原创《基于RaspberryPi的opencv智能辅助疲劳驾驶系统》
本文是疲劳驾驶毕业论文格式范文和疲劳驾驶和opencv和RaspberryPi方面专科开题报告范文。
摘 要： 本文描述了一个基于Raspberry Pi 运行处理opencv,并实现自动驾驶与疲劳检测部分的识别,利用ccd 摄像头拍下人脸部分,并对面部图像进行处理,并从而定位眼睛嘴巴,利用高斯眼白对眼部检测,来判定驾驶员是否疲劳,在车前部分为另一块Raspberry Pi 进行车道行人的识别,为自动驾驶提供保障,该检测车辆系统利用激光测距传感器R2100 来保障车辆和周围环境的安全.
关键词：人脸识别；自动驾驶；疲劳检测；传感器1 引言在人类的不断进步中,从快到稳,所以从不断地超越速度,到现在利用技术稳中求进.随着我国道路交通事业的迅猛发展,汽车保有量已超过1.5 亿辆,并保持继续增长的趋势.道路交通运输的蓬勃发展为我国的运输事业发展提供了强有力的支撑,但同时也带来了巨大的交通安全隐患问题.在近几年,国内外召开的智能运输系统、智能车辆等国际会议中,道路交通安全保障技术研究已成为热点,特别是基于人和车的道路交通安全保障技术已受到广泛的关注.
2 系统结构
根据本系统的描述,设计主要由6 部分组成,包括电源,Raspberry Pi,ccd 摄像头,激光测距传感器R2100,脑电波,报警器.如图1 所示,ccd 摄像头主要负责道路图像的采集,经过传输给Raspberry Pi,Raspberry Pi 上有利用机器学习训练的车辆,行人样本,并将取得的实时图像在Raspberry Pi 上进行图像处理,并执行相应的分析,与激光测距传感器R2100 数据结合分析,得出实时车况.在进行疲劳疲劳测试时,则同样利用RaspberryPi 和ccd 摄像头,进行图像采集和分析,并检测脑电波信号,得出现在所处状态.
（1） 图像处理分析.此部分利用Raspberry Pi 进行图像处理分为检测车道行人部分,和人体疲劳检测部分.利用opencv 进行处理,opencv 是一个基于BSD 许可（开源）发行的跨平台计算机视觉库,可以运行在Linux、Windows、Android 和Mac OS 操作系统上.它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成,同时提供了Python、Ruby、MATLAB 等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法.进行图像的识别,训练.并生成xml 文件,更加快速得到结果.
（2）图像采集部分.此部分采用ccd 摄像头拍摄驾驶员头像与车道部分的图像.经过像素点采集,ADC 转换成数字图像,形成矩阵,并传输入Raspberry Pi,进行图像矩阵分析,将阳光等无关因素进行弱化.
（3）自动驾驶与疲劳检测判定.利用opencv 正负样本,对数据部分进行处理,将数据进行训练,得并能够知晓这个前方是否要减速,对于车道方面需要进行二值化,将图像腐蚀,调出可以符合条件的范围,当中要较少杂质干扰因素,调整光的范围,利用Harr 特征提取特征,并绘制车道线.疲劳检测分为白天强光和夜晚弱光两种情况,并保证其鲁棒性较好,对于疲劳检测部分分为：①视频采集模块；②图像预处理模块；③人脸定位模块；④人眼定位模块；⑤疲劳度检测模块；⑥脑电波数据分析；⑦整合数据,报警模块.
3 软件具体实施方案
疲劳驾驶与汽车识别有多种方法,但是较为精确的方法为图像识别,对于软件方面利用开源的opencv 对其进行处理.
（1）疲劳驾驶.对于疲劳驾驶,本文根据脑电波与人脸所检测的特征点的生理反应特质,驾驶人员是否疲惫检测包括眼球的活动,眨眼的频率与张嘴的次数时间,利用平均开闭时间确定检测驾驶员是否疲劳,在此基础上脑电波模块检测人体的脑电波,分析θ 波、α 波、β 波是否与所测得的疲劳阈值相等,两者结合得出驾驶员是否处于疲劳,并进行报警.
（2）自动驾驶.分为车道线（如图1）、行人、车辆（如图2）三个方面检测,首先对于车道线第一步即为转为灰度图,并分析检测车道线,排除视频中干扰因素,之第二部为发现边缘,得出线条,之后利用HoughTranorm 辨别车道线并进行优化,识别车道线,最终叠加车道线,识别车道.对于行人车道利用HOG+SVM,HOG 算法的基本思想是统计梯度方向,形成梯度方向直方图,然后让SVM 训练,分类.对于局部归一化的HOG 描述子相比于现存的特征集有更好的表现.HOG 是在网格密集的大小统一的细胞单元（dense grid of uniformlyspaced cells）上进行计算,而且为了提高性能,还采用了重叠的局部对比度归一化（overlapping localcontrastnormalizations）.
（3）SVM 训练验证.为验证本文提出的一种基于Raspberry Pi 的opencv 智能辅助疲劳驾驶系统,首先验证了基于脑电波识别部分,如图3 所示为alpha/beta 脑电波所得数据,曲线的前半部分是普通测试,后面一小段两对线有点分离的部分是模拟闭眼休息状态,全身放轻松.由此可见噪点较小,结果较为精确,具有较好的鲁棒性.
下图4 为自动驾驶路况分析,利用训练库实时返回所需要的数据,并对其进行分析绘制所需要走向线,道路环境,车辆,行人等需求.并显示如下数据信息,如图5 所示为实时图像的数据记录分析.实时记录研究数据,方便进行分析,同时可以记录研究数据,缩短开发周期,节约了试验成本.
4 结语
本文对疲劳检测与自动驾驶部分进行了详细的阐述,提出了一套合理解决的方案,并引入opencv 机器学习与Hough Tranorm等相关知识,提出了对实现本目的的相关策略.对于opencv 方面提供了较为健全的封装库,能够很好的调用实现.可以大大节省开发时间.
参考文献：
[1] 廖爽. 许勇. 王善超. 智能汽车自动驾驶的控制方法研究[U]. 桂林电子科技大学电子工程与自动化学院,东风柳州汽车有限公司技术中心.2014,22（8）.
[2] 张永涛. 基于机器视觉的路面交通标志识别的应用研究[D]. 广东工业大学.2015.
[3] 方遒. 杨福清. 俞剑斌. 汽车自主驾驶碰撞试验的控制系统设计[J]. 华侨大学学报（自然科学版）.2015.
[4] 李超. 基于OpenCV 的运动目标检测与跟踪算法的研究[J]. 硕士论文. 辽宁工程技术大学.2014.
[5] 侯科. 基于OpenCV 的疲劳驾驶检测系统的设计与实现[J]. 硕士论文. 华中科技大学.2012.
疲劳驾驶论文参考资料：
该文结论：本文是大学硕士与疲劳驾驶本科疲劳驾驶毕业论文开题报告范文和相关优秀学术职称论文参考文献资料，关于免费教你怎么写疲劳驾驶和opencv和RaspberryPi方面论文范文。
