基于MeanShift算法和Hough变换的疲劳驾驶检测方法

合集下载

基于深度学习的疲劳驾驶检测方法研究与实现

4、算法实现
在模型训练完成后，我们将算法实现为一套独立的程序，以便于在实际应用中使用。具体来说，我们采用Python编程语言和OpenCV、TensorFlow等库实现了一套可以实时检测驾驶员是否疲劳的程序。该程序可以自动识别驾驶员的脸部和眼睛状态，并对驾驶员的疲劳程度进行评估。
四、实验结果与分析
五、结论与展望
1、优化模型结构：我们将进一步探索更为有效的深度学习模型结构，以提高模型的的特征提取能力和分类准确性。
五、结论与展望
2、增强模型泛化能力：我们将研究如何提高模型对于不同驾驶员和不同场景的泛化能力，以使其更加适应实际应用场景的需求。
五、结论与展望
3、结合多模态数据：我们将尝试将多模态数据（如音频、生理数据等）引入到疲劳驾驶检测中，以提高检测方法的全面性和准确性。
实验讨论
1、高准确率：通过学习大量数据，深度学习方法可以更好地提取驾驶员面部图像中的特征，从而提高检测准确率。
实验讨论
2、高实时性：深度学习方法的并行计算能力较强，可以实现更快的检测速度，满足实时检测的需求。
实验讨论
然而，该方法仍存在一些不足之处，如对面部遮挡和复杂背景的适应性有待进一步提高。在未来的研究中，可以尝试使用更加复杂的深度学习模型，如混合注意力网络（MAnet）、 transformers等，以进一步提高疲劳驾驶检测的准确率和实时性。
研究方法
4、模型训练：使用大量数据训练模型，调整模型参数，提高模型准确率和实时性。
研究方法
5、模型检测：将训练好的模型应用于实时监测，通过不断采集图像和生理信号数据进行检测，判断驾驶员是否疲劳。
实验结果与分析
实验结果与分析
本次演示采用Khoramshahi等人的方法进行实验，使用CNN对驾驶员的面部图像进行分析。实验数据包括清醒状态和疲劳状态下的面部图像，通过对这些数据进行训练和测试，得出如下实验结果：

基于深度学习的疲劳驾驶检测算法研究

基于深度学习的疲劳驾驶检测算法研究作者：***来源：《专用汽车》2023年第12期摘要：针对疲劳驾驶检测模型需要的实时性与轻量性，在SSD的基础上提出了SSD-MA 网络作为人脸部件检测网络。

该网络通过替换原SSD主干网络为MobileNetv3，使得模型参数量骤减，加上AFF注意力特征融合了不同尺寸的特征图，进一步提升了对人眼小目标的检测性能，并结合疲劳参数Peclos可以准确地输出被测人员的疲劳状态。

经实验验证，SSD-MA在验证集上的mAP值达到了96.9%，较原SSD-300提高了5%，网络整体体积缩减了89%。

关键词：深度学习；SSD-300；疲劳检测；MobileNetV3；多尺度特征融合中图分类号：U472.9 收稿日期：2023-10-07DOI：10.19999/ki.1004-0226.2023.12.0261 前言疲劳驾驶是指驾驶人由于长时间的连续驾驶、睡眠不足、身体疲劳等原因而导致反应迟钝、注意力不集中等症状的驾驶行为。

这种行为会增加交通事故的风险，因此被视为一种安全隐患。

王小玉等[1]首先利用灰度积分投影对人眼进行粗定位，再用自适应提升算法检测人脸，最后借助2个疲劳参数综合判断驾驶員的疲劳状态。

李昭慧等[2]提出一种基于改进YOLOv4算法的疲劳驾驶检测，在框架中的特征金字塔前后增加卷积，提高对深度特征的提取，引入空洞卷积增加感受野，在最后测试中达到了97.29%的mAP。

张博熠等[3]首先通过单阶段人脸检测器RetinaFace进行人脸关键部位提取，再通过眼嘴特征判断网络EMSD-Net实现了对疲劳特征的分类，最后结合闭眼百分比、持续闭眼时间和持续呵欠时间判定疲劳状态。

娄平等[4]通过改进MTCNN[5]图像金字塔的固定缩小比例和用Ghost模块替换AlexNet中卷积操作大幅降低了网络的参数量实现了检测网络的轻量化。

李泰国等[6]在选择特征问题上融合了驾驶员面部和身体的特征，通过建立多组疲劳特征计算其离散程度，再将其输入LSTM网络进行分类训练达到疲劳检测目的。

基于深度学习的疲劳驾驶检测技术研究

基于深度学习的疲劳驾驶检测技术研究1. 内容描述随着现代交通系统的不断发展和车辆数量的日益增长，道路交通安全问题逐渐凸显，成为公众关注的焦点。

疲劳驾驶作为一种常见的危险驾驶行为，对道路交通安全构成了严重威胁。

开发一种高效、准确的疲劳驾驶检测技术具有重要的现实意义和工程价值。

基于深度学习的疲劳驾驶检测技术是一种基于计算机视觉、机器学习和深度神经网络等方法的技术手段。

该技术通过采集驾驶员的面部表情、眼部状态、头部运动等生理和行为特征数据，运用深度学习算法对这些数据进行自动分析和识别，从而判断驾驶员是否处于疲劳状态。

与传统的疲劳驾驶检测方法相比，基于深度学习的疲劳驾驶检测技术具有更高的准确性和实时性。

在具体研究中，首先需要收集大量的疲劳驾驶和正常驾驶的样本数据，并进行详细的标注和处理。

选择合适的深度学习模型（如卷积神经网络、循环神经网络等）对这些数据进行训练和学习。

通过不断地优化模型结构和参数，提高模型的泛化能力和准确性。

在实际应用中，将训练好的模型应用于车辆监控系统或驾驶辅助系统中，实现对疲劳驾驶行为的实时检测和报警。

基于深度学习的疲劳驾驶检测技术不仅可以提高道路交通安全管理水平，还可以降低交通事故的发生率，为智能交通系统的发展提供有力支持。

该技术还可以拓展应用于其他领域，如智能家居、医疗健康等，为人类的日常生活带来更多便利和安全保障。

1.1 研究背景随着社会的发展和经济的增长，汽车已经成为人们出行的主要工具。

随着汽车保有量的不断增加，道路交通安全问题日益严重。

疲劳驾驶作为其中的一个重要因素，对道路交通安全造成了极大的威胁。

疲劳驾驶是指驾驶员在长时间行驶过程中，由于生理、心理原因导致的注意力不集中、反应迟钝等现象，从而降低驾驶员对道路环境的感知能力，增加交通事故的发生概率。

研究疲劳驾驶检测技术具有重要的现实意义。

随着人工智能技术的快速发展，深度学习作为一种强大的机器学习方法，已经在图像识别、语音识别等领域取得了显著的成果。

司机疲劳驾驶检测系统设计

司机疲劳驾驶检测系统设计摘要：随着社会经济的发展，商用长途运输车越来越多，司机为了追求经济效益，经常罔顾交通法的规定疲劳驾驶，而一些私家车也因为各种各样的原因经常铤而走险疲劳驾驶，酿成很多人间惨剧。

为了减少减轻司机的精神压力并对疲劳及时提示预警，本论文以计算机视觉技术为主体，设计实用操作简单的疲劳驾驶检测系统，辅助驾驶员安全驾驶。

司机疲劳驾驶实时检测系统在实际应用中有很重要的意义。

设计了一个利用图像分析的方法，通过测量PERCLOS指标值来进行疲劳判断的该类系统。

系统首先对图像进行预处理，然后采用基于YCbCr颜色空间肤色模型进行人脸粗定位，根据人脸特征，逐次进行人眼区域缩小；最后通过对边缘信息进行先验知识结合积分投影的方法进行人眼定位和闭合度测量。

考虑到视频图像序列帧与帧之间的相关性，采用线性运动预测的方法对人眼进行跟踪，减少了系统的运算量。

实验结果表明系统能实时、准确地反映司机的疲劳状态。

关键词：疲劳驾驶人脸检测肤色检测交通安全疲劳判断目录摘要Abstract1.疲劳驾驶检测系统研究背景与意义2.疲劳驾驶检测系统研究与实现2.1国内外疲劳驾驶检测系统研究现状2.1.1国外疲劳驾驶检测系统的研究成果2.1.2国内疲劳驾驶检测系统的研究现状2.2疲劳驾驶检测系统浅析2.3驾驶员疲劳检测系统的研究2.3.1人脸检测2.3.2人眼定位2.3.3疲劳程度的综合判定3.基于人脸特征的列车司机疲劳驾驶检测与识别系统研究3.1研究内容及目标3.1.1基于人脸特征的疲劳驾驶检测与识别算法开发3.1.2疲劳驾驶检测与识别算法OSP移植3.2基于Adaboost算法的人脸检测3.2.1人脸检测技术概述3.2.2Adaboost人脸检测算法3.3基于Adaboost算法的人脸检测软件实现3.3.1.样本训练过程3.3.2人脸检测程序3.4人眼检测与人眼状态分析算法3.4.1基于Adaboost的人眼检测算法3.4.2人眼级联分类器效果分析3.4.3人眼状态分析算法4.基于贝叶斯网络的驾驶疲劳程度识别模型4.1基于贝叶斯网络模型的驾驶疲劳程度识别4.2驾驶疲劳程度识别模型4.2.1驾驶疲劳贝叶斯网络结构4.2.2贝叶斯网络条件概率表的确定4.2.3驾驶疲劳程度贝叶斯网络识别模型4.3模型有效性验证5.基于FPGA的疲劳驾驶检测系统设计5.1疲劳驾驶检测系统总体设计方案5.1.1系统红外光源原理5.1.2系统总体设计5.2系统硬件设计与实现5.2.1系统硬件总体架构5.2.2图像采集电路设计5.2.3主控板设计5.2.4辅助电路设计5.2.5系统硬件电路的物理测试6.基于NiosII 多核驾驶疲劳检测系统设计6.1系统介绍6.2系统关键模块设计6.2.1图像采集模块设计6.2.2图像处理算法6.2.3图像处理算法硬件加速的实现6.2.4数据存储模块设计7.疲劳驾驶预警系统的研究进展7.1预警系统的组成及工作原理7.2典型的疲劳驾驶预警系统7.3疲劳驾驶预警系统比较7.4发展趋势8.新型多功能驾驶员状态监测系统设计8.1无线脑电信号采集和分析8.1.1情绪预警8.1.2疲劳监测8.1.3突发疾病监测8.2酒精监测9.多源信息融合在驾驶疲劳检测中的应用9.1驾驶疲劳特征9.1.1PERCLOS值的计算9.1.2行驶方向改变与驾驶员反应不一致情况9.1.3方向盘动作状态9.1.4连续驾驶时间9.1.5实际时间参数9.2模糊神经网络疲劳识别9.2.1疲劳度量化9.3智能控制技术在汽车疲劳驾驶监控中的应用研究9.3.1硬件描述结束语参考文献1.研究背景与意义驾驶疲劳川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、打磕睡、驾驶操作失误或完全丧失驾驶能力。

《2024年基于深度学习的疲劳驾驶检测系统的设计与实现》范文

《基于深度学习的疲劳驾驶检测系统的设计与实现》篇一一、引言随着社会的发展和科技的进步，交通安全问题越来越受到人们的关注。

疲劳驾驶作为交通事故的重要原因之一，其危害性不容忽视。

为了有效减少因疲劳驾驶导致的交通事故，本文提出了一种基于深度学习的疲劳驾驶检测系统。

该系统通过深度学习算法对驾驶员的面部特征进行识别和分析，实现对驾驶员疲劳状态的实时检测和预警。

二、系统设计（一）系统架构本系统采用客户端-服务器架构，其中客户端负责实时获取驾驶员的面部图像并进行预处理，服务器端则负责接收客户端传输的图像数据，并利用深度学习算法进行疲劳状态检测。

系统架构图如下：1. 客户端：包括摄像头、图像预处理模块、数据传输模块。

2. 服务器端：包括接收模块、深度学习模块、预警模块和数据库。

（二）模块设计1. 图像预处理模块：该模块主要负责通过摄像头获取驾驶员的面部图像，并进行灰度化、归一化等预处理操作，以便后续的深度学习算法处理。

2. 深度学习模块：该模块是本系统的核心部分，采用深度卷积神经网络（CNN）对预处理后的图像进行特征提取和分类，判断驾驶员是否处于疲劳状态。

3. 预警模块：当深度学习模块判断驾驶员处于疲劳状态时，预警模块将触发警报，并向驾驶员发出语音或文字提示，提醒其休息。

4. 数据库模块：用于存储驾驶员的疲劳状态数据、历史记录等信息，以便后续的数据分析和处理。

（三）算法选择与实现本系统采用深度卷积神经网络（CNN）进行疲劳状态检测。

首先，通过大量带标签的驾驶员面部图像训练CNN模型，使其具备识别驾驶员面部特征和判断疲劳状态的能力。

然后，将预处理后的驾驶员面部图像输入到训练好的CNN模型中，通过前向传播得到驾驶员的疲劳状态判断结果。

三、系统实现（一）硬件设备本系统所需的硬件设备包括摄像头、计算机等。

其中，摄像头用于实时获取驾驶员的面部图像，计算机则负责运行客户端和服务器端的软件程序。

（二）软件开发本系统的软件开发主要包括客户端和服务器端的程序编写、数据库设计等工作。

基于深度学习的疲劳驾驶检测方法研究

基于深度学习的疲劳驾驶检测方法研究疲劳驾驶是导致交通事故的重要原因之一，对驾驶员的身体健康和交通安全产生了严重的威胁。

因此，疲劳驾驶检测方法的研究变得至关重要。

近年来，深度学习技术在计算机视觉领域取得了巨大的成功，可以应用于疲劳驾驶检测方法的研究。

深度学习是一种通过多层神经网络进行学习和训练的机器学习技术。

它模仿了人脑的神经网络结构，从而能够自动地从大量的数据中学习并提取特征。

这种技术具有可扩展性强、模型表达能力高等优点，适用于疲劳驾驶检测中的特征提取和分类任务。

疲劳驾驶检测方法的研究可以分为两个阶段：特征提取和分类。

在特征提取阶段，深度学习可以通过卷积神经网络（Convolutional Neural Networks，CNN）实现对图像和视频数据的特征提取。

通过多层卷积和池化操作，CNN可以自动地提取图像和视频中的低级和高级特征，如边缘、纹理和形状等。

在疲劳驾驶检测中，驾驶员的眼睛状态、头部姿势和面部表情等特征是非常重要的。

通过将这些特征提取出来，可以有效地分析驾驶员的疲劳程度。

在分类阶段，深度学习可以通过循环神经网络（Recurrent Neural Networks，RNN）实现对时序数据的分类。

RNN可以捕捉到时序数据中的长期依赖关系，因此适用于疲劳驾驶检测中的时间序列数据分析。

例如，通过将驾驶员的眼睛状态和头部姿势等特征序列输入到RNN中，可以判断驾驶员是否处于疲劳状态。

另外，深度学习还可以结合其他传感器数据进行疲劳驾驶检测。

例如，通过结合驾驶员的心率、脑电波和皮肤电活动等生理信号，可以进一步提高疲劳驾驶检测的精确性和可靠性。

这些生理信号可以通过传感器设备采集，并与图像和视频数据进行融合，提取更丰富的驾驶员特征。

总之，基于深度学习的疲劳驾驶检测方法具有很大的潜力。

它可以通过卷积神经网络实现对图像和视频数据的特征提取，通过循环神经网络实现对时序数据的分类，从而准确地分析驾驶员的疲劳程度。

基于MeanShift算法的车辆检测与跟踪研究

基于MeanShift算法的车辆检测与跟踪研究作者：何俊龙来源：《时代汽车》2020年第15期摘要：文章通过建立车辆正、负样本库，完成对车辆识别分类器的训练，并通过MeanShift跟踪算法完成对前方已识别车辆的稳定跟踪。

试验结果表明，该算法能够准确、稳定地对前方车辆进行跟踪，且实时性较高，可以为汽车主动安全系统提供可靠支持。

关键词：汽车安全 MeanShift算法车辆识别与跟踪1 引言在汽车智能化发展过程中，移动车辆的识别与跟踪一直以来都是最热门的研究内容之一。

金立生等人运用Adaboost算法对日间前方车辆的完成了准确且快速地检测[1]。

赵奇慧等人就深度学习运用于车辆跟踪的神经网络模型进行了详细的阐述，并对目前车辆检测中待解决的问题、未来待改进的方向进行了分析和讨论[2]。

本文所采用的MeanShift算法自Fukunage学者在1975年提出后，至今仍是业界内非常著名的跟踪算法，该方法在低速场景下对移动目标的跟踪具有非常良好的准确性及实时性。

2 前方车辆识别车辆识别分类器的训练过程主要通过调整参数对样本进行特征提取并计算，包括采集样本、创建Haar特征、设置及调整参数、计算虚警率（误差率）等。

检测流程最重要的步骤是对图像划定ROI并对其进行搜索，从而得到识别结果。

2.1 正、负样本正样本集为试验台中前方车辆尾部的图像，共1000张，负样本集为不含车辆的其他图像，共3000张。

2.2 Haar-like特征与积分图Haar-like特征是图像中的矩形特征，本文通过对车辆的尾部轮廓特征进行研究，从而实现对前方车辆的识别与跟踪。

积分图是一种加速特征计算的数学方法。

积分图中ii（x，y）的大小等于点（x，y）左上方区域所有像素值之和。

式中为点的像素值，为点的积分值。

2.3 分类器与级联分类器为降低分类器的误警率，在进行训练时，必须设置一个合理的特征阀值处理正、负样本并使每个弱分类器对应一个Haar-like特征。

《2024年基于深度学习的疲劳驾驶检测系统的设计与实现》范文

《基于深度学习的疲劳驾驶检测系统的设计与实现》篇一一、引言随着道路交通的日益繁忙，驾驶安全已成为社会关注的焦点。

疲劳驾驶是导致交通事故的重要原因之一。

因此，开发一种能够实时检测驾驶员疲劳状态的检测系统显得尤为重要。

本文将介绍一种基于深度学习的疲劳驾驶检测系统的设计与实现。

二、系统设计（一）系统架构本系统采用模块化设计，主要包括数据采集模块、数据处理模块、深度学习模型模块和结果输出模块。

其中，数据采集模块负责收集驾驶员的面部图像数据；数据处理模块负责对收集到的数据进行预处理，以便于深度学习模型的训练和推理；深度学习模型模块是本系统的核心部分，负责实现疲劳驾驶的检测；结果输出模块则将检测结果以可视化的形式展示给用户。

（二）数据采集与预处理数据采集模块通过车载摄像头收集驾驶员的面部图像数据。

在预处理阶段，系统将对面部图像进行灰度化、归一化、去噪等操作，以提高深度学习模型的训练效果。

此外，系统还需对驾驶员的眼部状态进行精确检测，以便判断其是否处于疲劳状态。

（三）深度学习模型本系统采用卷积神经网络（CNN）作为核心的深度学习模型。

通过训练大量的驾驶员面部图像数据，模型可以学习到疲劳驾驶的特征，从而实现对疲劳驾驶的准确检测。

在模型训练过程中，系统采用批量梯度下降算法对模型参数进行优化，以提高模型的泛化能力。

（四）结果输出与反馈当系统检测到驾驶员处于疲劳状态时，将通过车载显示屏、手机APP等方式向驾驶员发出警报，提醒其注意休息。

同时，系统还将将检测结果上传至云端服务器，以便后续的数据分析和优化。

此外，系统还支持用户反馈功能，用户可以通过手机APP对系统的误报和漏报情况进行反馈，以便系统进行持续改进。

三、系统实现（一）技术选型本系统采用Python作为主要编程语言，利用TensorFlow、Keras等深度学习框架实现深度学习模型的训练和推理。

在数据采集和预处理阶段，系统使用OpenCV等计算机视觉库对图像进行处理。

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)。

年，美国联邦公路管理局首次提出将ＰＥＲＣＬＯＳ（ｐｅｒｃｅｎｔａｇｅｏｆｅｙｅｌｉｄｃｌｏｓｕｒｅｏｖｅｒｔｈｅｐｕｐｉｌｏｖｅｒｔｉｍｅ，单位时间内眼睛闭合时间所占的百分比）作为
１２２ＨＵＡＧｕｏｄｏｎｇ，ＸＵＺｈｉｃｈａｏ，ＹＥＰｅｎｇｆｅｉ
（１．ＮａｎｊｉｎｇＯａｋＴｒａｎｓｐｏｒｔＩｎｔｅｒｎｅｔＴｅｃｈｎｏｌｏｇｙＣｏ．，Ｌｔｄ．，Ｎａｎｊｉｎｇ２１１１００；２．ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｉｃａｌａｎｄＰｈｏｔｏｅｌｅｃｔｒｉｃＥｎｇｉｎｅｅｒｉｎｇ，ＣｈａｎｇｚｈｏｕＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，Ｃｈａｎｇｚｈｏｕ２１３０３２）
１－２］程学出发，来检测驾驶员的疲劳状态［。１ห้องสมุดไป่ตู้９９９
０㊀引言
疲劳驾驶是历年来导致高速公路交通事故的主要原因，及时检测到驾驶员的疲劳驾驶行为，对减少交通事故的发生，保障人民生命财产安全具有重要意义。早期主要从人体生理学、现代神经学、电子工
收稿日期：２０１７０８１０
ＡＭｅｔｈｏｄｏｆＤｅｔｅｃｔｉｎｇＦａｔｉｇｕｅＤｒｉｖｉｎｇＢａｓｅｄｏｎＭｅａｎＳｈｉｆｔＡｌｇｏｒｉｔｈｍａｎｄＨｏｕｇｈＴｒａｎｓｆｏｒｍａｔｉｏｎＡｌｇｏｒｉｔｈｍ
基于ＭｅａｎＳｈｉｆｔ算法和Ｈｏｕｇｈ变换的疲劳驾驶检测方法
华国栋１，徐志超２，叶鹏飞２
（１．南京栎树交通互联科技有限公司，江苏南京２１１１００；２．常州工学院电气与光电工程学院，江苏常州２１３０３２）
摘要：依据ＰＥＲＣＬＯＳ基本原理，运用图像处理方法分析测量驾驶员疲劳状态的基本过程，提ａｎＳｈｉｆｔ算法和Ｈｏｕｇｈ变换的疲劳驾驶检测方法，给出了详细的实现步骤。实验表出一种采用Ｍｅ明，ＭｅａｎＳｈｉｆｔ算法能对驾驶员眼部进行有效定位，Ｈｏｕｇｈ变换算法能正确判断眼睛闭合状态，所用方法对疲劳驾驶具有较好的检测效果。关键词：ＰＥＲＣＬＯＳ；ＭｅａｎＳｈｉｆｔ；疲劳检测；Ｈｏｕｇｈ变换中图分类号：ＴＰ３９１㊀㊀㊀文献标志码：Ａ㊀㊀文章编号：１６７１０４３６（２０１７）０４００３３０５
第３０卷第４５期２０１７年１０月
常州工学院学报
ＪｏｕｒｎａｌｏｆＣｈａｎｇｚｈｏｕＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ
３０㊀Ｎｏ．４５Ｖｏｌ．Ｏｃｔ．２０１７
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７１０４３６．２０１７．０４．００８
Ａｂｓｔｒａｃｔ：ＢａｓｅｄｏｎｔｈｅｐｒｉｎｃｉｐｌｅｏｆＰＥＲＣＬＯＳ，ｗｉｔｈａｎａｐｐｌｉｃａｔｉｏｎｏｆｄｉｇｉｔａｌｉｍａｇｅｐｒｏｃｅｓｓｉｎｇｔｅｃｈｎｏｌｏｇｉｅｓｉｎａｎａｌｙｚｉｎｇｔｈｅｐｒｏｃｅｄｕｒｅｏｆｆａｔｉｇｕｅｄｅｔｅｃｔｉｏｎ，ａｍｅｔｈｏｄｏｆｄｅｔｅｃｔｉｎｇｆａｔｉｇｕｅｄｒｉｖｉｎｇｈａｓｂｅｅｎｐｒｏｐｏｓｅｄｂｙｃｏｍｂｉｎｉｎｇＭｅａｎＳｈｉｆｔａｌｇｏｒｉｔｈｍａｎｄＨｏｕｇｈｔｒａｎｓｆｏｒｍａｔｉｏｎ．Ｉｍｐｌｅｍｅｎｔｉｎｇｓｔｅｐｓａｒｅｐｒｅｓｅｎｔｅｄ．ＴｈｅｅｘｐｅｒｉｍｅｎｔｒｅｓｕｌｔｓｐｒｏｖｅｔｈａｔｅｙｅｓｌｏｃａｔｉｏｎｃａｎｂｅｒｅａｌｉｚｅｄｂｙＭｅａｎＳｈｉｆｔａｌｇｏｒｉｔｈｍ，ａｎｄＨｏｕｇｈｔｒａｎｓｆｏｒｍａｔｉｏｎａｌｇｏｒｉｔｈｍｃａｎｄｅｔｅｒｍｉｎｅｔｈｅｃｌｏｓｅｄｏｐｅｎｓｔａｔｕｓｏｆｅｙｅｓ．Ｔｈｅｍｅｔｈｏｄｈａｓａｇｏｏｄｅｆｆｅｃｔｉｎｄｅｔｅｃｔｉｎｇｆａｔｉｇｕｅｉｎｄｒｉｖｅｒｓ．Ｋｅｙｗｏｒｄｓ：ＰＥＲＣＬＯＳ；ＭｅａｎＳｈｉｆｔ；ｆａｔｉｇｕｅｄｅｔｅｃｔｉｏｎ；Ｈｏｕｇｈｔｒａｎｓｆｏｒｍａｔｉｏｎ㊀