUXi-zhi曰TahaMansourJmour(华南理工大学机械与汽车工程学院，广州510640)(SchoolofMechanical&AutomotiveEngineering，SouthChinaUniversityofTechnology,Guangzhou510640，China)摘要：针对汽车驾驶过程中容易岀现的驾驶疲劳、注意力分散等状况,建立了一种基于Kinect三维图像传感器的智能系统，该系统通过传感器监测驾驶员状态获得驾驶员头部、脸部、眼部和手部的彩色图像、红外图像和深度图,将采集的图像进行处理并与预设的值进行比较

2、可判断驾驶员状态以决定是否发出警报。实车测试实验表明此系统能有效的监测驾驶员的疲劳驾驶状态，在汽车安全辅助驾驶方面K有很大潜力。Abstract:AnintelligentsystembasedonKinectthree-dimensionalimagesensorwasestablished,aimedateasyoccurrenceprocessofvehicledrivingfatigue,distractionandetc.Itacquiredcolorimage,infraredimageanddepthmaponthedriver'shead,face,eyeandhandbym

3、onitoringdrivingstatusandcomparedtheprocessedimageswiththepresetvaluestojudgethedriver'sstateandtodecidewhethertoissueanalert.Experimentrealizedinrealcarshowsthattheintelligentsystemcaneffectivelymonitorthedriver'sfatiguestateandhasgreatpotentialinvehiclesafetyapplication.关键词：驾驶监测；图像处理；安全辅助驾驶Keywor

4、ds:drivingmonitoring；imageprogress；safetyassistantdriving中图分类号：U491.6文献标识码：A文章编号：1006-4311(2014)20-0193-020引言通过监测驾驶员疲劳、嗜睡和注意力分散的早期阶段，可以有效地防止车祸的发生。B前开发出来的监测系统主要分为三类：第一类是基于生理信号的监测方法，如采集心电图、脑电图信号与设定好的警戒信号值比较［1］;第二类是基于驾驶行为的监测方法，如基于驾驶员掌控方向盘的力度、汽车的转向性能来确定是否发出警报；第三类是基于驾驶员视觉行为的监测方法，如监测打哈欠、眼部特征变化、头部姿势来判断驾驶员

5、神智［2］，这些监测系统大多基于二维图像，有很多不足。鉴于此，本文建立了基于Kinect三维图像传感器的智能监测系统，可分别对驾驶员的头部、脸部、眼部和手部进行监测来判断是否分心、打瞌睡，并对监测系统进行了实车测试。1监测系统总体设计本文设计的基于Kinect传感器的驾驶员状态监测系统的工作流程如图1所示。脸部和身体动作的跟踪是通过kinect三维图像传感器和微软开发工具包的MSSDK模块实现的，以kinect传感器位置为原点建立的监测坐标系如图2所示，Z轴正方向指向驾驶员。2监测系统功能及实现2.1头部动作和姿势监测令头部绕X轴旋转角为俯仰角，绕Y轴为侧倾角，每个角在-90毅到90毅之间，

6、驾驶员的头部安全区确定为：侧倾角>15毅或毅II俯仰角>15毅或毅。当监测到驾驶员头部处于安全区吋，系统的计时器就会清零，否则就会继续累加，当计吋器达到阈值（例如3s），系统就会向驾驶员发出警报。俯仰角的变化速率也可以用来判断驾驶员是否处于瞌睡状态。2.2脸部监测追踪脸部的3D图像来监测驾驶员打哈欠的频率，在MSSDK中，定义AU1为判断量，当驾驶员下颌张开时，AU1的值为“1”，如果驾驶员持续打哈欠，系统就会发出警报，图3为监测的3D模型。2.3眼部特征监测2.3.1眼部特征分类的SVM方法因为眼暗只有两种状态（关闭和打开），利用支持向量机（SVM）方法进行分类的结果很好。支持

7、向量机方法的B标是基于训练数据产生一个模型来预测测试数据的0标值。根据支持向量机理论，最优化超平面的函数为：以浙大眼数据库［3】作为训练集进行机器学习，用IPLAB软件做图像处理来统计睁眼和闭眼之间的特征值差异，此数据库包括1574幅闭眼图像和5770幅睁眼图像。机器学A）后使用LIBSVM软件的PYTHON脚本以交叉验证的方法对410幅闭眼图像和1230幅睁眼图像进行测试来寻找式（1）中参数C和酌的最优值，