CN107392153A - 人体疲劳度判定方法 - Google Patents
人体疲劳度判定方法 Download PDFInfo
- Publication number
- CN107392153A CN107392153A CN201710607783.3A CN201710607783A CN107392153A CN 107392153 A CN107392153 A CN 107392153A CN 201710607783 A CN201710607783 A CN 201710607783A CN 107392153 A CN107392153 A CN 107392153A
- Authority
- CN
- China
- Prior art keywords
- fatigue
- eye
- judgment
- time
- head
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims abstract description 10
- 206010016256 fatigue Diseases 0.000 claims description 80
- 230000003595 spectral effect Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 7
- 230000004886 head movement Effects 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 5
- 230000004399 eye closure Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 206010062519 Poor quality sleep Diseases 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000004424 eye movement Effects 0.000 claims description 3
- 230000003867 tiredness Effects 0.000 claims description 3
- 208000016255 tiredness Diseases 0.000 claims description 3
- 210000003128 head Anatomy 0.000 description 23
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 206010041349 Somnolence Diseases 0.000 description 1
- 230000037007 arousal Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/19—Sensors therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/262—Analysis of motion using transform domain methods, e.g. Fourier domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/197—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Ophthalmology & Optometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开一种人体疲劳度判定方法，其包括以下步骤：基于眼部穿戴，采集人的实时全眼图像并进行图像处理，获得眼部特征参数；采集至少包括头部三维运动的频谱特征；采用贝叶斯网络分类器和线性分类器按约定频率切换的判定模式，对所述眼部特征参数和所述频谱特征数据进行疲劳分类判定；按约定判定方法输出至少包括清醒、轻度疲劳、疲倦的判定结果。本发明采用基于贝叶斯网络分类器和线性分类器的双判定切换方法，降低算法复杂度，判定准确度高。
Description
技术领域
本发明涉及疲劳判定技术领域，更具体地说，本发明涉及一种人体疲劳度判定方法。
背景技术
觉醒度(Vigilance)是指人集中精力执行一项操作任务时所表现出的灵敏程度，包括对疲劳和瞌睡状态的度量。许多人机交互系统需要操作人员保持一定的警觉度，例如，空中管制中心的管制员、军事作战指挥部指战员、飞行员、高速公路上的长途客车驾驶员，都需要保持较高的警觉度，并且需要对觉醒度有一定反馈供监控与管理。
在复杂应用环境下，不能及时、正确地侦测到人员的疲劳状态，或者错误检测，都会给正在进行危险作业的人员带来不可预知的后果。因此，如何快速准确的识别人员的疲劳状态并转换为相应的觉醒度等级，是疲劳监测的一个重要问题，关系到相应的疲劳检测设备或方法能否被真正使用到生产实践当中，尤其在复杂作业环境中，可靠，稳定，快速的获取人员的状态，并给予相应的刺激信号，提高人员觉醒度，提高作业能力，防止误操作及危险操作的发生。
现有技术中，多采用面部识别方法，然后定位眼部，提取眼部特征，算法复杂度高，不能快速、精确地进行疲劳及其分类判定。
发明内容
针对上述技术中存在的不足之处，本发明提供一种人体疲劳度判定方法，采用基于贝叶斯网络分类器和线性分类器的双判定切换方法，降低算法复杂度，判定准确度高。
为了实现根据本发明的这些目的和其它优点，本发明通过以下技术方案实现：
本发明提供一种人体疲劳度判定方法，其包括以下步骤：
基于眼部穿戴，采集人的实时全眼图像并进行图像处理，获得眼部特征参数；
采集至少包括头部三维运动的频谱特征；
采用贝叶斯网络分类器和线性分类器按约定频率切换的判定模式，对所述眼部特征参数和所述频谱特征数据进行疲劳分类判定；
按约定判定方法输出至少包括清醒、轻度疲劳、疲倦的判定结果。
优选的是，采集人的实时全眼图像，包括步骤：
在红外照明下，采用红外微距摄像头采集人的实时全眼图像。
优选的是，对实时全眼图像进行图像处理，获得眼部特征参数，包括以下步骤：
对所述实时全眼图像进行灰度统计；
提取特征灰度值，并以该值为参考点，对所述实时全眼图像进行二值化；
采用基于图像灰度积分算法对二值化的全眼图像进行积分处理和线性分析，获得眼部特征值；
基于所述眼部特征值，绘制眼部运动曲线，提取所述眼部特征参数。
优选的是，采集至少包括头部三维运动的频谱特征，包括以下步骤：
采集头部在各个运动方向的速度、加速度以及时间，绘制头部在三维空间的运动曲线；
基于头部在三维空间的运动曲线，对头部运动轨迹做傅里叶变换，提取头部运动的频率信息，
基于所述头部运动的频率信息，提取头部在三个方向上分别处于清醒、轻度疲劳以及疲倦状态下频谱特征。
优选的是，贝叶斯网络分类器和线性分类器按约定频率切换的判定方法，包括以下步骤：
约定第一时间段，在所述第一时间段内，采用贝叶斯网络分类器对所述眼部特征参数和所述频谱特征数据进行疲劳分类判定；
所述第一时间段结束，切换为采用贝叶斯网络分类器和线性分类器对同一组数据共同进行判定，获得各自判定结果保存并进行加权平均以获得疲劳分类判定结果。
优选的是，共同判定并获得疲劳分类判定结果后，还包括步骤：
统计保存的各自判定结果数量，达到设定的阈值，对贝叶斯网络分类器和线性分类器的疲劳分类判定结果进行回归修正。
优选的是，所述回归修正包括：
若疲劳分类判定结果趋于发散，则将约定频率切换模式切换回线性分类器判定模式，对贝叶斯网络分类器进行修正；
若疲劳分类判定结果趋于收敛，则将约定频率切换模式切换至贝叶斯网络分类器判定模式，对线性分类器进行修正。
优选的是，所述设定的阈值，包括线性分类器和贝叶斯网络分类器的判定结果相同达到10次。
优选的是，按约定判定方法输出判定结果，包括以下步骤：
每5分钟输出一次疲劳分类判定结果；
若15分钟以内的疲劳分类判定结果均为清醒时，则切换至10分钟进行一次疲劳度分类判定和输出；
若15分钟以内的疲劳分类判定结果为轻度疲劳时，判定时间切换为1分钟进行一次疲劳分类判定和输出。
优选的是，所述眼部特征参数至少包括：眼睛闭合度、单位时间内眨眼次数、最长闭眼时间、达到指定眨眼次数所需的总时间、统计时间内闭眼最大时间和睁眼最大时间以及闭眼时间与睁眼时间的比值。
本发明至少包括以下有益效果：
本发明提供的人体疲劳度判定方法，通过同时对眼部特征参数和头部三维运动的频谱特征，采用贝叶斯网络分类器和线性分类器按约定频率切换地判断疲劳及其分类的判定，实现多参数、双判定方式，算法简单，精确度高。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明所述的人体疲劳度判定方法的示意图；
图2为本发明所述的人体疲劳度判定方法的流程图；
图3为本发明所述的对实时全眼图像进行图像处理的流程图；
图4为本发明所述的采集至少包括头部三维运动的频谱特征的流程图；
图5为本发明所述的贝叶斯网络分类器和线性分类器按约定频率切换的流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
如图1和图2所示，本发明提供一种人体疲劳度判定方法，其包括以下步骤：
S10，基于眼部穿戴，采集人的实时全眼图像并进行图像处理，获得眼部特征参数；
S20，采集至少包括头部三维运动的频谱特征；
S30，采用贝叶斯网络分类器和线性分类器按约定频率切换的判定模式，对眼部特征参数和频谱特征数据进行疲劳分类判定；
S40，按约定判定方法输出至少包括清醒、轻度疲劳、疲倦的判定结果。
上述实施方式中，眼部特征参数可以根据用户的需求进行设定，但是为了保证疲劳判定的准确度，眼部特征参数至少包括：眼睛闭合度、单位时间内眨眼次数、最长闭眼时间、达到指定眨眼次数所需的总时间、统计时间内闭眼最大时间和睁眼最大时间以及闭眼时间与睁眼时间的比值。人在疲倦情况下，头部动作也是疲劳是否以及疲劳程度的一个重要判定依据，因此，在采集眼部特征参数的同时，还设定根据人在清醒、轻度疲劳、疲倦等状态下头部的三维运动频率谱特征来辅助判定人是否疲劳以及疲劳的程度。基于上述采集的眼部特征参数和头部三维运动的频谱特征，进一步采用贝叶斯网络分类器和线性分类器按约定频率切换地判断疲劳及其分类的判定，相对于单一的疲劳判定算法，本发明的判定算法切换，有利于提高判定精确度。因此，相对于现有技术的单参数、单一算法进行疲劳及其分类判定，本发明实现多参数、双判定切换方式，精确度高。
作为上述实施方式的优选，步骤S10中，采集人的实时全眼图像，包括步骤：S11，在红外照明下，采用红外微距摄像头采集人的实时全眼图像。
该实施方式中，基于红外照明下采用红外微距摄像头，可使采集的全眼图像中眼部轮廓特征更加明显，有利于直接、清晰地采集全眼图像。作为进一步优选，红外照明的波长为850nm。
作为上述实施方式的优选，步骤S10中，对实时全眼图像进行图像处理，获得眼部特征参数，如图3所示，包括以下步骤：
S12，对实时全眼图像进行灰度统计；
S13，提取特征灰度值，并以该值为参考点，对所述实时全眼图像进行二值化；
S14，采用基于图像灰度积分算法对二值化的全眼图像进行积分处理和线性分析，获得眼部特征值；
S15，基于眼部特征值，绘制眼部运动曲线，提取眼部特征参数。
该实施方式中，采用基于图像灰度积分算法对二值化的全眼图像进行积分处理，降低了算法复杂度、提高计算效率的同时，有利于提高眼部特征提取的准确度。
作为上述实施方式的优选，步骤S20中，采集至少包括头部三维运动的频谱特征，如图4所示，包括以下步骤：
S21，采集头部在各个运动方向的速度、加速度以及时间，绘制头部在三维空间的运动曲线；
S22，基于头部在三维空间的运动曲线，对头部运动轨迹做傅里叶变换，提取头部运动的频率信息；
S23，基于头部运动的频率信息，提取头部在三个方向上分别处于清醒、轻度疲劳以及疲倦状态下频谱特征。
该实施方式中，采集头部在各个运动方向的速度、加速度，可以通过穿戴于眼部的装置上安装集成有三轴加速度和三轴陀螺仪的传感器来实现，传感器同时设置计时器，进行计时。采集头部在各个运动方向的速度、加速度以及时间，精确绘制头部在三维空间的运动曲线，在对运动曲线上头部运动轨迹做傅里叶变换，即可获得精确地头部运动的频率信息。需要说明的是，基于头部运动的频率信息提取的频率特征，至少包括头部运动过程中在三个方向频谱上的特征谱线或特征频谱趋势特征。
作为上述实施方式的优选，步骤S30中，贝叶斯网络分类器和线性分类器按约定频率切换的判定方法，如图5所示，包括以下步骤：
S31，约定第一时间段，在第一时间段内，采用贝叶斯网络分类器对眼部特征参数和频谱特征数据进行疲劳分类判定；
S32，第一时间段结束，切换为采用贝叶斯网络分类器和线性分类器对同一组数据共同进行判定，获得各自判定结果保存并进行加权平均以获得疲劳分类判定结果。
该实施方式中，相对于单一的算法判定疲劳，贝叶斯网络分类器与线性分类器按约定频率切换的判定模式，有利于针对不同的个体提供更好的适应性和更高的准确度。
作为上述实施方式的优选，步骤S32中共同判定并获得疲劳分类判定结果后，如图5所示，还包括步骤：
S33，统计保存的各自判定结果数量，达到设定的阈值，对贝叶斯网络分类器和线性分类器的疲劳分类判定结果进行回归修正。
该实施方式中，回归修正是为了进一步满足不同的适应性和精确度要求。作为优选，回归修正包括：若疲劳分类判定结果趋于发散，则将约定频率切换模式切换回线性分类器判定模式，对贝叶斯网络分类器进行修正；若疲劳分类判定结果趋于收敛，则将约定频率切换模式切换至贝叶斯网络分类器判定模式，对线性分类器进行修正。设定的阈值，可根据实际的判定精确度要求来确定，本发明优选为线性分类器和贝叶斯网络分类器的判定结果相同达到10次。
作为上述实施方式的优选，步骤S40中，按约定判定方法输出判定结果，包括以下步骤：
S41，每5分钟输出一次疲劳分类判定结果；
S42，若15分钟以内的疲劳分类判定结果均为清醒时，则切换至10分钟进行一次疲劳度分类判定和输出；
S43，若15分钟以内的疲劳分类判定结果为轻度疲劳时，判定时间切换为1分钟进行一次疲劳分类判定和输出。
该实施方式中，相对于现有技术的单一频率输出判定结果，本发明提供按照约定频率输出判定结果，约定频率与疲劳的程度分类或觉醒度分类有关：清醒时，疲劳分类判定输出频率降低，轻度疲劳时，疲劳分类判定输出频率升高，有利于保证疲劳分类判定结果输出对人安全不影响的情况下，降低输出频率，降低功耗。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
Claims (10)
1.一种人体疲劳度判定方法，其特征在于，其包括以下步骤：
基于眼部穿戴，采集人的实时全眼图像并进行图像处理，获得眼部特征参数；
采集至少包括头部三维运动的频谱特征；
采用贝叶斯网络分类器和线性分类器按约定频率切换的判定模式，对所述眼部特征参数和所述频谱特征数据进行疲劳分类判定；
按约定判定方法输出至少包括清醒、轻度疲劳、疲倦的判定结果。
2.如权利要求1所述的人体疲劳度判定方法，其特征在于，采集人的实时全眼图像，包括步骤：
在红外照明下，采用红外微距摄像头采集人的实时全眼图像。
3.如权利要求1所述的人体疲劳度判定方法，其特征在于，对实时全眼图像进行图像处理，获得眼部特征参数，包括以下步骤：
对所述实时全眼图像进行灰度统计；
提取特征灰度值，并以该值为参考点，对所述实时全眼图像进行二值化；
采用基于图像灰度积分算法对二值化的全眼图像进行积分处理和线性分析，获得眼部特征值；
基于所述眼部特征值，绘制眼部运动曲线，提取所述眼部特征参数。
4.如权利要求1所述的人体疲劳度判定方法，其特征在于，采集至少包括头部三维运动的频谱特征，包括以下步骤：
采集头部在各个运动方向的速度、加速度以及时间，绘制头部在三维空间的运动曲线；
基于头部在三维空间的运动曲线，对头部运动轨迹做傅里叶变换，提取头部运动的频率信息，
基于所述头部运动的频率信息，提取头部在三个方向上分别处于清醒、轻度疲劳以及疲倦状态下频谱特征。
5.如权利要求1所述的人体疲劳度判定方法，其特征在于，贝叶斯网络分类器和线性分类器按约定频率切换的判定方法，包括以下步骤：
约定第一时间段，在所述第一时间段内，采用贝叶斯网络分类器对所述眼部特征参数和所述频谱特征数据进行疲劳分类判定；
所述第一时间段结束，切换为采用贝叶斯网络分类器和线性分类器对同一组数据共同进行判定，获得各自判定结果保存并进行加权平均以获得疲劳分类判定结果。
6.如权利要求5所述的人体疲劳度判定方法，其特征在于，共同判定并获得疲劳分类判定结果后，还包括步骤：
统计保存的各自判定结果数量，达到设定的阈值，对贝叶斯网络分类器和线性分类器的疲劳分类判定结果进行回归修正。
7.如权利要求5所述的人体疲劳度判定方法，其特征在于，所述回归修正包括：
若疲劳分类判定结果趋于发散，则将约定频率切换模式切换回线性分类器判定模式，对贝叶斯网络分类器进行修正；
若疲劳分类判定结果趋于收敛，则将约定频率切换模式切换至贝叶斯网络分类器判定模式，对线性分类器进行修正。
8.如权利要求6所述的人体疲劳度判定方法，其特征在于，所述设定的阈值，包括线性分类器和贝叶斯网络分类器的判定结果相同达到10次。
9.如权利要求1所述的人体疲劳度判定方法，其特征在于，按约定判定方法输出判定结果，包括以下步骤：
每5分钟输出一次疲劳分类判定结果；
若15分钟以内的疲劳分类判定结果均为清醒时，则切换至10分钟进行一次疲劳度分类判定和输出；
若15分钟以内的疲劳分类判定结果为轻度疲劳时，判定时间切换为1分钟进行一次疲劳分类判定和输出。
10.如权利要求1-9中任一项所述的人体疲劳度判定方法，其特征在于，
所述眼部特征参数至少包括：眼睛闭合度、单位时间内眨眼次数、最长闭眼时间、达到指定眨眼次数所需的总时间、统计时间内闭眼最大时间和睁眼最大时间以及闭眼时间与睁眼时间的比值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710607783.3A CN107392153B (zh) | 2017-07-24 | 2017-07-24 | 人体疲劳度判定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710607783.3A CN107392153B (zh) | 2017-07-24 | 2017-07-24 | 人体疲劳度判定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107392153A true CN107392153A (zh) | 2017-11-24 |
| CN107392153B CN107392153B (zh) | 2020-09-29 |
Family
ID=60336688
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710607783.3A Active CN107392153B (zh) | 2017-07-24 | 2017-07-24 | 人体疲劳度判定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107392153B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109445393A (zh) * | 2018-11-14 | 2019-03-08 | 重庆工业职业技术学院 | 基于移动终端定位的光感测自动照明系统 |
| CN109717830A (zh) * | 2019-01-22 | 2019-05-07 | 中国科学院苏州生物医学工程技术研究所 | 基于眼动及头动参数监测的疲劳检测及促醒系统 |
| CN110063734A (zh) * | 2019-03-22 | 2019-07-30 | 中国人民解放军空军特色医学中心 | 疲劳检测方法、装置、系统及疲劳检测头盔 |
| CN112041910A (zh) * | 2018-03-30 | 2020-12-04 | 索尼半导体解决方案公司 | 信息处理装置、移动设备、方法和程序 |
| TWI745812B (zh) * | 2019-12-25 | 2021-11-11 | 財團法人工業技術研究院 | 智慧即時運動疲勞偵測系統及方法、及智慧即時運動疲勞偵測裝置 |
| CN116484614A (zh) * | 2023-04-24 | 2023-07-25 | 中国民航大学 | 一种飞行员疲劳系数计算方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101090482A (zh) * | 2006-06-13 | 2007-12-19 | 唐琎 | 一种基于图象处理和信息融合技术的驾驶员疲劳监测系统及方法 |
| CN101833770A (zh) * | 2010-05-17 | 2010-09-15 | 西南交通大学 | 基于光线感应的驾驶员眼动特征切换检测与跟踪方法 |
| JP2012137639A (ja) * | 2010-12-27 | 2012-07-19 | Brother Ind Ltd | ヘッドマウントディスプレイ、制御プログラム、及び制御方法 |
| CN103748599A (zh) * | 2011-05-20 | 2014-04-23 | 爱福露恩斯公司 | 用于测量头部、眼睛、眼睑和瞳孔的反应的系统和方法 |
| US20140270483A1 (en) * | 2013-03-15 | 2014-09-18 | Disney Enterprises, Inc. | Methods and systems for measuring group behavior |
| CN106530623A (zh) * | 2016-12-30 | 2017-03-22 | 南京理工大学 | 一种疲劳驾驶检测装置及检测方法 |
| CN106558191A (zh) * | 2016-12-16 | 2017-04-05 | 天津牧瞳星科技有限公司 | 一种疲劳驾驶预警眼镜 |
-
2017
- 2017-07-24 CN CN201710607783.3A patent/CN107392153B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101090482A (zh) * | 2006-06-13 | 2007-12-19 | 唐琎 | 一种基于图象处理和信息融合技术的驾驶员疲劳监测系统及方法 |
| CN101833770A (zh) * | 2010-05-17 | 2010-09-15 | 西南交通大学 | 基于光线感应的驾驶员眼动特征切换检测与跟踪方法 |
| JP2012137639A (ja) * | 2010-12-27 | 2012-07-19 | Brother Ind Ltd | ヘッドマウントディスプレイ、制御プログラム、及び制御方法 |
| CN103748599A (zh) * | 2011-05-20 | 2014-04-23 | 爱福露恩斯公司 | 用于测量头部、眼睛、眼睑和瞳孔的反应的系统和方法 |
| US20140270483A1 (en) * | 2013-03-15 | 2014-09-18 | Disney Enterprises, Inc. | Methods and systems for measuring group behavior |
| CN106558191A (zh) * | 2016-12-16 | 2017-04-05 | 天津牧瞳星科技有限公司 | 一种疲劳驾驶预警眼镜 |
| CN106530623A (zh) * | 2016-12-30 | 2017-03-22 | 南京理工大学 | 一种疲劳驾驶检测装置及检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 冯建强等: "基于灰度积分投影的人眼定位", 《计算机仿真》 * |
| 周凌霄: "多源生理信号融合的驾驶疲劳检测预警系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112041910A (zh) * | 2018-03-30 | 2020-12-04 | 索尼半导体解决方案公司 | 信息处理装置、移动设备、方法和程序 |
| CN112041910B (zh) * | 2018-03-30 | 2023-08-18 | 索尼半导体解决方案公司 | 信息处理装置、移动设备、方法和程序 |
| CN109445393A (zh) * | 2018-11-14 | 2019-03-08 | 重庆工业职业技术学院 | 基于移动终端定位的光感测自动照明系统 |
| CN109717830A (zh) * | 2019-01-22 | 2019-05-07 | 中国科学院苏州生物医学工程技术研究所 | 基于眼动及头动参数监测的疲劳检测及促醒系统 |
| CN110063734A (zh) * | 2019-03-22 | 2019-07-30 | 中国人民解放军空军特色医学中心 | 疲劳检测方法、装置、系统及疲劳检测头盔 |
| TWI745812B (zh) * | 2019-12-25 | 2021-11-11 | 財團法人工業技術研究院 | 智慧即時運動疲勞偵測系統及方法、及智慧即時運動疲勞偵測裝置 |
| CN116484614A (zh) * | 2023-04-24 | 2023-07-25 | 中国民航大学 | 一种飞行员疲劳系数计算方法及系统 |
| CN116484614B (zh) * | 2023-04-24 | 2024-04-12 | 中国民航大学 | 一种飞行员疲劳系数计算方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107392153B (zh) | 2020-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107392153B (zh) | 人体疲劳度判定方法 | |
| Chirra et al. | Deep CNN: A Machine Learning Approach for Driver Drowsiness Detection Based on Eye State. | |
| CN105788176B (zh) | 疲劳驾驶监测提醒方法及系统 | |
| Ji et al. | Fatigue state detection based on multi-index fusion and state recognition network | |
| CN105354985B (zh) | 疲劳驾驶监控装置及方法 | |
| CN104068868A (zh) | 一种基于机器视觉的驾驶人疲劳监测方法及装置 | |
| CN104240446A (zh) | 基于人脸识别的疲劳驾驶预警系统 | |
| CN105117681B (zh) | 基于安卓的多特征疲劳实时检测方法 | |
| CN104361716A (zh) | 实时检测疲劳并提醒的方法 | |
| CN106128032A (zh) | 一种疲劳状态监测及预警方法及其系统 | |
| CN104809445A (zh) | 基于眼部和嘴部状态的疲劳驾驶检测方法 | |
| CN104637246A (zh) | 一种驾驶员多种行为预警系统及危险评估方法 | |
| Jia et al. | Fatigue driving detection based on deep learning and multi-index fusion | |
| CN106919913A (zh) | 基于计算机视觉的疲劳驾驶检测方法及装置 | |
| CN103617421A (zh) | 基于综合视频特征分析的疲劳检测方法及系统 | |
| CN110063736B (zh) | 基于MOD-Net网络的眼动参数监测的疲劳检测及促醒系统 | |
| Li et al. | Real-time detection of fatigue driving based on face recognition | |
| CN117523537A (zh) | 一种车辆驾驶危险程度动态判断方法 | |
| Chen | Research on driver fatigue detection strategy based on human eye state | |
| Yin et al. | A driver fatigue detection method based on multi-sensor signals | |
| CN114202752A (zh) | 一种驾驶员疲劳检测方法及系统 | |
| Bin et al. | A fatigue driving detection method based on multi facial features fusion | |
| Murukesh et al. | Drowsiness detection for drivers using computer vision | |
| Liu et al. | Design and implementation of multimodal fatigue detection system combining eye and yawn information | |
| CN106384096A (zh) | 一种基于眨眼检测的疲劳驾驶监测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |