基于面部特征的驾驶员疲劳检测
基于面部特征的疲劳驾驶检测系统的设计
科技风2019年1月科技创新D O I：10.19392/ki.1671-7341.201901001基于面部特征的疲劳驾驶检测系统的设计撒灵于顺权梁文豪西北民族大学甘肃兰州730100摘要：因为疲劳驾驶而导致事故发生的事件层出不穷，一款好的疲劳检测系统能够有效的避免事故的发生，以特征点检测 以及面部特征（长时间闭眼、打哈欠）为核心设计疲劳检测系统，能够在一定程度上减少事故的发生。
关键词：脸部特征;人脸检测；疲劳检测;EAR;MAR高速驾车时，驾驶人精神紧张，长时间紧张就容易产生疲劳感，疲劳后继续驾驶车辆，会感到疲倦瞌睡、四肢无力、注意力不集中、判断力下降等，此时危险系数会急剧增大，导致意外的发生。
疲劳检测系统通过计算判断长时间闭眼、打哈欠等脸部特征来判断疲劳的程度，从而提醒驾驶人进行休息、停车等。
一、系统整体设计(一）特征点确定通过摄像头捕捉到一帧图像后，进行肤色检测得到肤色部分，对肤色部分进行最大连通区算以及膨胀，腐蚀等形态学算法消除较小肤色区域，最后通过人脸的几何特征确定出人脸的准备位置，完成人脸检测。
根据得到人脸的具体位置信息，从原图中选取出人脸部分，对人脸进行特征点检测，选取其中的68个特征点进行使用，计算结果如下图：其中P37-P43为眼部特征点，P49-P69为嘴部特征点。
(二)EAR、MAR计算EAR、MAAR艮P眼部纵横比（Eye Aspect Ratio,EAR)、嘴部纵横比（Mouth Aspect Ratio,MAR)〇其中：左眼：EAi?l HP38-P42||+ l l^39-P41I I 2x W P^-P^W右眼：EA12r I I P44-P48I I+ I I^45-P47I I2x U'-P J I嘴部：MAR H-P61-Pei I I+ K62-P66I I+ 1I-P63-P65I I3 x||||可以利用欧式距离分别计算出E A R和MAR。
基于人脸识别的驾驶员疲劳检测系统
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。
基于面部特征的疲劳驾驶检测系统的设计
龙源期刊网 http://www.qikan.com.cn 基于面部特征的疲劳驾驶检测系统的设计 作者：撒灵 于顺权 梁文豪 来源：《科技风》2019年第01期
摘 要：因为疲劳驾驶而导致事故发生的事件层出不穷，一款好的疲劳检测系统能够有效的避免事故的发生，以特征点检测以及面部特征（长时间闭眼、打哈欠）为核心设计疲劳检测系统，能够在一定程度上减少事故的发生。
关键词：脸部特征；人脸检测；疲劳检测；EAR；MAR 高速驾车时，驾驶人精神紧张，长时间紧张就容易产生疲劳感，疲劳后继续驾驶车辆，会感到疲倦瞌睡、四肢无力、注意力不集中、判断力下降等，此时危险系数会急剧增大，导致意外的发生。疲劳检测系统通过计算判断长时间闭眼、打哈欠等脸部特征来判断疲劳的程度，从而提醒驾驶人进行休息、停车等。
一、系统整体设计 （一）特征点确定 二、阈值确定 整个系统中，需要两组阈值的确定，分别是用来确定长时间闭眼的一组阈值以及判断打哈欠的阈值。两组阈值的确定具有统一性，所以就拿其中确定打哈欠的阈值来说。
选取波动区域上方区域即可设定为阈值，选取0.15较为合适。 打哈欠还需要确定时间阈值，时间阈值的确定类似TH_O_MAR的确定，经过多次测试，得到阈值大致为：1.2s。
其他阈值的确定类似。 三、总结 根据面部特征进行疲劳检测具有一定的可实施性，整个系统依赖于人脸检测算法的设计以及阈值的确定，然而阈值过多必将导致其鲁棒性较差，通过选择合适的参数更能提高整个系统的性能。
项目说明：本项目由西北民族大学本科生科研项目资助（项目编号：Y18019） 龙源期刊网 http://www.qikan.com.cn 作者简介：撒灵（1997-），男，回族，宁夏吴忠人，现就读于西北民族大学数学与计算机科学学院，物联网工程专业；于顺权（1996-），男，壯族，贵州黔西南人，现就读于西北民族大学数学与计算机科学学院，物联网工程专业；梁文豪（2000-），男，汉族，海南东方人，现就读于西北民族大学数学与计算机科学学院，物联网工程专业。
大众疲劳驾驶检测原理
大众疲劳驾驶检测原理
随着汽车的普及和交通工具的多样化，驾驶已经成为了人们日常生活中不可或缺的一部分。
然而，长时间的驾驶会让司机产生疲劳，这不仅会影响驾驶安全，还会对司机的身体健康造成不良影响。
因此，大众疲劳驾驶检测成为了一项非常重要的技术。
大众疲劳驾驶检测原理是基于人体生理特征的变化来进行检测的。
当人疲劳时，身体会产生一系列的生理变化，如心率下降、眼睛发干、头昏眼花等。
这些变化可以通过一些传感器来检测，从而判断司机是否疲劳。
大众疲劳驾驶检测主要采用的是摄像头和红外传感器。
摄像头可以通过拍摄司机的面部特征来判断司机的疲劳程度，如眼睛是否闭合、头部是否下垂等。
而红外传感器则可以通过检测司机的心率和呼吸频率来判断司机的疲劳程度。
除了以上两种传感器外，还有一些其他的传感器也可以用于大众疲劳驾驶检测，如脑电波传感器、皮肤电传感器等。
这些传感器可以通过检测司机的脑电波和皮肤电阻来判断司机的疲劳程度。
总的来说，大众疲劳驾驶检测是一项非常重要的技术，它可以有效地提高驾驶安全性，保护司机的身体健康。
随着科技的不断发展，相信大众疲劳驾驶检测技术也会越来越成熟，为我们的出行带来更多的便利和安全。
dms疲劳驾驶检测 标准
dms疲劳驾驶检测标准DMS疲劳驾驶检测标准：保障道路交通安全的关键随着智能化技术的发展，驾驶员监控系统（DMS）已经成为提高道路交通安全的有效工具。
本文将深入探讨DMS在检测疲劳驾驶方面的应用，以及其如何通过数据分析和处理，预防和纠正疲劳驾驶，从而保障道路交通安全。
一、疲劳驾驶对交通安全的影响疲劳驾驶是导致道路交通事故的重要原因之一。
长时间的驾驶、缺乏休息，或是违反正常的生物钟节律，都会导致驾驶员的身体和精神状态下降，从而影响其驾驶行为。
这类行为主要包括注意力不集中、反应迟钝、操作失误等，从而引发交通事故。
据统计，由疲劳驾驶引发的事故占道路交通事故总量的比例高达20%，因此，解决疲劳驾驶问题对提高道路交通安全具有重要意义。
二、DMS疲劳驾驶检测技术原理DMS通过集成传感器、摄像头、GPS等设备，实时收集驾驶员的面部特征、行为表现和车辆运行状态等数据。
其中，对于疲劳驾驶的检测，主要依赖于对驾驶员面部特征的识别和分析。
通过对驾驶员的眼部特征（如眨眼频率、眼睛闭合时间等）、面部表情（如困倦、疲惫等）以及头部运动（如点头、摇头等）进行监测和分析，DMS能够有效地判断驾驶员是否出现疲劳驾驶现象。
三、常见DMS疲劳驾驶检测标准及实施方法为了解决疲劳驾驶问题，不同国家或地区针对此问题制定了相关法律法规，同时采用了DMS系统作为技术手段。
具体实施方法主要包括以下几点：1. 设定阈值：为DMS系统设定特定的阈值，如眼部特征监测中眨眼频率过低、眼睛闭合时间过长等，一旦监测数据超过这些阈值，系统就会判断驾驶员可能处于疲劳状态。
2. 行为分析：通过对面部表情和头部运动的监测，分析驾驶员的行为模式。
如出现长时间连续闭眼、点头等行为，系统会发出警报。
3. 数据分析与处理：DMS系统对收集的数据进行深入分析，通过模式识别技术识别出可能存在的疲劳驾驶行为，并立即发出警报，提醒驾驶员注意交通安全。
4. 数据存储与反馈：DMS系统能够存储和分析历史数据，以便对驾驶员的疲劳状态进行长期观察和评估，同时为改进驾驶行为和交通安全策略提供依据。
基于多面部特征融合的驾驶员疲劳检测算法
基于多面部特征融合的驾驶员疲劳检测算法
刘炜煌;钱锦浩;姚增伟;焦新涛;潘家辉
【期刊名称】《计算机系统应用》
【年(卷),期】2018(027)010
【摘要】本文将卷积神经网络(Convolutional Neural Network,CNN)应用到视频理解中,提出一种基于多面部特征融合的驾驶员疲劳检测算法.本文使用多任务级联卷积网络(Multi-Task Cascaded Convolutional Networks,MTCNN)定位驾驶员的嘴部、左眼,使用CNN从驾驶员嘴部、左眼图像中提取静态特征,结合CNN 从嘴部、左眼光流图中提取动态特征进行训练分类.实验结果表明,该算法比只使用静态图像进行驾驶员疲劳检测效果更好,准确率达到87.4％,而且可以很好地区别在静态图像中很相似的打哈欠和讲话动作.
【总页数】6页(P177-182)
【作者】刘炜煌;钱锦浩;姚增伟;焦新涛;潘家辉
【作者单位】华南师范大学软件学院, 佛山 528225;华南师范大学软件学院, 佛山528225;华南师范大学软件学院, 佛山 528225;华南师范大学软件学院, 佛山528225;华南师范大学软件学院, 佛山 528225
【正文语种】中文
【相关文献】
1.基于图像特征的驾驶员疲劳状态检测算法研究磁 [J], 田祎
2.基于面部关键点特征融合的驾驶员疲劳检测方法研究 [J], 詹润哲;姜飞
3.基于面部信息的挖掘机驾驶员疲劳特征提取 [J], 李蓉;殷晨波;马伟;冯浩
4.基于面部特征的驾驶员疲劳检测系统 [J], 苏锦瑾;霍春宝;王特特
5.面部多特征融合的驾驶员疲劳检测方法 [J], 周云鹏;朱青;王耀南;卢笑;凌志刚因版权原因，仅展示原文概要，查看原文内容请购买。
疲劳驾驶面部区域信息检测与分析的汇报
2 国内外研究现状
2.2 国内研究现状
在国内的研究中，四川大学教授周激流尝试了“稳定视点” 特征提取方法，即为使识别系统中包含3D信息，对人脸侧 面剪影识别做了一定的研究，并实现了正，侧面互相参照的 识别系统。
人脸检测是一项具有挑战性的课题，而目前的研究主要侧重 于二维静态正面人脸的研究，其应用领域也具有一定的局限 性。因此，今后的研究重点将逐步转向多视角、多姿态和动 态人脸的识别检测。
ห้องสมุดไป่ตู้
主要内容
1 研究的背景和意义 2 国内外研究现状 2.1国外研究现状 2.2国内研究现状 3 主要的研究内容及方法概括 3.1 人脸监测方法的概述 3.2 人眼定位方法的概述 3.3 嘴巴特征信息的提取方法
3.1 人脸监测方法的概述
基于几何特征的人脸检测方法
所谓的人脸几何特征指的是人脸面部器官在几何上体现的特征。 主要有以下四种方法： 1、人脸轮廓特征：边缘检测是提取人脸轮廓特征的首要步骤。 2、灰度分布特征：这类方法中最具有代表性的成果是杨光正提 出的镶嵌图方法。 3、器官特征：人脸结构的对称性是一个重要特征，然而它对姿 态、表情及光照的变化比较敏感。 4、模板特征：人脸区域的灰度本身可以作为模板特征，基于模 板匹配方法可以有效检测到图像中的人脸。
3.3嘴巴特征信息的提取方法
基于灰度图像的方法
比较常用的是基于 Snake 模型的嘴部边缘提取算法，但其计算 复杂度高，容易受嘴部周围胡须的干扰，且在光照变化的情况下， 常造成嘴部边缘缺失和梯度较弱的缺陷。
基于嘴唇彩色图像的方法
由于彩色图像能够提供更丰富、更全面的信息，已越来越受到人 们的重视． 如 Alan 等提出利用CIELAB 颜色空间和模糊聚类的 方法对嘴唇区域进行分割；张志文等利用直方图分析 R、G、B 色 度分量在肤色和唇色中的分布特性，提出了一种唇部检测算法。
基于深度学习的驾驶员疲劳检测技术研究
基于深度学习的驾驶员疲劳检测技术研究驾驶员疲劳是指由于长时间的驾驶或夜间驾驶等原因，使驾驶员出现疲乏、难以集中注意力等现象。
驾驶员因为疲劳导致交通事故的发生已经成为了一个全球性的问题，对驾驶员和车内乘客以及其他道路使用者的安全构成了严重威胁。
为了解决这个问题，近年来，很多学者和企业开始研究基于深度学习的驾驶员疲劳检测技术。
该技术可以通过分析驾驶员的姿态、心率、眼部运动等，预测驾驶员的疲劳程度，并提醒驾驶员及时休息，以确保行车安全。
实现驾驶员疲劳检测的技术方案与应用场景多种多样，其中主要是基于视觉和生理信号两种方式实现的。
在视觉方式中，通过对驾驶员面部特征分析以及头部姿势的检测，可以实现驾驶员睡觉、低头、闭眼、抽烟、打电话等疲劳行为的识别。
而在生理信号方面，则以心率变化、皮肤电活动、脑电信号等为特征，进行疲劳检测。
但是，视觉方式容易受到光照、面部遮挡、头部姿势变化等因素的干扰，而生理信号方式需要在检测过程中佩戴传感器等器材，不太适合实际应用场景。
基于深度学习的驾驶员疲劳检测技术相比于传统的方法有着明显的优势。
首先，深度学习具备高斯性和非线性表示等能力，可以更精确地分析复杂的数据。
同时，深度学习不仅能够实现特征的自动提取，还可以通过多重层次的结构来分析数据的抽象表示，从而达到更精准的判断。
其次，基于深度学习的驾驶员疲劳检测技术不需要依赖传感器等辅助设备，只需要使用车载摄像头就可以进行实时监测，具备实时性、高效性和低成本等优势。
最后，基于深度学习的驾驶员疲劳检测技术还可以通过大数据的方式对驾驶员疲劳的模式和规律进行深度挖掘，为今后的道路交通安全提供重要数据支持。
目前，相关企业已经将基于深度学习的驾驶员疲劳检测技术应用到了产品中，并进行实际测试和验证。
例如，福特汽车推出的“疲劳驾驶警告系统（Driver Alert System）”，就采用了基于深度学习的技术。
该系统可以通过车载摄像头对驾驶员面部、眼部等特征进行监测和分析，根据疲劳程度的不同，给予不同颜色的提醒。
- 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)。
－婀０工工誊女缘硕士学位论文
论文题目垫王亘部挂延曲驾壁虽蕉董挂趔
作青姓名塞熊
指导教师丝明盘煎撞
学秤专业蕉剑里监量蕉劐兰壅
所在宇院焦璺三壁生堕
提交日期２ＱＱ！圭！旦１Ｑ！
溯⑧浙江工业大学硕士学位论文基于面部特征的驾驶员疲劳检测摘要在交通事故中，因驾驶员的疲劳引发的车祸占有相当大的比例。因此，驾驶员疲劳的检测日益受到人们的关注。目前为止，虽然对疲劳检测方法已进行了许多研究，但仍然有２个问题需要解决，第一是由于驾驶员的所处的特定环境会受光线干扰方面严重的制约，第二是用单一的指标很难判定疲劳问题，而需要一个综合指标来评价。因此，对驾驶员疲劳的检测问题目前尚没有真正解决，离实际真正应用还有距离。驾驶员疲劳最大的变化是眼睛的异常开闭，但同时在脸部也会发生变化，因此有效的检测驾驶员疲劳，关键是如何提高驾驶员在不同的背景下人脸和眼睛的识别与检测效率，并根据它们的变化规律检测疲劳状态。本文的主要工作与成果如下：１．本文对驾驶员疲劳检测进行了文献综述，提出了眼睛检测为主，脸部变化为辅的驾驶员疲劳检测的实现框架。２．针对彩色图像，提出了一种基于ＹＣｂＣｒ色彩空间的“分级别光照补偿＋自适应阈值选取＂的肤色分割方法。采用了一种自适应的光照补偿方法，根据光照的不同级别，进行光照补偿。然后建立肤色模型，生成肤色相似度图像，进而使用自适应阈值的方法对肤色区域进行分割。实验结果表明，该肤色分割方法能有效克服使用固定阈值进行分割的缺陷。３．针对灰度图像，采用基于几何特征和级联增强分类器法，即“Ｈａａｒ特征值＋ＡｄａＢｏｏｓｔ＂分类器的方法，对驾驶员的人脸进行检测，并在ＡｄａＢｏｏｓｔ对弱分类器的选取方面提出了一种ＡｄａＢｏｏｓｔ快速训练的方法，对更新分类器权重算法做了改进，解决了基于ＡｄａＢｏｏｓｔ的人脸检测算法中训练非常耗时的问题。４．在对眼睛的定位及判断状态问题上，本文提出了一种基于“无迹”卡尔曼滤波（ＵｎｓｃｅｎｔｅｄＫａｌｍａｎｆｉｌｔｅｒ）的方法对驾驶员人眼进行跟踪。运用了几何特征和投影方法来
定位人眼，从而驾驶员疲劳可以根据眼睛连续闭合超过５帧来判定。实验结果表明，此眼睛检测跟踪方法可以在不同的环境下取得较好的效果。５．加入了嘴巴打哈欠状态来综合判定驾驶员的疲劳状态，利用嘴巴的宽高比及打哈ｉ浙江工业大学硕士学位论文欠的持续时间来判断驾驶员是否处在疲劳状态。本文所用图片主要来自于自行拍摄和人脸数据库，利用ＭＡＴＬＡＢ７．０和ＶＣ＋＋６．０对
人脸、人眼及嘴巴的定位和状态进行了相应的仿真实验，实验的结果证明了疲劳检测方法的可行性。
关键词：驾驶员疲劳，人脸检测，光照补偿，人眼定位，ＡｄａＢｏｏｓｔ浙江工业大学硕士学位论文ＢＡＳＥＤｏＮＴＨＥＦＡＣＩＡＬＣＨＡＲＡＣＴＥｌＵＳＴＩＣＳＯＦＴＨＥＤＩＵＶＥＲＩ哈ＴＩＧＵＥＤＥＴＥＣＴＩｏＮ
ＡＢＳＴＲＡＣＴＡｌａｒｇｅｐａｒｔｏｆｔｒａｆｆｉｃａｃｃｉｄｅｎｔｓｒｅｓｌｌｌｔｆｒｏｍｔｈｅｄｒｉｖｅｒｆａｔｉｇｕｅ．Ｔｈｅｒｅｆｏｒｅ，ｔｈｅｄｅｔｅｃｔｉｏｎｏｆ
ｄｒｉｖｅｒｆａｔｉｇｕｅｈａｓｒｅｃｅｉｖｅｄｍｏｒｅａｎｄｍｏｒｅａｔｔｅｎｔｉｏｎ．Ａｌｔｈｏｕｇｈｍｕｃｈｅｆｆｏｒｔｈａｓｂｅｅｎ
ｐａｉｄｔｏｔｈｅ
ｒｅｓｅａｒｃｈｏｆｔｈｅｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｏｆｆａｔｉｇｕｅ，ｔｗｏ
ｐｒｏｂｌｅｍｓａｒｅ
ｓｔｉｌｌｃｈａｌｌｅｎｇｉｎｇ．Ｆｉｒｓｔ，ｔｈｅｄｒｉｖｅｒ＇ｓ
ｓｐｅｃｉｆｉｃｅｎｖｉｒｏｎｍｅｎｔｉｓｓｅｒｉｏｕｓｌｙａｆｆｅｃｔｅｄｂｙｔｈｅｉｌｌｕｍｉｎａｔｉｏｎ．Ｓｅｃｏｎｄ，ｉｔｉｓ
ｄｉｆｆｉｃｕｌｔ
ｔｏａｓｓｅｓｓ
ｆａｔｉｇｕｅｂｙａｓｉｎｇｌｅｉｎｄｉｃａｔｏｒ，ｔｈｕｓａｃｏｍｐｏｓｉｔｅｉｎｄｉｃａｔｏｒｉｓｑｕｉｔｅｎｅｃｅｓｓａｒｙ．Ｔｈｅｒｅｆｏｒｅ，ｔｈｅ
ｄｅｔｅｃｔｉｏｎｏｆｄｒｉｖｅｒｆａｔｉｇｕｅｐｒｏｂｌｅｍ
ｒｅｍａｉｎｓ
ｕｎｓｏｌｖｅｄａｎｄｉｔｓｔｉｌｌｃａｎｎｏｔｂｅａｐｐｌｉｅｄｉｎｒｅａｌｗｏｒｌｄ
ｒｅｃｅｎｔｌｙ．Ｔｈｅｍｏｓｔｏｂｖｉｏｕｓｃｈａｎｇｅｏｆｄｒｉｖｅｒｆａｔｉｇｕｅｉｓｔｈａｔｔｈｅｅｙｅｓｏｐｅｎ
ａｎｄｃｌｏｓｅｉｎａｎａｂｎｏｒｍａｌ
ｗａｙ．Ｍｏｒｅｏｖｅｒ，ｔｈｅｆａｃｅｗｉｌｌｃｈａｎｇｅａｔｔｈｅｓａｍｅｔｉｍｅ．Ｔｈｅｒｅｆｏｒｅ，ｔｈｅｋｅｙｏｆａｎｅｆｆｅｃｔｉｖｅｗａｙｔｏ
ｄｅｔｅｃｔｔｈｅｄｒｉｖｅｒｆａｔｉｇｕｅｉｓｈｏｗｔｏｉｍｐｒｏｖｅｔｈｅｄｒｉｖｅｒ’Ｓｆａｃｅａｎｄｅｙｅｓｄｅｔｅｃｔｉｏｎｅｆｆｉｃｉｅｎｃｙ
ｉｎ
ｄｉｆｆｅｒｅｎｔｃｏｎｔｅｘｔ，ａｎｄｄｅｔｅｃｔｔｈｅｆａｔｉｇｕｅｓｔａｔｅｉｎａｃｃｏｒｄａｎｃｅｗｉｔｈｔｈｅｌａｗｓｏｆｔｈｅｉｒ
ｃｈａｎｇｅｓ．
Ｔｈｅｗｏｒｋａｎｄｍａｉｎｃｏｎｔｒｉｂｕｔｉｏｎｏｆｔｈｉｓｐａｐｅｒａｒｅｌｉｓｔｅｄａｓ
ｆｏｌｌｏｗｓ：
１．Ａｌｉｔｅｒａｔｕｒｅｒｅｖｉｅｗｏｎｄｒｉｖｅｒｆａｔｉｇｕｅｄｅｔｅｃｔｉｏｎｉｓｇｉｖｅｎ．Ａｆｒａｍｅｗｏｒｋｏｆａｄｒｉｖｅｒｆａｔｉｇｕｅｍｅｔｈｏｄｂｙｄｅｔｅｃｔｉｎｇｔｈｅｅｙｅｓａｎｄｆａｃｉａｌｃｈａｎｇｅｓｐｒｏｐｏｓｅｄ．
２．Ｆｏｒｃｏｌｏｒｉｍａｇｅｓ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｃｏｍｐｌｅｘｉｏｎｐａｒｔｉｔｉｏｎａｐｐｒｏａｃｈｃａｌｌｅｄ”ｓｕｂ－ｌｅｖｅｌ
ｌｉｇｈｔｃｏｍｐｅｎｓａｔｉｏｎ＋ａｄａｐｔｉｖｅｔｈｒｅｓｈｏｌｄｓｅｌｅｃｔｉｏｎ”ｂａｓｅｄｏｎＹＣｂＣｒｃｏｌｏｒｓｐａｃｅ．Ａｓｅｌｆ－ａｄａｐｔｉｖｅ
ｎｏｎｌｉｎｅａｒｔｒａｎｓｆｏｒｍａｔｉｏｎｃｏｍｐｅｎｓａｔｉｏｎｓｃｈｅｍｅｉｓｅｍｐｌｏｙｅｄ，ｗｈｉｃｈｃｏｍｐｅｎｓａｔｅｓｔｈｅ
ｉｌｌｕｍｉｎａｔｉｏｎａｃｃｏｒｄｉｎｇｔｏｔｈｅｄｉｆｆｅｒｅｎｔｌｅｖｅｌｓｏｆｉｌｌｕｍｉｎａｔｉｏｎ．Ａｃｏｌｏｒｍｏｄｅｌｉｓ
ｅｓｔａｂｌｉｓｈｅｄ，ａｎｄａ
ｓｋｉｎｌｉｋｅｌｉｈｏｏｄｉｍａｇｅｉｓｐｒｏｖｉｄｅｄ．Ｔｈｅｎｆａｃｅｓｅｇｍｅｎｔｉｓａｃｃｏｍｐｌｉｓｈｅｄｂｙｕｓｉｎｇａｎａｄａｐｔｉｖｅ
ｔｈｒｅｓｈｏｌｄｖａｌｕｅａｐｐｒｏａｃｈ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｃｏｍｐｌｅｘｉｏｎｓｅｇｍｅｎｔａｔｉｏｎ
ｍｅｔｈｏｄＣａｎｅｆｆｅｃｔｉｖｅｌｙｏｖｅｒｃｏｍｅｔｈｅｕｓａｇｅｏｆｆｉｘｅｄｔｈｒｅｓｈｏｌｄｓｅｇｍｅｎｔａｔｉｏｎｄｅｆｅｃｔｓ．３．Ｆｏｒｇｒａｙ－ｓｃａｌｅｉｍａｇｅｓ，ａｇｅｏｍｅｔｒｉｃｃｈａｒａｃｔｅｒｉｓｔｉｃｓａｎｄｅｎｈａｎｃｅｄｃｌａｓｓｉｆｉｅｒｃａｓｃａｄｅ
ｍｅｔｈｏｄｈａｓｂｅｅｎｉｎｔｒｏｄｕｃｅｄ．Ｗｅａｄｏｐｔｔｈｅ”Ｈａａｒｅｉｇｅｎｖａｌｕｅ＋ＡｄａＢｏｏｓｔ”ｃｌａｓｓｉｆｉｅｒｍｅｔｈｏｄｔｏ
ｄｅｔｅｃｔｔｈｅｄｒｉｖｅｒｆａｃｅ．ＦｏｒｔｈｅｓｅｌｅｃｔｉｏｎｏｆＡｄａＢｏｏｓｔｗｅａｋｃｌａｓｓｉｆｉｅｒ，ｗｅｐｒｏｐｏｓｅａｎＡｄａＢｏｏｓｔ
ｅｘｐｒｅｓｓｔｒａｉｎｉｎｇｓｏｌｕｔｉｏｎｓｂａｓｅｄｏｎｔｈｅＡｄａＢｏｏｓｔｆａｃｅｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍ．Ｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｃｏｎｑｕｅｒｓｔｈｅｔｉｍｅ—ｃｏｎｓｕｍｉｎｇｐｒｏｂｌｅｍｏｆｔｈｅＡｄａＢｏｏｓｔｆａｃｅｄｅｔｅｃｔｉｏｎ．浙江工业大学硕士学位论文４．Ｉｎｏｒｄｅｒｔｏｄｅｔｅｒｍｉｎｅｔｈｅｐｏｓｉｔｉｏｎａｎｄｔｈｅｓｔａｔｕｓｏｆｔｈｅｅｙｅｓ，锄ｕｎｓｃｅｎｔｅｄ
Ｋａｌｍａｎ
ｆｉｌｔｅｒｉｓ
ｉｎｔｒｏｄｕｃｅｄｔｏｔｒａｃｋｔｈｅｅｙｅｏｆｔｈｅｄｒｉｖｅｒｉｎｔｈｉｓｐａｐｅｒ．Ｂｙｅｍｐｌｏｙｉｎｇｇｅｏｍｅｔｒｉｃｆｅａｔｕｒｅｓａｎｄ
ｐｒｏｊｅｃｔｉｏｎｍｅｔｈｏｄｓｔＯｌｏｃａｔｅ
ｔｈｅ
ｅｙｅｓ，ｄｒｉｖｅｒｆａｔｉｇｕｅ
Ｃａｌｌ
ｂｅｄｅｔｅｒｍｉｎｅｄｂｙｊｕｄｇｉｎｇｗｈｅｔｈｅｒｔｈｅ
ｅｙｅｓｃｌｏｓｅｆｏｒｍｏｒｅｔｈａｎ５ｆｒＲｍｅｓｏｒｎｏｔ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅ
ｅｙｅｄｅｔｅｃｔｉｏｎｔｒａｃｋｉｎｇｍｅｔｈｏｄｉｎｄｉｆｆｅｒｅｎｔｃｉｒｃｕｍｓｔａｎｃｅｓ．
５．Ｔｈｅｄｅｔｅｃｔｉｏｎｏｆｔｈｅｄｒｉｖｅｒ’ＳｍｏｕｔｈｓｉＳｕｓｅｄｔｏ
ｄｅｔｅｒｍｉｎｅ
ｔｈｅｓｔａｔｕｓｏｆｄｒｉｖｅｌｓｆａｔｉｇｕｅ
ｓｔａｔｅ．Ｂｙｄｅｔｅｒｍｉｎｉｎｇｔｈｅｒａｔｉｏｂｅｔｗｅｅｎｔｈｅｈｅｉｇｈｔａｎｄｗｉｄｔｈｏｆｔｈｅｍｏｕｔｈａｎｄｔｈｅｄｕｒａｔｉｏｎｏｆｙａｗｎ，ｗｅｃａｎｊｕｄｇｅｗｈｅｔｈｅｒｔｈｅｄｒｉｖｅｒｉｓｔｉｒｅｄｏｒｎｏｔ．
ｎｌｅｉｍａｇｅｓｕｓｅｄｉｎｔｈｉｓｐａｐｅｒａｒｅｐｉｃｔｕｒｅｓｔａｋｅｎｂｙｏｕｒｏｗｎａｎｄｆｒｏｍｔｈｅｆａｃｅｄａｔａｂａｓｅ．
Ｂａｓｅｄｏｎ
ＭＡＴＬＡＢ７．０ａｎｄ
ＶＣ＋＋６．０，ｅｘｐｅｒｉｍｅｎｔｓｈａｖｅｂｅｅｎｃａｒｒｉｅｄｏｕｔｔｏｄｅｔｅｃｔｔｈｅ
ｐｏｓｉｔｉｏｎ
ａｎｄｓｔａｔｕｓｏｆｆａｃｅ，ｅｙｅｓａｎｄｍｏｕｔｈ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅ
ｐｒｏｐｏｓｅｄｆａｔｉｇｕｅｄｅｔｅｃｔｉｎｇｍｅｔｈｏｄ．
ＫｅｙＷｏｒｄｓ：ｄｒｉｖｅｒｆａｔｉｇｕｅ，ｆａｃｅｄｅｔｅｃｔｉｏｎ，ｉｌｌｕｍｉｎａｔｉｏｎｃｏｍｐｅｎｓａｔｉｏｎ，ｅｙｅｌｏｃａｔｉｏｎ，
Ａｄａｂｏｏｓｔ