需要源码可以滴滴我
目录
一、选题的背景、目的与意义
由于社会迅猛发展，人们出行更多的依靠汽车，汽车的使用量也极具增加，自从21世纪90年代起，我国经济蓬勃发展，城市现代化和道路交通机动化水平有着显著提高，安全驾驶问题也逐渐的引起了中央、地方的社会机构和科研机构的密切关注。频繁发生的交通事故，严重的影响了人们的生活，据不完全统计，每年有近100多万人因交通事故而丧生，受伤的更是不计其数[2]。经过调查研究，人们发现主要有三个因素影响交通安全，即驾驶员、道路和车辆，如果车辆出现了问题，没有及时的排除或者路面坑洼破损严重，这就有可能造成交通事故。然而，这两方面的因素不是最主要的，因为一般情况下，无论是公路还是铁路，建设技术都很成熟，而且车辆也不存在问题。道路这一因素对交通安全影响不大，除非天气情况非常恶劣。但是至今为止，交通事故的发生率在世界范围内一直居高不下，由此可以看出，驾驶员在交通事故的发生中占主要因素[3]。驾驶员驾车技术差或者驾驶员驾驶时状态欠佳，就会影响交通安全。短暂的“微睡眠”现象是由驾驶员的疲劳而产生的，是发生交通事故的重要原因，因此，如果能开发出一个在驾驶员疲劳初期就提出预警的系统，无疑会大大的降低交通事故的发生率。
目前，随着快速发展的数字图像处理技术、高性能的CPU和大容量的存储器，使得运用数字图像处理技术自动检测和判断疲劳状态的方法能够成为可能。并且随着科技的发展和绿色主题的提出，低功耗、高适应性、低成本、高集成度已经成为电子产品的重要发展趋势，ARM、DSP、FPGA等的使用量也越来越大。虽然ARM管理事务的能力较强，但是 ARM对大量信号的处理能力较弱。DSP处理数据的能力较强，但处理的速度并不理想。与之相比，采用SOPC片上可编程技术的 FPGA 具有小型化、低功耗、高速度的特点，并且 FPGA 具有开发周期短、开发软件投入小、可靠性高、质量稳定、标准产品不需测试及可实时在线检测、可现场编程的固有特点。随着不断发展和提高的现代工艺，FPGA芯片的成本越来越低，这些优势使得人们使用FPGA的频率越来越高，FPGA越来越被广泛使用在大数据量、高速度的信号处理领域中。
综上所述，基于如今的现实背景以及技术背景，开发出一个基于OpenCV驾驶员疲劳驾驶检测系统，用于在驾驶员处于“微睡眠”状态时及时的对驾驶员进行预警，从而预防社会交通事故的发生，挽救生命，维护社会交通安全秩序，维护每一个家庭的幸福生活。
二、应用原理和理论依据
本文通过对图像识别和相关技术的调研，了解用户需求，以及基于 OpenCV的图像识别和特征提取，以及相应的驱动程序，按照人眼疲劳算法检测流程，顺序进行软件分析，方案设计，以及设计与实现，系统集成开发与调试，系统运行与调试。使用OpenCV的人眼检测，通过使用python程序编写的网站，调用摄像头进行人脸拍摄，对特征检测和目标提取做了一定的研究，在使用基于 Haar特征的AdaBoost级联算法的基础上，通过对摄像头采集的人脸图像进行扫描、人眼搜索、人眼定位等一系列图像处理，在人脸基础范围内，根据水平投影进行人眼的定位并且计算上下眼睑的距离，再根据给出的PERCLOS 标准，对人眼眼睑的距离进行分析和判别，从而对疲劳驾驶做出准确的判断。最后根据PERCLOS 标准对指定时刻的人眼状态进行判断驾驶员是否处于疲劳状态，若疲劳，则给出警告信息。信息通过python页面进行反馈。
三、方案论证分析
本部分主要包括课题难点和拟解决的关键问题，拟采取的研究方法及其可行性等。
人脸检测框图如下所示：
系统设计的难点和解决的关键问题在于眼睛的定位，每个人的面部都包括下巴、嘴巴、鼻子、眼睛、眉毛等特征。通常情况下，这些区域的灰度值比周围区域暗。
因此，针对这个问题拟采取的研究方法是：
通过对原始灰度图像在人脸上面 2/3 的区域进行水平灰度积分投影来粗定位眼睛窗口的位置。由于不同的人，人脸在眉毛眼睛处有着极小值，但是在眉毛与眼睛处的两个极小值大小关系不是固定的。
在定位眼睛窗口时，首先求得原图水平灰度积分投影的极小值与次极小值，判断出极小值与次极小值所在的行，以眉毛所在的行为上边界，眼睛与眉毛所在的行的差的2倍的值为高来粗定位人眼。可以对此进行预测：经过在不同时间，对不同人的实际系统测试中，可以得到该算法既可以降低计算复杂度,又可以有效的粗定位眼睛窗口。
四、选题特色和预期成果
4.1 选题特色
互联网的进步让一切社会活动精确到机器运行的程度，也在汽车驾驶行业起到了很大的作用，本系统通过人脸识别的方式便可判断驾驶员的疲劳程度，很大程度上杜绝了交通事故的发生，通过上传人脸图片和实时拍摄的方式即时验证驾驶员的程度，
4.2 预期成果
（1） 成功搭建环境并调试；
（2） 完善的可以实现具体功能的代码；
（3）毕业设计论文。
五、工作进度
第 1 周：确定毕设题目，完成教师学生毕业设计双选，配置环境查阅相关书籍资料。
第 2－3 周：查阅与毕设题目相关的技术资料以及英文文献，学习有关的算法，完成开题报告。
第 4 周：计划流程，开始准备论文素材。
第 5 周至寒假结束：查找相关资料，并编写和测试人脸分类及图像加密部分。 开始毕业论文的撰写。
第 6－7 周：准备论文的内容自查和撰写。
第 8－11 周：根据前期的工作的进行 bug 寻找和调试。
第 12－14 周：进行功能的测试和维护，分析实验结果，改进算法。
第 15－18 周：工作自查与检查，论文后期撰写检查论文，修改格式，论文成稿，并准备答辩所使用的演示文稿，准备答辩。
第 19 周：梳理本次系统设计及论文，熟悉答辩流程，进行论文答辩。
六、主要参考文献
[1] 谢秀珍. 基于机器视觉的驾驶员疲劳检测研究D]，中南大学，2020
[2] 李栋. 基于FPGA的驾驶员疲劳检测系统的设计与实现ID]，大连理工大学，2019
[3] Quantitative similarity between the cognitive psychomotor performance decrement associated with sustained wakefulness and alcohol intoxication[Al. In Hartley, L.R.(Ed.ManagingFatigue inTransportation Proceedings ofthe Third InternationalConference on Fatigue and TransportationFremantle, Western Australia[C],Oxford UK. Elsevien Science Ltd, 2019
[4] 李伟，何其昌，范秀敏. 基于汽车操纵信号的驾驶员疲劳状态检测[J]，上海交通大学学报，2020，44(2):292-296
[5] 张丽雯，杨艳芳等. 基于面部特征的疲劳驾驶检测[J]，合肥工业大学学报:自然科学版，2021，36(4):448-451
[6] 翁茂荣，李强，花彩霞. 机动车驾驶员疲劳检测系统的研究现状及发展趋势[J]，浙江工贸职业技术学院学报，2019，6(1):52-56
[7] 胡世锋. 基于眼部特征的疲劳驾驶实时检测算法研究[D]，上海师范大学，2021
[8]赵如新,宋春林.基于Adaboost和LBP算法的实时疲劳驾驶预警算法[J].微型电脑应用,2022,38(05):1-15
[9] Australian Transport Regional Policy Section. Fatigue management for commercialvehicle drivers[EB/OL], 2018