学海网

毕业论文-驾驶人状态检测及嵌入式DSP系统实现，共90页，21799字
中文摘要
本文对驾驶员状态检测系统进行了深入探讨，提出了一种基于动态建模的状
态检测算法，并在数字信号处理器（Digital Signal Processor）上实现了该算法。
本文的驾驶员状态检测系统核心算法分为检测、跟踪、状态判定三个部分。
在检测上，本文使用了基于 Adaboost 的双眼与单眼联合检测算法，充分利用了单
眼分类器和双眼分类器的特点，很好的平衡了检测精度和检测速度。在跟踪上，
本文提出了基于眼眉模型的动态建模人眼跟踪算法，利用眼眉的灰度特征来快速
定位人眼，这种跟踪算法非常有利于数字信号处理器的实现。本文结合人眼检测
和人眼跟踪，提出了判断眼睛开闭合状态的方法。
在嵌入式系统的实现上，本文将上面的算法移植到联合开发的数字信号处理
器工程板上。为了解决算法的实时性，本文实现了数字信号处理器上的定点化
AdaBoost 算法，大大提升了检测速度。经测试，本文实现的驾驶员状态检测系统
达到了准实时。
本文在实验室环境下以及实车拍摄的视频中测试了该算法。实验结果表明，
该算法在不同的环境下对不同的驾驶员都能够准确判断出驾驶员的状态，拥有很
好的实时性跟鲁棒性。
关键词 ：驾驶人状态；级联分类器；眼睛动态建模；人眼跟踪；数字信号处
理器

ABSTRACT
Driver state detection system has been a hot research topic worldwide as the
society has urgent need to such systems to avoid accidents. This paper proposes a
driver state detection system based on video surveillance and its realization on a DSP.
The fatigue state can be accurately estimated by PERCLOS principle through
monitoring the eyes’ state, so the most important issue of the research is how to
accurately whether eyes are open or closed. This paper proposes a method to judge
eyes’ state by eye detection and eye tracking. Based on AdaBoost Cascades, I propose
a new detection strategy to make use of double eyes classifier and single eye classifier
to balance detecting speed and accuracy. As a motion estimation method can hardly
run on a DSP, this paper proposes a new eye tracking method based on eye and
eyebrow modeling to quickly locate the eye. Moreover, the eyes’ state can be estimated
by combining eye detection and eye modeling. In addition, I propose a method to
convert AdaBoost Cascades from float-point notation to fixed-point notation, which
greatly improves the speed of the algorithm on a DSP. The system has successfully run
on a DSP and has excellent performance through tests.
Keywords：driver state; fatigue; eye model; eye tracking; AdaBoost; fixed-point notation

目录
第 1 章 引言 .......1
1.1 研究背景 ....... 1
1.2 驾驶人状态检测研究现状 ....... 1
1.2.1 基于脑电波的检测 2
1.2.2 基于驾驶行为分析的检测 .. 2
1.2.3 基于视频处理的检测 .......... 3
1.3 驾驶人状态检测嵌入式系统开发的意义 ........... 3
1.4 本文的主要研究内容与论文结构 ......... 4
1.4.1 本文的研究内容概述 .......... 4
1.4.2 论文的结构 ............ 4
第 2 章 基于视频处理的驾驶人状态检测算法与本文系统架构.......7
2.1 基于视频处理的驾驶人检测算法 ......... 7
2.1.1 红外光“亮瞳”检测. 7
2.1.2 基于形状轮廓的检测 .......... 8
2.1.3 基于可变形模板的检测 ...... 8
2.1.4 基于方差投影函数的检测 10
2.1.5 基于 AdaBoost 级联分类器的检测 13
2.2 本文的算法与系统架构 ......... 14
2.2.1 整体框架 14
2.2.2 检测算法 14
2.2.3 跟踪算法 14
2.2.4 状态判断 15
2.3 小结 ............. 15
第 3 章 基于 Haar 特征的 AdaBoost 人眼检测算法 .........17
3.1 Haar 特征 ..... 17
3.1.1 Haar 特征的定义 .. 17
3.1.2 积分图 .... 18
3.2 基于 Haar 特征的 AdaBoost 人眼检测算法 ...... 19
3.2.1 强分类器与弱分类器 ........ 19
3.2.2 AdaBoost 中强分类器的构建方法... 19
3.2.3 构成 Cascades 级联分类器的方法 . 20
3.2.4 AdaBoost 的检测过程 ........ 21
3.3 人眼检测的检测策略 ............. 21
3.3.1 双眼分类器 .......... 22
3.3.2 单眼分类器 .......... 22
3.3.3 检测策略 22
3.3.4 单眼确认 23
3.3.5 检测结果示例 ...... 24
3.4 小结 ............. 25
第 4 章 驾驶人状态检测 .............27
4.1 人眼建模 ..... 27
4.2 人眼跟踪 ..... 28
4.2.1 建立人眼模型 ...... 28
4.2.2 使用人眼模型跟踪 ............ 29
4.2.3 人眼建模的辅助手段 ........ 29
4.2.4 使用眼眉模型结果 ............ 30
4.3 驾驶人状态判定 ....... 30
4.3.1 眼睛闭合开闭合状态的逐帧判定 .. 31
4.3.2 使用 PERCLOS 判定驾驶人状态... 31
4.4 实验结果 ..... 31
4.5 小结 ............. 32
第 5 章 嵌入式系统实现 .............33
5.1 DSP 平台的搭建 ........ 33
5.2 AdaBoost 算法的定点化.......... 34
5.2.1 算法定点化的需求 ............ 34
5.2.2 AdaBoost 算法定点化的数据存储方式选择. 35
5.2.3 AdaBoost 算法定点化的算法流程的改动..... 35
5.3 小结 ............. 35
第 6 章 驾驶人状态检测系统实验 ...........37
6.1 系统框架 ..... 37
6.2 PC 仿真 ........ 37
6.2.1 测试视频 38
6.2.2 测试结果 39
6.2.3 结果分析 39
6.3 DSP 系统实测结果 .... 39
6.3.1 测试系统介绍 ...... 39
6.3.2 测试结果 40
6.4 小结 ............. 42
第 7 章 总结与展望 .......43
7.1 工作总结 ..... 43
7.2 未来工作展望 ........... 43
7.2.1 现存问题 44
7.2.2 未来研究方向 ...... 46
插图索引 ...........51
表格索引 ...........53
参考文献 ...........55
致谢.............59
附录 A：外文资料的调研阅读报告或书面翻译 .....1