文档介绍：疲劳驾驶检测系统
详细设计说明书
如下：
FdActivity
：该类是作为程序的主界面类，在该类中，将
surfaceview
占据了整个界面，在该类中主要重写了
onCreate()
、 onPause()
、
onDestroy()
、onCameraViewStarted()
、onCameraViewStopped()
、
onCameraFrame()、onCreateOptionsMenu()、
onOptionsItemSelected()、
函数具体的分析参见程序的具体描述部分；
onCameraFrame() 函数：在系统实时监测驾驶员的头像数据的时候，需
要显示当前的帧率， 该类就是负责帧率的显示的类， 该类中，主要是实现了以下的几个功能：
从一帧图片中计算人眼的区域
绘制人眼的区域
打开摄像头，实时采集脸部的帧数据，图像进行灰度变化，首先进行
预处理，将背景噪声以及图像中的突刺变化去除， 防止影响后面的图形计
算精度；利用 Opencv 中的已有函数接口进行人脸和人眼的定位，在将人
眼的轮廓提取出来，这里面的用的方法：Otus 和 Robert Cross边缘检测。
利用最大垂直距离进行是否闭合的判定，组后再利用 PERCLOS 原理进行
疲劳状态的判断。
见概要设计说明书
实时性：能基本实现实时性的要求
对人脸的判断准确度： 95%以上
眼睛的判断准确度： 90%以上
疲劳识别： 80%以上
输入的数据是：摄像头采集的实时数据
输出是：预警声音
人脸检测算法
传统的检测人脸分方法有很多种：基于肤色的分离、基于统计模型、
或者是 PCA 方法，但是这些方法识别的时间较长，并且准确率不高，在
本文中，采用的是 OpenCV 中非常成功的基于 Haar-Like 特征的 Adaboost
算法。人脸检测分成两步：首先是训练过程产生分类器文件，再是利用
分类器进行人脸检测过程[4] 。训练过程：（1）准备正负样本，正样本是
需要检测的目标（正脸），负样本是不含正样本特征的任何目标;（2）利
CreatSample程序准备正样本集 ;（3）利用 Haar-Training 程序训练得到
分类器特征 xml 文件。检测过程：利用 android-OpenCV 中的分类器构建函数去加载该特征 xml 文件，利用 分类器本身的成员函 数[4,5]：
detectMultiScale(Mat image， List<Rect> objects, double scaleFactor, int
minNeighbors, int flags, Size minSize)对指定的 image 进行检测。其函数各
参数的意义：
Image：需要进行目标检测的区域 .
Object：将检测到的目标标记在矩形框中 .
scaleFactor：代表图像的缩放因子 .
Minneighbors：指定每个候选矩阵至少包含的邻近元素个数 .
Flag：标志位，默认为 0.
Minsize：最小的检测窗口，如果该值设置过小，将会导致图像的计算量较大。
Otus 最佳阈值图像分割法
当系统成功标记处人眼部的区域后， 需要进行二值化处理， 从而实现眼部提取。但是由于图像的灰度值对光线很敏感， 固定的阈值势必无法满足要求，本文采用的是基于 Otsu 算法的二值化处理。
Otsu 算法，又被称为最大类间法，是一种自适应的图像分割技术，
它是根据最小二乘原理推导出来的，根据光线强度的不同， 阈值会随之变
化，能得到最优的阈值 [7] ，其基