船员疲劳程度的定量监测方法研究开题报告

 2021-12-12 18:43:40

1. 研究目的与意义(文献综述)

研究目的

近年来航行事故频频发生,然而真正的不可抗力因素较少,其中人为因素中疲劳是一个重

要的因素。因此解决疲劳是一个大问题。解决这个问题就可以大幅度减少航行事故的发生。 通过对驾驶

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

2. 研究的基本内容与方案

研究内容
本文研究方向在于,如何进行视频追踪,利用什么样的算法来提高视频追踪的精度,以及如
何通过视频追踪来判定一个人处于疲劳状态,通过眼部,脸部以及位置动作等等因素进行分析,判断一个
人是否处于疲劳。例如疲劳的人脸部是如何正常人脸部信息如何进行对比,尤其是正常情况眼部信息以及
疲劳时候眼部进行分析。
研究目标
通过提高视频追踪精度来收集驾驶员信息,然后构建相关信息库对驾驶员信息进行储存,最后
对大量信息进行分析得出驾驶员疲劳程度。通过这种方式减少疲劳驾驶这种现象的发生,来减少海上航
行的风险。
研究方案
如何提高视频追踪精度,拟采用视屏目标运动检测跟踪方法。这个方法有三种类型,包括
侦间差分法【11】和 Mean Shift 法【12】以及背景差分法【13】。背景差分法可以快速而且准确的的检
测运动,但是受到环境影响比较大,且受到摄像机运动影响。船舶由于波浪原因很难静止因此不
太适合海上航行的使用。帧间差分法虽然连续性不够但是受到环境影响比较小且实时性比较好,通
常海上航行不需要那么高的连续性, 这种方法目前比较适合海上航行的使用。MeanShift 不用依
赖操作人员,自动追踪,但是结果不够准确, 有待 技术成熟。目前难以应用于驾驶台。
如何判定疲劳【14-20】,通过构建人脸相关的数据库通过对模型的疲劳信息进行分析然后通过
算法获取数据采用基于 AdaBoost 的人脸检测算法【14-15】为核心,对驾驶员的脸部特征尤其是眼
部为关键点【16】采用PERCLOS 准则【17】及其眼部变化曲线法【18-20】相结合,加之光照补偿的方法进
行疲劳判定。在疲劳时候人的脸部尤其是眼部会和清醒状态不同。

3. 研究计划与安排

第一阶段:2020.3.7—3.16,查阅大量文献资料,确定论文题目;第二阶段:2020.3.16—3.30,根据论文题目进行调研,按照指导教师所下的具体要求,积极做好论文前期准备工作;第三阶段:2020.3.31—4.15,完成选题报告。

通过选题报告,对论文的框架和内容有一个大体的构思,并在指导老师的帮助下,整理相关资料、补学空白知识点,做好撰写论文的前期准备工作;第四阶段:2009.4.16—4.30,在导师的指导下,进一步分析整理资料,完成论文初稿。

在实际工作中验证相关论点,以完善论文的实际可操作性,并希望论文的方法和观点能在实际工作中得到应用和升华;第五阶段:2020.5.1—6.7,与导师进行讨论,总结充实研究内容,并根据论点在实际工作中的应用对论文进一步修改;第六阶段:2020.6.8—6.14,论文评审。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

4. 参考文献(12篇以上)

1.
楼于海. 智能人体运动探测在驾驶台航行值班报警系统(Bnwas)中的应用[J]. 航海(04):66-68.
2.
楼于海, 马天一. 智能人体运动探测在驾驶台航行值班报警系统中的应用%Intelligent human motion
detection application in BNWAS[J]. 世界海运, 2011, 034(010):19-21.
3.
陈奎英, 李天威, 徐刚. 解析船舶安全航行的桥楼航行值班报警系统[J]. 船舶(03):69-73.
4.
柳邦声. 驾驶台航行值班报警系统(BNWAS)的组成与安装[J]. 航海技术, 2010(3):41-43.
5.
高正龙, 邓鸣沙. 桥楼航行值班报警系统:, CN203311606U[P].
6.
孙向晖. 船舶桥楼值班报警系统(BNWAS)中检测系统的实现[J]. 企业技术开发(17):26-27,59.
7.
李晓奎. 桥楼航行值班报警系统的实例研究[J]. 科技风(5):38 40.
8.
周锋, 吴华锋, 孙志宽. 一种新型船舶驾驶台值班防疲劳监控系统设计[J]. 船海工程(2).
9.
廖斌. 典型视频目标跟踪方法实现与分析[J]. 软件导刊, 000(1):136-138.
10.
王苹, 张磊, 吴泽民, et al. 视频目标跟踪典型算法比较与分析%Comparison and Analysis of State-of-the-art Visual
Object Tracking Algorithms[J]. 电视技术, 039(023):79-84.
11.
林雯. 新型基于帧间差分法的运动人脸检测算法研究[J]. 计算机仿真, 2010(10):248-251.
12.
Zhongmin W , Shanjia D . Mean-Shift Algorithm for 3D Spatial Positioning[J]. Procedia Computer
Science, 2018, 131:446-453.
13.
汪国强, 盖琪琳, 于怀勇, et al. 基于背景差分法的视频目标检测算法研究[J]. 黑龙江大学工程学报(04):68-72.
14.
刘朝涛, 张雪佼. 基于图像处理的疲劳驾驶预警研究%Research on fatigue driving warning based on
image processing[J]. 电子技术应用, 2019(8).
15.
Fei Wang, Zhongheng Li, Fang He,等. Feature Learning Viewpoint of AdaBoost and a New Algorithm[J]. IEEE
Access, 2019, PP(99):1-1.
16.
师亚亭. 人脸关键点精确定位算法研究与应用[D]. 中国科学院大学, 2016.
17.
苑玮琦, 滕红艳. 眼睛疲劳程度判定方法研究[J]. 计算机工程与应用, 2013, 49(17):199-203.
18.
罗元, 云明静, 王艺, et al. 基于人眼信息特征的人体疲劳检测[J]. 计算机应用, 2019, 39(7):2098-2102.
19.
付川云. 疲劳状态下驾驶人生理及眼动特征研究[D]. 哈尔滨工业大学, 2011.
20.
McDonald, Anthony D, Lee, John D, Schwarz, Chris,等. A contextual and temporal algorithm for driver drowsiness
detection[J]. Accid Anal Prev, 113:25-37.
剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。