基于Kinect的疲劳驾驶综合监测系统研究

J4 ›› 2015, Vol. 37 ›› Issue (12): 2379-2385.

基于Kinect的疲劳驾驶综合监测系统研究

蔡菁，程雷，王红霞

(武汉理工大学计算机科学与技术学院，湖北武汉 430063)

收稿日期:2015-08-12 修回日期:2015-10-17 出版日期:2015-12-25 发布日期:2015-12-25
基金资助:
湖北省自然科学基金资助项目（2013CFB351）;武汉理工大学校自主创新基金资助项目（2014IV105）

A driver fatigue state monitoring
system based on Kinect

CAI Jing,CHENG Lei,WANG Hongxia

(School of Computer Science and Technology,Wuhan University of Technology,Wuhan 430063,China)

Received:2015-08-12 Revised:2015-10-17 Online:2015-12-25 Published:2015-12-25

摘要/Abstract

摘要：

基于Kinect传感器研究设计一种驾驶员疲劳状态综合监测系统，通过对Kinect红外图像数据的预处理，减弱了夜晚光照不足的影响；进而利用Kinect提供的人脸识别功能获取驾驶员头部、嘴部、眼部等部位的特征信息，并利用RBF神经网络进行信息融合，分级判断驾驶员的疲劳状态；同时利用滑动平均法及数据库技术，使疲劳状态监测更加准确可靠。模拟实验结果表明，本系统在白天甚至夜晚都能较有效地监测驾驶员疲劳状态。

关键词: 驾驶监测, 疲劳监测, 红外图像, RBF, 信息融合

Abstract:

We present a driver fatigue state monitoring system for based on Kinect. Preprocessing the Kinect infrared image data can weaken the effect of light deficiency at night. Moreover, the processed images and the face recognition provided by Kinect are used to obtain the features of adriver’s head, mouth and eyes, which are further fused via RBF neural network to judge the fatigue state of drivers on different levels. The identification of fatigue state becomes more accurate and reliable with the help of the sliding average method and database technique. Simulation results show that the proposed system can effectively monitor the fatigue state of drivers at day time, or even at night.

Key words: driving monitoring;fatigue monitoring;infrared image;RBF;information fusion

蔡菁，程雷，王红霞. 基于Kinect的疲劳驾驶综合监测系统研究[J]. J4, 2015, 37(12): 2379-2385.

CAI Jing,CHENG Lei,WANG Hongxia. A driver fatigue state monitoring
system based on Kinect [J]. J4, 2015, 37(12): 2379-2385.

参考文献

［1］Li Haiqin,Li Li. Analysis of unsafe driving behavior based on questionnaire［J］.Automobile Technology,2015(2):145148.(in Chinese)
［2］Sun Wei,Zhang Weigong,Zhang Xiaorui,et al. Research progress of fatigue driving early warning system ［J］.Automotive Electrical Appliances,2009(1):48.(in Chinese)
［3］Hu Hongzhi. Research of vehicle driving fatigue recognition system［D］. Wuhan:Wuhan University of Technology,2010.(in Chinese)
［4］Lv Jianjian.Study on driver fatigue alertness based on Bayesian network［D］. Dalian:Dalian University of Technology,2013.(in Chinese)
［5］Ke Mingjun. The key technics and architectural design of videobased drowsy driving detecting system［D］.Changsha: National University of Defense Technology,2008.(in Chinese)
［6］Wu Yaxuan,Li Wenshu,Shi Guosheng,et al. Survey on fatigue driving detection method research ［J］.Industrial Control Computer,2011,24(8):4446.(in Chinese)
［7］Hu Xizhi,Taha Mansour Jmour. The driver condition monitoring system based on Kinect sensor ［J］.Value Engineering,2014(20):193194.(in Chinese)
［8］Li Duhou,Liu Qun,Yuan Wei,et al. Relationship between fatigue driving and traffic accident ［J］.Journal of Traffic and Transportation Engineering,2010,10(2):104109.(in Chinese)
［9］Chai Jie,Jiang Qingyin,Cao Zhikai. RBF neural network function approximation ability and algorithm ［J］.Pattern Recognition and Aitificial Intelligence,2002,15(3):310316.(in Chinese)
［10］Zhang Defeng. Matlab neural network application design［M］. Beijing:China Machine Press,2012.(in Chinese)
［11］Wang Lei,Sun Ruishan. Study on face feature recognitionbased fatigue monitoring method for air traffic controller［J］.China Safety Science Journal,2012,22(7):6671.(in Chinese)
附中文参考文献：
［1］李海琴,黎莉. 基于调查问卷的不安全驾驶行为分析［J］. 汽车实用技术,2015(2):145148.
［2］孙伟,张为公,张小瑞,等. 疲劳驾驶预警系统的研究进展［J］. 汽车电器,2009(1):48.
［3］胡鸿志. 机动车驾驶疲劳识别系统研究［D］. 武汉:武汉理工大学,2010.
［4］吕健健. 基于贝叶斯网络的驾驶员疲劳评估方法研究［D］. 大连:大连理工大学,2013.
［5］柯明君. 驾驶员疲劳视频监测系统设计与关键技术研究［D］. 长沙：国防科学技术大学,2008.
［6］吴雅萱,李文书,施国生,等. 疲劳驾驶检测技术研究综述［J］. 工业控制计算机,2011,24(8):4446.
［7］胡习之,Taha Mansour Jmour. 基于Kinect传感器的驾驶员状态监测系统［J］. 价值工程,2014(20):193194.
［8］李都厚,刘群,袁伟,等. 疲劳驾驶与交通事故关系［J］. 交通运输工程学报,2010,10(2):104109.
［9］柴杰,江青茵,曹志凯. RBF神经网络的函数逼近能力及其算法［J］. 模式识别与人工智能,2002,15(3):310316.
［10］张德丰.Matlab神经网络应用设计［M］. 北京：机械工业出版社,2012.
［11］汪磊,孙瑞山. 基于面部特征识别的管制员疲劳监测方法研究［J］. 中国安全科学学报,2012,22(7):6671.

[1]	蔡雨岐, 郭卫斌. 基于多级语义信息融合编码的序列标注方法[J]. 计算机工程与科学, 2022, 44(12): 2266-2272.
[2]	谢俊标, 江峰, 杜军威, 赵军. 基于改进人工鱼群算法与RBF神经网络的股票价格预测[J]. 计算机工程与科学, 2022, 44(11): 2080-2090.
[3]	李彬, 喻夏琼, 王平, 傅瑞罡, 张虹. 基于深度学习的单幅图像超分辨率重建综述[J]. 计算机工程与科学, 2021, 43(01): 112-124.
[4]	宁珊, 严馨, 徐广义, 周枫 , 张磊, . 融合关键词的中文新闻文本摘要生成[J]. 计算机工程与科学, 2020, 42(12): 2265-2272.
[5]	文常保，马文博，刘鹏里. 基于改进遗传算法的RBF神经网络结构优化研究[J]. 计算机工程与科学, 2019, 41(05): 917-923.
[6]	闫雪飞,李新明,刘东,刘德生,李强. 基于强化学习的体系对抗仿真战役层次指控算法[J]. 计算机工程与科学, 2018, 40(08): 1511-1520.
[7]	南敬昌，陆亚男，高明明. 基于改进混合算法优化RBF网络的滤波器建模[J]. 计算机工程与科学, 2018, 40(07): 1329-1336.
[8]	施啸天1，张宇2，方舟1. 基于前后双摄像头的鲁棒视觉里程计算法[J]. 计算机工程与科学, 2017, 39(10): 1862-1869.
[9]	司秀丽，刘子琦. 基于混合算法的通信用户规模预测方法研究[J]. 计算机工程与科学, 2017, 39(03): 567-571.
[10]	唐波，吴爽爽，彭力，孙超. 基于信息融合的分布式时间同步算法[J]. J4, 2016, 38(06): 1123-1127.
[11]	黄文明，徐双双，邓珍荣，雷茜茜. 改进人工蜂群算法优化RBF神经网络的短时交通流预测[J]. J4, 2016, 38(04): 713-719.
[12]	刘李漫1，张治国2，满征瑞2. 基于模板匹配及区域信息融合提取的快速目标跟踪算法[J]. J4, 2016, 38(03): 534-541.
[13]	陈玉仙1,2，罗三定2. 一种基于信息融合的新颖电梯调度算法[J]. J4, 2013, 35(12): 178-184.
[14]	李智1,谢剑斌1,陈章永2,程永茂2,刘通1. 基于Adaboost的红外视频图像疲劳检测算法[J]. J4, 2012, 34(5): 107-111.
[15]	秦昳，卢强，黄士坦. 基于云理论和信息融合理论的系统性能评估方法研究[J]. J4, 2012, 34(2): 181-185.