驾驶员不良情绪状态检测系统的方法研究

吉林大学学报(信息科学版) ›› 2015, Vol. 33 ›› Issue (6): 680-.

驾驶员不良情绪状态检测系统的方法研究

马兴民1, 孙文财2, 徐艺2, 郑鹏宇3

1. 烟台职业学院汽车工程系, 山东烟台264670; 2. 吉林大学交通学院, 长春130022; 3. 吉林省外国企业服务有限公司, 长春130021

收稿日期:2015-05-05 出版日期:2015-11-27 发布日期:2016-01-04
作者简介:马兴民(1963—), 男, 山东烟台人, 烟台职业学院高级工程师, 主要从事汽车安全技术研究, (Tel)86-13787849122(E-mail)1349722102@ qq. com; 通讯作者: 孙文财(1981—), 男, 长春人, 吉林大学副教授, 主要从事交通环境与安全技术研究, (Tel)86-13500806339(E-mail)swcai@163. com。
基金资助:
国家自然科学基金青年基金资助项目(51308250); 中国博士后科学基金资助项目(2013M530984); 中国博士后基金特别资助项目(2014T70292); 高等学校博士学科点专项科研基金资助项目(20120061120043)

Research on Method of Driver’s Negative Emotions Detection System

MA Xingmin1, SUN Wencai2, XU Yi2, ZHENG Pengyu3

1. Department of Automototive Engineering, Yantai Vocational College, Yantai 264670, China; 2. College of Traffic, Jilin University,
Changchun 130022, China; 3. Jilin Province Foreign Enterprises Service Company Limited, Changchun 130021, China

Received:2015-05-05 Online:2015-11-27 Published:2016-01-04

摘要/Abstract

摘要：

针对驾驶员因处于非常状态下驾车而频繁导致交通事故问题, 设计了驾驶员不良情绪状态检测系统。该系统采用LBP(Local Binary Patterns)和SVM(Support Vector Machine)决策树相结合的算法分析、识别人脸表情。经实验验证, 该方法有较高的准确率, 系统运行速度快。

关键词: 不良情绪状态, 计算机视觉, 情绪状态检测, 支持向量机

Abstract:

To avoid traffic accidents caused by abnormal driving status, a method of negative emotional state detection method is proposed. LBP ( Local Binary Patterns) and SVM ( Support Vector Machine) are used combining decision tree algorithm for facial expression recognition and analyzing. The experimental results on the datasets show that the proposed method has high accuracy while maintaining the low cost processes.

Key words: negative emotions, computer vision, emotional state detection, support vector machine(SVM)

中图分类号:

TP391

马兴民1, 孙文财2, 徐艺2, 郑鹏宇3. 驾驶员不良情绪状态检测系统的方法研究[J]. 吉林大学学报(信息科学版), 2015, 33(6): 680-.

MA Xingmin1, SUN Wencai2, XU Yi2, ZHENG Pengyu3. Research on Method of Driver’s Negative Emotions Detection System[J]. Journal of Jilin University(Information Science Ed, 2015, 33(6): 680-.

[1]	霍凤财，王迪，李政璋. 工业线性指针仪表识别改进方法[J]. 吉林大学学报(信息科学版), 2018, 36(4): 423-429.
[2]	王昕, 李亮, 尹小童, 李梦烁, 曾朝伟, 艾勇鑫. 甲状腺结节超声图像多特征融合及识别[J]. 吉林大学学报(信息科学版), 2017, 35(6): 650-655.
[3]	张雨烟, 陈万忠, 张涛, 李明阳. 基于非负矩阵分解的癫痫脑电自动检测[J]. 吉林大学学报(信息科学版), 2017, 35(5): 551-559.
[4]	兰兰, 陈万忠, 魏庭松. 基于融合特征提取与 LLE 方法的表情识别[J]. 吉林大学学报(信息科学版), 2017, 35(4): 384-391.
[5]	杨永健, 聂瑜, 吴洋, 孙广志, 杨仲尧. 基于 SVM 新的情感计算方法[J]. 吉林大学学报(信息科学版), 2017, 35(4): 438-442.
[6]	李学贵,许少华,李娜,赵恩涛,郭昊 . 基于涡流搜索算法的过程支持向量回归机模型[J]. 吉林大学学报(信息科学版), 2017, 35(3): 341-346.
[7]	胡云鹏, 王世刚. 基于支持向量机与朴素贝叶斯的犯罪度理论研究[J]. 吉林大学学报(信息科学版), 2017, 35(1): 20-25.
[8]	杜昭慧,司玉娟 . 基于层次支持向量机的脉搏信号情感识别[J]. 吉林大学学报(信息科学版), 2017, 35(1): 37-42.
[9]	唐国维,张岩,王苫社,刘彦彤,赵璨 . 基于 ε-SVR 的嵌入式小波图像编码算法[J]. 吉林大学学报(信息科学版), 2017, 35(1): 76-84.
[10]	王丹,臧雪柏,陈奋君 . 基于 Latent SVM 的多视角行为识别方法[J]. 吉林大学学报(信息科学版), 2016, 34(6): 747-752.
[11]	宋晓洋, 刘立勋. 基于SVM 回归的连续血压测量方法[J]. 吉林大学学报(信息科学版), 2016, 34(3): 384-389.
[12]	杨宇, 司玉娟, 宋晓洋. 基于小波变换和支持向量机的心电信号ST 段分类[J]. 吉林大学学报(信息科学版), 2016, 34(3): 315-319.
[13]	刘霞, 张姗姗, 胡铭鉴. 基于混沌人工蜂群算法优化的SVM 齿轮故障诊断[J]. 吉林大学学报(信息科学版), 2015, 33(4): 476-.
[14]	刘波, 张春华. 基于支持向量机构象性B细胞表位预测研究[J]. 吉林大学学报(信息科学版), 2015, 33(3): 298-304.
[15]	邢吉生, 武海巍. 基于支持向量机的啤酒企业能源消耗预测模型[J]. 吉林大学学报(信息科学版), 2014, 32(6): 664-669.