基于图像识别和抗疲劳驾驶的智能交通关键技术研究外文翻译资料
2021-12-15 22:40:51
英语原文共 13 页
基于图像识别和抗疲劳驾驶的智能交通关键技术研究
王军,宇小平,刘强,周阳
摘要
智能交通系统需要解决交通安全中的主要问题。本文针对疲劳驾驶引起的交通安全问题,对基于图像识别的关键技术进行了研究和分析。提出人脸和人脸特征点的定位和疲劳检测的分类是确定疲劳驾驶检出率的关键环节。在分析基于肤色建模的人脸定位算法的基础上,提出了一种基于角点的人脸区域优化方法。摘要在分析人眼定位算法二进制算法的基础上,提出了一种双向积分投影法实现人眼精确定位。然后对常用的疲劳分类算法(KNN算法)进行了分析。最后,通过疲劳驾驶仿真试验验证了该方法的有效性。实验结果表明,基于肤色建模的算法能够准确定位驾驶员的面部区域。基于二值算法的眼定位算法也可以准确定位检测器的眼位置。KNN疲劳检测模型的精度为87.82%。该方法能较准确地识别驾驶员的疲劳状态。
关键词:图像识别,疲劳驾驶,智能交通
1介绍
在城市大规模扩张的同时,基础设施建设和管理模式改革相对滞后,导致“城市病”越来越严重。城市人口的爆发式增长和城市车辆数量的快速增长导致了城市交通的障碍和发展瓶颈。主要障碍和问题如下:城市交通拥堵严重,导致出行时间和能源消耗增加,交通安全问题严重,事故频发;噪音污染和空气污染正变得越来越严重。交通安全是城市交通发展的主要问题之一,需要及时解决。在全球人员伤亡事故中,交通伤亡是造成人员伤亡的主要原因之一。据统计,2016年全国共发生交通事故8644.43万起,造成63093人死亡,12.1亿元直接财产损失; 2017年5月交通网络数据显示,2016年京沪高速淮安段发生交通事故787起,其中疲劳驾驶导致的交通事故414起,约占事故总数的52.6%。因此,疲劳驾驶是重大交通事故的主要原因,对驾驶员疲劳状态的实时监测对于减少交通事故和人员伤亡具有重要的现实意义。
为了解决交通安全问题,世界上许多国家都对驾驶过程、车辆调度以及车辆运行的整体控制安全进行了综合考虑。智能交通系统(ITS)不断涌现和发展。智能交通系统充分利用物联网、云计算、互联网、人工智能、自动控制、移动互联网等交通领域的技术。交通安全的一个主要问题是城市交通的发展,通过高科技,它收集交通信息和管理交通、运输、公共旅游、交通和其他地区以及整个过程的所有方面交通建设和管理支持管理,所以该地区的交通系统,城市,甚至是一个更大的时空范围的感知、互联,分析,预测,控制,等能力可以充分保障交通安全,发挥交通基础设施的有效性,提高交通系统运行效率和管理水平,为公众出行顺畅和经济可持续发展服务。目前,智能交通系统也得到了广泛的应用。例如,新加坡的智能交通预测系统(intelligent traffic prediction system, ITPS)包括一个计算机化的交通信号系统、一个电子扫描系统、一个城市高速公路监控系统、一个联合电子眼和一个用于预测预定时段内交通流量的道路定价系统。它可以帮助交通管制员预测交通流量,防止交通拥堵。瑞典斯德哥尔摩引进了一种新的智能收费系统,可以减少22%的交通流量和12%到40%的排放量。智能交通系统的目标是通过人、车、路的和谐、密切合作,提高交通效率,缓解交通拥堵,提高路网容量,减少交通事故。目前,智能交通系统的研究很多。例如,Zhang等分析了智能交通系统的体系结构,给出了洛阳智能交通系统的总体框架、系统功能、数据库结构以及最佳路径分析方法。Xie等人提出了一种基于物联网的智能城市交通系统,利用群体智能感知技术实现信息采集,利用广播电视技术、手机技术、车辆网络技术实现信息共享。Wang等对现有智能交通系统的关键技术进行了分析,指出了智能交通系统存在的亟待解决的问题和研究前景。然而,针对疲劳驾驶引起的交通安全问题,智能交通技术的研究还很少。由于疲劳驾驶是交通事故的主要原因,因此有必要对智能交通中的疲劳驾驶技术进行研究。
在疲劳驾驶检测方法中,主要有基于驾驶员生理信号检测、基于驾驶员操作行为和车辆状态检测、基于驾驶员面部表情检测。这些测试大多依靠图像处理技术获取驾驶员疲劳特性数据。因此,本文对基于图像识别的抗疲劳驾驶关键技术进行了分析研究,并对常用的关键技术进行了改进。最后,通过实验收集驾驶员在驾驶过程中的眼疲劳数据。应用改进后的关键技术验证了该技术的有效性。
2方法
2.1智能交通系统
智能交通系统(ITS)融合物联网、大数据、云计算、无线传感器等先进技术,使人、车、路更加协调,使公共交通服务更加人性化、智能化。覆盖铁路、公路、民航等领域。由于各个领域的内部管理系统相对成熟,ITS需要解决的问题是如何在多个平台内整合信息,挖掘数据后分析潜在数据,为用户提供更好的服务。在智能交通系统中,将行人、周围的交通灯、摄像头、车牌号等基础设施作为传感终端连接起来,形成城市路网信息系统。通过射频识别(RFID)、GPS和红外感应灯对终端进行智能识别,并按照一定的协议进行连续的信息交换(图1)。
2.2智能交通关键技术
智能交通结果框架如图2所示。
智能流量传感器层主要负责收集数据,如二维代码或条形码,由智能识别设备,阅读和网络层主要负责传输数据信息,将每个点收集的数据传输到数据中心通过互联网、无线网络、移动网络。支持层主要实现海量信息的并行处理和优化以及存储资源的动态分配和部署;应用层主要包括信息存储处理系统和综合控制系统。该系统涉及大数据的采集、大数据的存储以及不同类型数据的集成、处理和挖掘。因此,智能交通系统中每一层的工作都需要大量的技术来完成。
关键技术是:
1).识别和感知对象的最重要技术,是整个智能交通建设的基础。
智能识别和无线传感技术是识别和传感对象最重要的技术,是整个智能交通建设的基础。智能识别通过智能设备读取物品的唯一条码、二维码或RFID标签。通过读取这些电子标签,读取物品的独特特征和位置信息,然后将这些信息传递给上层系统进行识别和最终决策。在智能交通网络中,每个信息采集点相当于无线传感器中的一个集合节点。负责采集和处理交通环境信息,然后发送到其他节点或汇聚节点;汇聚节点将在融合处理后接收到每个节点的信息,然后转发到下一层。无线传感器网络作为物联网的底层网络,为智能交通提供了更加安全、可靠、灵敏的解决方案。
2).大数据分布式存储技术
在智能交通领域,整个系统处于信息的独立状态,数据之间难以相互传输。因此,通过云计算技术的智能交通系统形成了交通数据管理的智能交通。智能交通云充分利用云计算的海量存储、信息安全、资源统一处理等优势,为交通领域的数据共享和有效管理提供了新的解决方案。
3).数据处理技术
由于智能交通中数据量大,同时又具有数据的多样性和异质性,数据处理往往要求实时、准确。因此,智能交通采用了数据融合、数据挖掘、数据激活、数据可视化等数据处理技术。数据融合技术是一种涉及人工智能、通信、决策等领域的综合数据处理技术。它可以从数据层、特征层和决策层三个层次检测、通信和分析多源信息。数据激活是一种新型的数据组织和处理技术,具有存储、映射、计算等功能。它可以随着对象的变化而独立演化,也可以根据用户的行为来适应自身的数据重组。
4). 图像智能分析的应用技术
由于ITS中含有大量的视频图像和其他数据,因此采用图像智能分析技术对ITS中的视频图像数据进行处理。智能图像分析与处理技术采用智能神经网络技术,通过分层处理将有用的人和物体从视频图像中分离出来。该技术利用计算机强大的数据处理功能,可以对视频图像数据进行快速分析和滤波冗余信息。视频源中关键信息的自动分析和提取将为监控提供有用的信息。例如,基于图像识别技术,通过数据可以识别车牌号码、车辆品牌等。为了搜索图片,我们可以截取车辆特征来搜索车辆。通过分析司机的视频,我们可以判断司机是否累了。
2.3图像识别技术
图像识别是人类的一种基本智能,广泛应用于人们的日常生活中。随着计算机技术和电子技术的飞速发展,计算机可以实时处理图像,高效的图像处理算法和图像识别技术在智能交通系统中占有重要地位。图像识别技术是人工智能的一个研究方向。图像识别技术是基于图像的主要特征。在图像识别过程中,必须对图像进行预处理,去除图像的冗余信息,关键信息(即,提取特征)。然后对训练样本进行分类,得到分类器。然后对识别的图像进行分类识别。具体的图像识别过程如图3所示。
2.3.1图像预处理的先进性
摄像机、扫描仪等采集设备采集的图像输入计算机。为了提高识别率,图像处理是第一步。预处理可以有效地减少图像中没有识别值的信息,消除原始图像中的噪声和冗余信息。一般的预处理步骤包括灰度、二值、去噪、图像分割等。
图像灰度级
由于彩色图像调色板的内容复杂,许多图像处理算法无法处理,因此有必要对彩色图像进行灰度化处理。图像中每个像素的R、G、b分量的灰度值相等。一般来说,图像的灰度是对图像的R、G、b分量进行加权,得到最终的灰度值。常用的方法有平均法、极大值法和加权平均法。平均法计算每个像素R、G、b的平均亮度,取平均亮度作为像素的灰度值,即:
最大规则是用R、G、B三个颜色分量的最大亮度值作为像素的灰度级,即:
加权平均法根据人眼对三种颜色成分的敏感度,将不同的权重赋给R、G、B。每一个像素R、G、B通过三个颜色值加权得到平均值,即:
其中,WR、WG、WB分别代表R、G、B三种颜色的权重。
两个值的灰度图像
这两个值是图像中的像素按照一定的标准被分成两种颜色。一般有自适应阈值和给定阈值的方法。阈值法的基本原理是将图像f(x,y),灰度范围(z1(z2),并选择一个合适的灰度值t z1与z2,tisin;(z1(z2)
其中(x, y)为像素坐标,T为阈值。f(x, y)是由两个值处理的灰度图像。g(x, y)为原始灰度图像。当g(x, y)lt;T时,f(x, y)的值为0,设该点为背景图像点。当g (x, y)ge;T、f (x, y)的值是1,这个点设置为目标像点。阈值化是两个阈值化的关键。当T太大时,会将偶然出现的物体作为背景。如果T太小,就会和噪声混在一起。在自适应阈值法中,采用迭代阈值选择的方法根据所选阈值对图像进行二值化。物体是黑色的,背景是白色的。
图像去噪
图像去噪就是滤波处理。由于图像去噪过程中要保持原图像本身的真实性,所以选择的滤波方法是根据噪声类别来确定的。一般采用中值滤波、自适应中值滤波和均值滤波进行滤波。
图像分割
在图像的研究和应用中,人们经常从应用的图像中分离和提取出特定的、独特的区域。图像分割是将图像分割成不同区域并提取感兴趣的目标的技术和过程。这里的特性可以是灰度、颜色、纹理等等。目前,对于遥感图像、CT图像等复杂图像,传统的图像分割算法分割效果已经无法满足,因此出现了神经网络在图像分割中的应用。目前的图像分割算法一般分为基于像素数据的神经网络算法和基于特征数据的神经网络算法。
2.3.2图像特征提取
图像特征是不同图像的特征。通过图像特征可以区分不同的目标。提取图像特征是从替代匹配图像中找出属于图像本身的特征,完成与模板图像的匹配。特征包括颜色、纹理、形状和空间特征。提取每个特性有不同的方法。例如,颜色矩、颜色直方图和颜色相关图通常用于提取颜色特征。形状特征通常采用统计方法、几何方法和模型方法。2.3.3的影像分类图像分类是将一组指标划分为不同类型的标记的过程。图像分类是模式识别的核心。
2.3.3图像分类
图像分类是将一组指标划分为不同类型的标记的过程。图像分类是模式识别的核心。图像识别和分类应根据具体情况,使用不同的分类器。常用的分类方法是统计方法。它还包括监督分类方法和非监督分类方法。监督分类方法[18]根据预先已知类名的训练样本,计算出特征空间中每个类的分布,然后用它对未知数据进行分类。常用的监督学习算法有回归分析和统计分类。最典型的算法KNN和SVM。无监督分类方法是一种探索性分析。它不依赖于预定义的类或带有类标记的训练实例。它需要聚类学习算法来自动确定分类标记。无监督学习方法可以分为两类:一类是基于概率密度函数估计的直接方法,即在特征空间中寻找分布参数,然后对其进行分类。另一种是简单的聚类方法,称为样本间相似度测度:其原理是试图识别不同类别的核或初始核,然后根据样本与核之间的相似度测度将样本聚类到不同的类别中。聚类结果可用于从数据集中提取隐藏信息,对未来数据进行分类和预测。
2.4基于图像识别的疲劳驾驶检测技术
2.4.1疲劳驾驶检测方法和过程
智能交通的最终目标是利用物联网、云计算、互联网、人工智能、自动控制、移动互联网等技术,为公众出行的顺畅和经济的可持续发展服务。疲劳驾驶已经成为世界范围内交通事故最重要的原因之一,因此实时检测驾驶员在疲劳驾驶状态下,以及在疲劳驾驶情况下,给予有效的预警,对于智能交通的建立有着很大的帮助。从目前的技术来看,疲劳驾驶的检测方法主要分为三类:基于生理指标的检测方法,基于驾驶员行为特征分析的检测方法,基于面部表情识别的检测方法。
2.4.1.1基于生理指标的检测方法基于生理指标的检测方法
基于生理指标的检测方法采用接触测量方法。一
资料编号:[4999]