1、1 1.1eMarketer201620201512.6%21.619.1，2016，20152018能20141 1.1eMarketer201620201512.6%21.619.1，2016，20152018能201452013IT1822；2466.3%60%1，40%2，20%必要的身體檢查。由于 Android。采用 1.2 關于 疲勞識別的研究的方法有基于生理信號的方法5和基于視覺的方法20201.2 關于 疲勞識別的研究的方法有基于生理信號的方法5和基于視覺的方法20201530197081990成果9AdaBoostAdaBoostHough1.31）2）3）1.31）2）3

2、）于 PERCLOS 原理的疲勞判斷算法的 PERCLOS 值的計算方法進行了改進并且對疲1.4 2 AdaBoostHaar2.1 頻，2 AdaBoostHaar2.1 頻，：34基于統計的方法。與模板匹配方法相反，模型（或模板）2.1.1把 臉識別為人臉。圖 2.1.1把 臉識別為人臉。圖 這種方法的理論基礎是在不同和光照條件下人類也可以毫不費力2.1.3 的一個模板16 個區（灰色盒子以及 23 對關（由箭頭表的一個模板16 個區（灰色盒子以及 23 對關（由箭頭表示組成Sinha2.1.4 BoostingRowley1996輸出值在-11是合并重復檢測。1998 年，為了在圖像中檢

3、測出任意角度旋轉的人臉，RowleySVMsOsunaSVMs大多數用于訓練分類器的方法（BayesianRBF）是基于極小化訓SVMs種原理旨在極小化平均錯誤率的上限。SVMs隱HMMHMMBoosting方法。2001P.ViolaBoosting2.2 2.2.1 2.2.2 關值大小判斷候選區域是否存在人眼。CrawSobel過相同的過程以不同的比率重新定位眼睛的位置。HallInan.P.W對它進行了大量的改進和完善。K.SobottkaIPFHPFHPF對它進行了大量的改進和完善。K.SobottkaIPFHPFHPFGaborGaborBoostingPan一個整體研究。Wang

4、Adaboost需要大量的樣本進行訓練，而且訓練過程比較耗時。AdaBoostHaar2.3AdaBoostAdaBoostBoostingFreundSchapire會用于訓練之后的一個分類器。AdaBoost 算法對噪聲數據很敏感。而且對異常數據也很敏感。AdaBoost 算法采用的分類器有可能比較弱（率小于 0.5AdaBoostAdaBoosti他們的類型標示。用Wk(i)ki1）初始化原始樣本 S 的數據。如，樣本集的特征點和類型標示組成的 S =X1,YXYkWn1nk=以HaarAdaBoost2.4.1WH4545以HaarAdaBoost2.4.1WH45451wi重，N，r

5、i，Nri1) 只考慮兩個矩形的像素和（如，N=2，矩形特征分為黑白兩種2)w0和w1表示r0和r114214形是包括黑和白色矩形，第二個矩形就是黑色矩形。假設線特征的第一個圖 的左上坐標為(5,3)，6，2，2.4.2xy514haar2.5 本文采用514haar2.5 本文采用 boosting 作為基礎分類器，Boosting 是一個很強大的學習理念。感的樣本（本文指的是人臉和人眼142.6 2.6.1 通過前面介紹的 AdaBoosting 算法和 Haar 特征值來實現人臉檢測。為了展示該方法在人臉檢測的準確性，本文基于 Android 的 Opencv 開源庫實現了人臉 后分別對

6、左右區域2.6.2 后分別對左右區域使用 AdaBoosting 和 Haar 算法來進行人眼位置的檢測。由于2.102.7 Haar3 邊緣的噪點（如鬢發，眼睛框等3.1 （和比例等3 邊緣的噪點（如鬢發，眼睛框等3.1 （和比例等3.1.1 模型模板。Wu開，相關性較低時表示眼睛為閉合狀態。IoanaBacivarov3-13.1.2 基于外觀的人眼狀態識別是通過機器學習方法用大量的人眼樣本來訓練分類器，然后通過分類器來判別眼睛的狀態。比如，WangGaborFasel3.1.2 基于外觀的人眼狀態識別是通過機器學習方法用大量的人眼樣本來訓練分類器，然后通過分類器來判別眼睛的狀態。比如，W

7、angGaborFaselAdaboostSenaratneSVM了很廣泛的使用。這種方法的基本流程是先提取多種特征（如 LBP、Gabor 小波等）來描述目標圖像的形狀和紋路信息等，然后由先進的機器學習算法（如Adaboost、SVM）3.1.3 緣）來對眼睛狀態進行判斷的。比如，Liying 等人通過皮膚顏色來區分眼睛的Hough基于上眼瞼曲率的方法的特征依據是人眼在開閉時上眼瞼的曲率有較大的3-23-3、3-4（3-33-4斷3.2 3.2.1 3.2 3.2.1 3-53.2.2 3-6量人眼灰度圖像分析，發現圖像中虹膜區域占整個人眼圖像比例在 12%-20%之15%XX表示的含義為虹

8、膜區域的像素的亮度都比X量人眼灰度圖像分析，發現圖像中虹膜區域占整個人眼圖像比例在 12%-20%之15%XX表示的含義為虹膜區域的像素的亮度都比XXX3-63-7X3.2.3 3-83-9，廓的貼邊坐標數C，當 C 大于閾值 S 時則判斷該區域為貼邊區域并刪除，去除貼3-10H，寬度為W，那么閾值S3-103-113-12AC3.2.43-103-113-12AC3.2.4 本文是通過判斷上眼瞼的曲率是否大于閾值Kt此需要先確定閾值Kt0.1然后得到一個效果最好的閾值KtCEW5003-13方法計算上眼瞼曲率，并分別統計開閉眼在 0.23- 3-153-163.4 3-153-163.4 4

9、 4.1PERCLOSPERCLOS（Percentage of Eyelid Closure Over the Pupil Time）是指一段時間內眼睛閉合時間占總時間的百分比。大量實驗和實踐數據表明，基于4 4.1PERCLOSPERCLOS（Percentage of Eyelid Closure Over the Pupil Time）是指一段時間內眼睛閉合時間占總時間的百分比。大量實驗和實踐數據表明，基于 目前，PERCLOS根據目前大量的研究和測試表明，人眼每分鐘正常的眨眼次數大概是 10-154、50.2可以通過比較用戶時間內眨眼的次數是否小于閾值來判斷用3) 基于 AECSAE

10、CS(Average Eye Closure Speed)是指平均眼睛閉合速度，也就是用戶眨AECS0.20.2經過大量的實驗和實踐表明，PERCLOSPERCLOS 4.2PERCLOSPERCLOS（Percentage of Eyelid Closure Over thePERCLOS 4.2PERCLOSPERCLOS（Percentage of Eyelid Closure Over the Pupil Time）段時間內眼睛閉合時間占總時間的百分比。1999 年由了PERCLOS和其他基于眼部特征的方法對于疲勞駕駛的測試。經過研究為PERCLOS對于非接觸的，實時性的疲勞判定來說，

11、是很好的判斷原理。70%為閉眼的時間占測試總時間的百分比。P8080%為閉眼的時間占測試總時間的百分比。EYEMEAS50%行比較，發現 P80 標準獲得的疲勞程度與實際的疲勞程度最接近。其他的實驗和實踐也表示 P80 標準與疲勞程度的相關性最4-1 顯示了 P80 標準與疲勞程PERCLOS0.350.35作為PERCLOS的閾值，那么接下來介紹PERCLOS值的求解公式4-2。由 PERCLOS 原理示意圖描述了眼睛從開到閉再到開過程中各階段花費的時80%4.3PERCLOSPERCLOSPERCLOSPERCLOSPERCLOS第一次閉眼的時間，t3t4303030PERCLOSPERC

12、LOS第一次閉眼的時間，t3t4303030PERCLOSPERCLOSPERCLOS4-3PERCLOS4.4PERCLOS4-34.5 法基于 PERCLOS、基于眨眼頻率和基于 AECS 原理。然后介紹了 PERCLOS 的原理5 在 AdaBoost1AndroidService5AndroidContentProvideAndroid5.15 在 AdaBoost1AndroidService5AndroidContentProvideAndroid5.1 5-15.25)5.2 本文采用Android作為開5)5.2 本文采用Android作為開數AndroidAndroidSer

13、viceAndroidContentAndroid。5.2.1 判斷。根據目前大量的研究和測試表明，人眼每分鐘正常的眨眼次數大概是 10-154、5303030PERCLOSPERCLOS因為在系統后期要使用疲勞數據，所以FatigueDatapublic class FatigueData 定義了疲勞數據的數據結構private Date spublic tigue() return public void tigue(Date tigue) tigue = return public void tigue) tigue = spublic tigue() return public voi

14、d tigue(Date tigue) tigue = return public void tigue) tigue = 疲勞數據的數據結構中的疲勞數據獲取時間主要是為了標示該數據的有效JavaDateJava5.2.2 AndroidServiceServiceServiceServiceServiceService5-3mand105-45.2.3 本FatigueDatapublicclassFatigueDatasOpenHelperOpenHelperprivates privates privates private5.2.3 本FatigueDatapublicclassFat

15、igueDatasOpenHelperOpenHelperprivates privates privates privates privates privateic = icfinalStringUS= CREATETABLE+FATIGUE_TABLE_NAME+(+ KEY_FATIGUE_DATE + DATETIME, +US+ DictionaryOpenHelper(Contextcontext)public void Databasedb)由于系統需要經常添加疲勞數據進去，所以在 FatigueDatasOpenHelper 類中需要 Insert(FatigueData da

16、ta)函數，它可以直接添加 FatigueData 類型的publicvoidInsert(FatigueDatadata) Database db = getWritableDatabase(); Query(Date start, Date end)。publicCursorquery(Datestart,Dateend)Database db = getWritableDatabase(); Query(Date start, Date end)。publicCursorquery(Datestart,Dateend)Database db = getWritableDatabase()

17、; newtigue?ANDnewStringstart.toString(),end.toString(), null, null, null);returnQuery5.2.4 23772375-5105間長度作為疲勞考慮因子。假設23105間長度作為疲勞考慮因子。假設23點到77點到1212點到14點和14點到 23 點五個時間段的疲勞時長分別為t1，t2，t3 和t4，設一天的疲勞值為P，那么P5-635-75.2.5 為了是用戶的疲勞數據能夠在 得到共享，本文通過 。5.3 6 6. 1 PERCLOS6 6. 1 PERCLOSPERCLOSPERCLOS6.2AdaBoostHaar應場景上面有很好的表現考慮到這種算法對于人眼虹膜占人眼圖像6.2AdaBoostHaar應場景上面有很好的表現考慮到這種算法對于人眼虹膜占人眼圖像是確1：互聯網天地，2013.2012-2013（2）-志，2005：互聯網絡天地，2013：1：互聯網天地，2013.201