基于MATLAB的人眼檢測(cè)

精品文檔 1歡迎下載 目錄 摘要 I ABSTRACT II 1 緒論 1 1 1 研究背景及意義 1 1 2 國(guó)內(nèi)外疲勞駕駛研究現(xiàn)狀 2 1 3 本文的主要研究?jī)?nèi)容及組織結(jié)構(gòu) 3 2 人臉檢測(cè)與定位技術(shù) 4 2 1 人臉檢測(cè)與定位技術(shù)概述 4 2 1 1 基于圖像的人臉檢測(cè)方法 4 2 1 2 基于特征的人臉檢測(cè)方法 5 2 2 Adaboost 算法介紹 6 2 2 1 AdaBoost 算法描述 7 2 3 AdaBoost 算法分類(lèi)器 10 2 3 1 分類(lèi)器級(jí)聯(lián)策略 10 2 3 2 級(jí)聯(lián)分類(lèi)器誤差分析 11 3 人眼定位技術(shù) 12 3 1 常見(jiàn)的幾種人眼檢測(cè)方法 12 3 2 矩形特征及積分圖 14 3 2 1 矩形特征 14 3 2 2 積分圖 15 3 3 AdaBoost 算法的改進(jìn) 16 3 4 構(gòu)建雙層 AdaBoost 分類(lèi)器進(jìn)行人眼檢測(cè) 18 3 4 1 人臉定位與人眼定位的差異 18 3 4 2 人眼定位預(yù)處理 19 精品文檔 2歡迎下載 3 4 3 人眼定位雙層分類(lèi)器的構(gòu)建 20 3 5 人眼定位算法的設(shè)計(jì)與實(shí)現(xiàn) 20 4 人眼狀態(tài)識(shí)別 21 4 1 基于橢圓擬合的人眼狀態(tài)分析 21 5 基于 PERCLOS 標(biāo)準(zhǔn)的疲勞狀態(tài)分析 23 5 1 PERCLOS 方法介紹 23 6 總結(jié) 25 參考文獻(xiàn) 26 附錄 A 28 摘要 隨著汽車(chē)工業(yè)的不斷發(fā)展 隨之而來(lái)的社會(huì)問(wèn)題也愈加嚴(yán)重 交通事故給人 們?cè)斐删薮髠Φ耐瑫r(shí) 也給社會(huì)帶來(lái)沉重的負(fù)擔(dān)和影響 由于疲勞駕駛是引起 交通事故的一個(gè)主要原因 因此 研究一種合理有效 實(shí)時(shí)準(zhǔn)確檢測(cè)駕駛員疲勞 駕駛的非接觸式車(chē)載裝置對(duì)于減少交通事故 道路安全有重大意義 本文研究的主要內(nèi)容包括 人臉檢測(cè) 人眼定位 眼睛特征提取和狀態(tài)識(shí) 別 疲勞程度的計(jì)算等算法的原理及實(shí)現(xiàn) 首先詳細(xì)闡述了經(jīng)典的 AdaBoost 算法 該算法涉及的內(nèi)容包括 Haar Like 特征 弱分類(lèi)器 級(jí)聯(lián)的 AdaBoost 分類(lèi)器等 然后利用 AdaBoost 算法 進(jìn)行人臉檢測(cè) 雖然 AdaBoost 算法的檢測(cè)速度快 誤識(shí)率低 但是在樣本的權(quán)重更新過(guò) 程中 對(duì)于分類(lèi)錯(cuò)誤樣本中的正 負(fù)樣本沒(méi)有加以區(qū)分 不利于提高正樣本的 識(shí)別率 本文提出一種新的權(quán)重更新方法 對(duì)于分類(lèi)錯(cuò)誤的樣本 對(duì)判斷錯(cuò)誤 的正樣本給更高的權(quán)重 使得算法在下一輪迭代時(shí) 更加關(guān)注對(duì)分類(lèi)錯(cuò)誤的正 樣本的學(xué)習(xí) 從而提高對(duì)正樣本 人眼 的檢測(cè)率 采用基于最小二乘法對(duì)眼 部的外輪廓進(jìn)行橢圓擬合 根據(jù)擬合橢圓的參數(shù)來(lái)判斷眼睛的睜閉狀態(tài) 采用 結(jié)合 PERCLOS 和眨眼頻率的方法 對(duì)疲勞狀態(tài)進(jìn)行檢測(cè) 精品文檔 II歡迎下載II歡迎下載 關(guān)鍵詞 疲勞檢測(cè) AdaBoost 人眼定位 PERCLOS A Abstractbstract With the development of the automobile industry continuously the social problems are more and more severe The traffic accidents not only cause great harm to the people but also bring heavy burden and effect to society Because fatigue driving is a major reason that caused traffic accidents Therefore research a reasonable and effective real time and non contact device due to the detection of driver fatigue driving has great significance for reducing traffic accidents and raising road safety In this paper the main research contents are face detection eye location eye feature extraction principle and realization of the calculation of fatigue degree Firstly the classical AdaBoost algorithm is produced in detail 精品文檔 III歡迎下載III歡迎下載 which involves Haar Like features weak classifier cascade AdaBoost classifier etc Next face is detected based on AdaBoost algorithm Although the AdaBoost algorithm with a low false positive rate is fast there is no distinction between samples of error classification in the procedure of weight updating which ignores hit rate of positive samples In this paper a new method of weight updating is proposed to improve the hit rate of positive samples which pays more attention to positive samples of error classification After the region of driver s eyes is obtained the ellipse fitting algorithm based on least squares method is used to fit the eye contours and the eye state is identified according to parameters of ellipse Then the fatigue state could be detected based on PERCLOS and blink frequency KeywordsKeywords fatigue detection AdaBoost eye location PERCLOS 1 緒論 精品文檔 2歡迎下載2歡迎下載 1 1 研究背景及意義 所謂的疲勞駕駛 是指駕駛員在長(zhǎng)時(shí)間持續(xù)駕駛或睡眠不足情況下而造成的 反應(yīng)能力下降 其主要表現(xiàn)在駕駛員困倦 駕駛操作反應(yīng)遲鈍或完全喪失駕駛能 力 因疲勞駕駛而在全球每年導(dǎo)致數(shù)以萬(wàn)計(jì)的交通事故和大量人員傷亡 據(jù)公 安部交通管理局?jǐn)?shù)據(jù) 2010 年全國(guó)共接報(bào)道路交通事故 3906164 起 同比 2009 年上升 35 9 其中 涉及人員傷亡的道路交通事故 219521 起 造成 65225 人 死亡 254075 人受傷 直接財(cái)產(chǎn)損失 9 3 億元 其中疲勞駕駛被列為超速行駛 酒 后駕車(chē)之后的第三大引發(fā)道路交通事故原因 引起駕駛員疲勞駕駛的原因除上 述的睡眠不足 長(zhǎng)時(shí)間持續(xù)駕駛外 還與工作性質(zhì)與時(shí)間 人的生理周期 酒精 以及藥物 乃至不同人的生活習(xí)慣 身體狀況 年齡差異有關(guān) 另外 即使駕駛 員狀態(tài)良好或者在注意力高度集中的情況下 如果面對(duì)景色單一的高速公路 也 容易因公路催眠而產(chǎn)生駕駛疲勞 從而導(dǎo)致自我控制能力減弱 判斷遲緩 動(dòng)作 僵硬 視力下降 注意力分散以及視野變窄等不良反應(yīng)從而發(fā)生交通事故疲勞 駕駛作為引發(fā)道路交通安全事故的重要原因 越來(lái)越引起人們的重視 由此可見(jiàn) 疲勞駕駛是一個(gè)比較嚴(yán)峻的問(wèn)題 主要是由于它的隱蔽性很強(qiáng) 疲勞駕駛的發(fā)生很難預(yù)測(cè)和判定 因此 當(dāng)駕駛員剛出現(xiàn)疲勞癥狀時(shí) 如果能 發(fā)出預(yù)警 或者自動(dòng)降低車(chē)速甚至強(qiáng)制其停車(chē)休息 則可以有效地加強(qiáng)行車(chē)安 全 減少由于疲勞駕駛所引起的交通事故 避免因此產(chǎn)生的經(jīng)濟(jì)損失和人員傷 亡 在過(guò)去的幾十年中 國(guó)內(nèi)外專(zhuān)家和學(xué)者都在積極研究疲勞駕駛 對(duì)疲勞檢 測(cè)的方法也做了各方面的探索 在一定程度上取得了很大的進(jìn)步 但在實(shí)際應(yīng) 用過(guò)程中 還存在較多的問(wèn)題 因此 如何及時(shí)有效的檢測(cè)出駕駛員的疲勞程 度 減少因疲勞駕駛而引發(fā)的交通事故已經(jīng)成為當(dāng)前智能運(yùn)輸系統(tǒng)的研究熱點(diǎn) 為了降低因疲勞駕駛導(dǎo)致的交通事故發(fā)生率和人員傷亡數(shù)量 降低人為因素導(dǎo)致 的交通安全隱患 本文對(duì)人眼疲勞值算法進(jìn)行了研究 1 2 國(guó)內(nèi)外疲勞駕駛研究現(xiàn)狀 精品文檔 3歡迎下載3歡迎下載 目前國(guó)外的許多國(guó)家都對(duì)汽車(chē)安全方面投入了大量的資金 用來(lái)解決交通 安全的問(wèn)題 許多高校和科研機(jī)構(gòu)也都在該方面進(jìn)行了大量的研究 并取得了 豐碩成果 日本一家公司利用裝置在駕駛員頭部上方的傳感器來(lái)判定司機(jī)頭部位置 傳感器利用駕駛員頭部與其之間的距離計(jì)算并跟蹤頭部在三維空間當(dāng)中所處的 位置 然后依據(jù)不同時(shí)間下駕駛員頭部產(chǎn)生的位移變化判斷其是否處于疲勞狀 態(tài) 利用裝置在方向盤(pán)上的心跳感應(yīng)器來(lái)檢測(cè)駕駛員的心跳速度 該系統(tǒng)每隔 一段時(shí)間檢測(cè)一次 當(dāng)司機(jī)處于疲勞狀態(tài)時(shí)心跳速度減慢 因此可以簡(jiǎn)單易行 的判斷出駕駛員是否處于疲勞狀態(tài) 英國(guó)科學(xué)家為司機(jī)研制的防瞌睡報(bào)警系統(tǒng) 可以監(jiān)視司機(jī)開(kāi)車(chē)時(shí)的眼睛和 肌肉運(yùn)動(dòng) 大腦活動(dòng)及心率等 如發(fā)現(xiàn)異常 系統(tǒng)能及時(shí)發(fā)出報(bào)警 美國(guó)研制的疲勞檢測(cè)系統(tǒng) DDDS The Drowsy Driver DetectionSystem 此系統(tǒng)采用多普勒雷達(dá)和復(fù)雜的信號(hào)處理方法獲取駕駛員煩躁不安的情緒活動(dòng) 眨眼頻率和持續(xù)時(shí)間等疲勞數(shù)據(jù) 判斷駕駛員是否處于瞌睡狀態(tài) 該系統(tǒng)可以 做成一個(gè)比較小的裝置 放在駕駛員頭頂上方 或頭頂前方某個(gè)地方 以免影 響駕駛員的駕駛 2005 年 澳大利亞的研究人員推出一款眼鏡 通過(guò)內(nèi)置于眼鏡中的紅外線(xiàn)傳 感器監(jiān)測(cè)司機(jī)的眼瞼活動(dòng)和眨眼頻率 并據(jù)此判斷司機(jī)是否疲勞 國(guó)內(nèi)在人臉識(shí)別技術(shù)和駕駛員疲勞檢測(cè)的研究方面起步較晚 相關(guān)技術(shù)還 不成熟 同發(fā)達(dá)國(guó)家相比還有很大的差距 但一些高校和研究機(jī)構(gòu)還是投入了 大量的精力進(jìn)行研究 經(jīng)過(guò)幾十年的努力 在駕駛疲勞檢測(cè)方面也取得了一系 列的成果 江蘇大學(xué)也在研究 PERCLOS 算法的基礎(chǔ)上 設(shè)計(jì)出一套系統(tǒng) 該系 統(tǒng)使用波長(zhǎng)為 850 950mm 的紅外圖像儀及差分圖像儀作為圖像采集器 由于利 用紅外光源成像 排除了環(huán)境光源的干擾 提高了裝置的適用性 滿(mǎn)足各種駕駛 情況下對(duì)駕駛員狀態(tài)的監(jiān)測(cè)要求 同時(shí)可以得到關(guān)于關(guān)鍵部位 眼部 的差分 圖像 提高了系統(tǒng)的實(shí)時(shí)處理能力 有一定的實(shí)用價(jià)值 精品文檔 4歡迎下載4歡迎下載 1 3 本文的主要研究?jī)?nèi)容及組織結(jié)構(gòu) 本文主要研究了人臉檢測(cè)和人眼定位基礎(chǔ)上的疲勞駕駛檢測(cè)方法 重點(diǎn)研究 了快速的 Adaboost 人臉檢測(cè)算法 Mean shift 眼睛跟蹤算法 主要目的是在經(jīng) 典的人臉檢測(cè)和定位算法的基礎(chǔ)上尋求一種改進(jìn)的算法從而提高疲勞駕駛檢測(cè) 的實(shí)時(shí)性和準(zhǔn)確性 具體工作如下 1 研究并實(shí)現(xiàn)了對(duì)于靜態(tài)圖像和視頻流中快速的人臉檢測(cè)定位的問(wèn)題 采 用經(jīng)典的 Adaboost 算法實(shí)現(xiàn)了人臉的快速檢測(cè)定位 該方法對(duì)于單個(gè)圖像的檢 測(cè)率非常高且耗時(shí)很少 滿(mǎn)足疲勞駕駛檢測(cè)對(duì)于實(shí)時(shí)性的要求 2 研究并實(shí)現(xiàn)了基于 Mean shift 算法的人眼實(shí)時(shí)跟蹤方法 通過(guò)在人臉 檢測(cè)基礎(chǔ)上眼睛粗定位的基礎(chǔ)上 用灰度和顏色分布來(lái)表示人眼 將顏色的直方 圖作為特征 實(shí)現(xiàn)了人眼輪廓的快速的實(shí)時(shí)跟蹤定位 3 研究實(shí)現(xiàn)了眼睛特征提取和狀態(tài)識(shí)別的算法 通過(guò)對(duì)人眼內(nèi)外角點(diǎn)分別 進(jìn)行檢測(cè)定位和對(duì)人眼上眼瞼中間點(diǎn)的定位 擬合上眼瞼的輪廓曲線(xiàn) 利用上眼 險(xiǎn)與人眼內(nèi)外眼角點(diǎn)連線(xiàn)之間的距離實(shí)現(xiàn)了對(duì)眼睛狀態(tài)的量化分析 4 結(jié)合 PERCLOS 標(biāo)準(zhǔn)和泛眼頻率實(shí)現(xiàn)對(duì)疲勞狀態(tài)的判決 本文共分為六章 第 1 章 主要介紹了疲勞駕駛檢測(cè)課題的研究背景和研究現(xiàn)狀以及發(fā)展趨 勢(shì)和難點(diǎn)問(wèn)題 第 2 章 對(duì)經(jīng)典的 Adaboost 人臉檢測(cè)方法進(jìn)行詳細(xì)闡述 并利用該方法實(shí) 現(xiàn)快速的人臉檢測(cè)定位 并介紹利用其進(jìn)行疲勞駕駛檢測(cè) 第 3 章 首先介紹了常見(jiàn)人眼定位方法 分析了各自的優(yōu)缺點(diǎn) 再具體闡 述了 AdaBoost 算法采用的 Haar Like 矩形特征 然后分析了 AdaBoost 算法 的一些不足 給出了改進(jìn)方案 最后提出采用人臉檢測(cè) 人眼定位的雙層 精品文檔 5歡迎下載5歡迎下載 AdaBoost 分類(lèi)器進(jìn)行人眼檢測(cè) 第 4 章 研究實(shí)現(xiàn)了眼睛特征的提取和狀態(tài)的識(shí)別 第 5 章 人眼狀態(tài)的識(shí)別和疲勞判定模塊 利用 PERCLOS 和眨眼頻率對(duì)駕 駛員進(jìn)行最終的疲勞判定 達(dá)到對(duì)疲勞駕駛的預(yù)警提示 第 6 章 對(duì)本文進(jìn)行了總結(jié)與展望 對(duì)本文所做的工作進(jìn)行總結(jié) 2 人臉檢測(cè)與定位技術(shù) 對(duì)于人眼疲勞檢測(cè)的研究 首先要檢測(cè)到人臉 在此基礎(chǔ)上提取眼睛的狀態(tài) 參數(shù)作為特征信息來(lái)實(shí)現(xiàn) 因此疲勞駕駛檢測(cè)基礎(chǔ)是人臉以及人眼的檢測(cè)定位 人臉檢測(cè)旳方法有很多 使用特定的硬件設(shè)備 采用紅外照明 可以直接檢測(cè)出睛 孔的準(zhǔn)確位置 從而定位出眼睛 進(jìn)行后續(xù)的測(cè)量 其次可以先通過(guò)檢測(cè)出人臉 減小圖像中的搜索范圍 再對(duì)檢測(cè)的人臉區(qū)域進(jìn)行搜索 找出眼睛的位置 前一 種利用硬件定位虹膜的方法 一旦眼睛識(shí)別失誤 系統(tǒng)將不能運(yùn)行 而后一種方法 只 要準(zhǔn)確的檢測(cè)出人臉 就可以定位人眼的位置 本文采用先檢測(cè)出人臉的位置 然后在人臉區(qū)域進(jìn)行眼睛定位的方案 2 1 人臉檢測(cè)與定位技術(shù)概述 人臉檢測(cè)是指在不同的背景條件中檢測(cè)出人臉的所在 并將其從背景中分 割出來(lái) 確定出其位置 此過(guò)程主要受光照 噪聲 頭部擺動(dòng)以及其他外部條 件的影響 人臉檢測(cè)是我們進(jìn)行疲勞駕駛檢測(cè)的第一步也是基礎(chǔ) 只有準(zhǔn)確的檢 測(cè)定位出圖像中人臉的準(zhǔn)確位置 才能進(jìn)行后面的工作 而在實(shí)際生活中人臉檢 測(cè)常用于門(mén)禁系統(tǒng) 圖像檢索 人機(jī)交互等方面 人臉檢測(cè)的基礎(chǔ)是建立人臉 模型 先遍歷所有的待檢測(cè)區(qū)域后與所建立的人臉模型的進(jìn)行匹配 之后得到可 能存在人臉的區(qū)域 目前主要的人臉檢測(cè)方法可以分為兩大類(lèi) 基于圖像的人臉 檢測(cè)方法以及基于特征的人臉檢測(cè)方法 前者屬于一般的模式識(shí)別問(wèn)題 將待檢 測(cè)圖像作為人臉檢測(cè)的輸入 不需要對(duì)圖像進(jìn)行特征提取以及處理 直接進(jìn)行訓(xùn) 練后將樣本分為人臉和非人臉兩種類(lèi)別 而后進(jìn)行人臉檢測(cè) 后一種方法需要提 精品文檔 6歡迎下載6歡迎下載 取人臉的各種特種 例如膚色信息 人臉的輪廓結(jié)構(gòu) 表情信息等 這一種方法 是大部分人臉檢測(cè)所采用的方法 采用經(jīng)典的模式識(shí)別算法來(lái)實(shí)現(xiàn) 2 1 1 基于圖像的人臉檢測(cè)方法 基于圖像的人臉檢測(cè)一般不考慮圖像的先驗(yàn)知識(shí) 不需要對(duì)圖像進(jìn)行特征提 取和處理 直接將圖像作為系統(tǒng)的輸入 利用一般的模式識(shí)別算法進(jìn)行訓(xùn)練 將樣 本圖像分類(lèi)為人臉類(lèi)和非人臉類(lèi) 而后將訓(xùn)練得到的人臉類(lèi)和待檢測(cè)區(qū)域進(jìn)行匹 配 進(jìn)行人臉檢測(cè) 常見(jiàn)的基于圖像的人臉檢測(cè)方法有線(xiàn)性子空間法 神經(jīng)網(wǎng)絡(luò) 法 統(tǒng)計(jì)法等 1 線(xiàn)性子空間方法 可以將人臉圖像看成處于整幅圖像的一個(gè)子空間中 通常用神經(jīng)學(xué)的方法 表示子空間 也可以用諸如主元分析以及線(xiàn)性判定分析等方法來(lái)表示 2 神經(jīng)網(wǎng)絡(luò)方法 神經(jīng)網(wǎng)絡(luò)方法是解決模式識(shí)別問(wèn)題的重要方法 也經(jīng)常被用來(lái)解決人臉識(shí)別 問(wèn)題 其通過(guò)訓(xùn)練過(guò)程中樣本進(jìn)行自學(xué)習(xí) 具有一定的自適應(yīng)性和魯棒性 避免 了特征提取的環(huán)節(jié) 節(jié)省了運(yùn)算時(shí)間 3 統(tǒng)計(jì)法 除以上兩類(lèi)統(tǒng)計(jì)方法外 還有基于貝葉斯決策方法的人臉檢測(cè)和基于支撐 矢量機(jī)方法的人臉檢測(cè)方法 2 1 2 基于特征的人臉檢測(cè)方法 1 特征分析的方法 常見(jiàn)的有兩種方法 其一將單個(gè)人臉特征的相對(duì)位置作為基礎(chǔ) 進(jìn)行序列特 征搜索 其二利用各種常見(jiàn)的人臉模型將人臉特征分類(lèi) 建立不同的群類(lèi) 例如 特征搜索法和構(gòu)象分析法就屬于這種方法 精品文檔 7歡迎下載7歡迎下載 2 利用活動(dòng)模型的方法 所謂的活動(dòng)模型是指模型本身是一種真實(shí)的身體特征 活動(dòng)模型同局部特 征相互作用 最終逐漸的將形成所要檢測(cè)特征的形狀 當(dāng)前常用的活動(dòng)模型主要 有 Snake 模型點(diǎn)的分布模型以及變形模型它就會(huì)同局部特征相互作用 利用活 動(dòng)模型解決人臉定位問(wèn)題是近年來(lái)比較流行的方法 3 底層分析的方法 底層分析主要指對(duì)圖像的邊界 灰度 顏色 尺寸等信息進(jìn)行分析比較 得 到所需要的檢測(cè)特征 由于基于特征的人臉檢測(cè)一般都考慮圖像的先驗(yàn)知識(shí) 基 于圖像邊界的檢測(cè)方法通過(guò)結(jié)合人臉圖像尺寸的先驗(yàn)知識(shí) 對(duì)邊界進(jìn)行處理 提 取角點(diǎn)及其邊緣點(diǎn) 舍去那些突起的點(diǎn) 對(duì)整個(gè)圖像進(jìn)行搜尋后進(jìn)行匹配確認(rèn) 觀(guān)察一個(gè)人的臉部圖像 會(huì)發(fā)現(xiàn)眼睛 眉毛 嘴唇等處的灰度變化較之臉部的其 他地方灰度要小 利用這樣的性質(zhì) 可以通過(guò)基于灰度信息的方法進(jìn)行人臉檢測(cè) 如 通過(guò)水平方向和垂直方向的積分投影來(lái)定位眼睛和眉毛的位置 進(jìn)行眼睛的檢測(cè) 以及定位 2 2 Adaboost 算法介紹 分類(lèi)是模式識(shí)別檢測(cè)的關(guān)鍵 人們都希望研究出精度很高的機(jī)器學(xué)習(xí)算法 機(jī)器學(xué)習(xí)算法可以粗略的分為強(qiáng)學(xué)習(xí)算法和弱學(xué)習(xí)算法 強(qiáng)學(xué)習(xí)算法準(zhǔn)確率很 高 但是往往結(jié)構(gòu)復(fù)雜 計(jì)算開(kāi)銷(xiāo)很大 與算法本身的質(zhì)量相比 成本過(guò)于龐 大 難以在實(shí)際生活中得到廣泛的應(yīng)用 弱學(xué)習(xí)算法結(jié)構(gòu)簡(jiǎn)單 但準(zhǔn)確率不高 僅比隨機(jī)猜測(cè)略好 一個(gè)自然的想法就是能否將弱學(xué)習(xí)器 提升 或 集成 為強(qiáng)學(xué)習(xí)器呢 Schapire 最初提出的 Boosting 算法就是在這種思想下建立和 發(fā)展的 Boosting 算法是一種基于簡(jiǎn)單有效分類(lèi)策略的機(jī)器學(xué)習(xí)方法 是集成 學(xué)習(xí)的核心內(nèi)容和研究熱點(diǎn) Boosting 是推助 提升的過(guò)程 它是將一系列比 隨機(jī)猜測(cè)略好的弱分類(lèi)器加權(quán)組合為強(qiáng)分類(lèi)器的算法 Boosting 這種特性受到 了越來(lái)越多學(xué)者的重視 成為圖像處理等領(lǐng)域的研究熱點(diǎn)之一 AdaBoost 算法最早起源于 Schapire 在 1990 年提出的 Boosting 算法 精品文檔 8歡迎下載8歡迎下載 它是一種能夠提高任意給定學(xué)習(xí)算法準(zhǔn)確率的方法 AdaBoost 算法的基本思想 是利用大量的分類(lèi)能力一般的弱分類(lèi)器 Weaker Classifier 通過(guò)一定的方法疊 加 Boost 起來(lái) 構(gòu)成一個(gè)分類(lèi)能力很強(qiáng)的強(qiáng)分類(lèi)器 Stage Classifier 再將 若干個(gè)強(qiáng)分類(lèi)器串聯(lián)成為級(jí)聯(lián)分類(lèi)器 Classifier Cascade 完成目標(biāo)的搜索檢 測(cè) 本文就是利用 AdaBoost 算法將由 Haar Like 特征生成的弱分類(lèi)器疊加成 為強(qiáng)分類(lèi)器 再將強(qiáng)分類(lèi)器串聯(lián)成為級(jí)聯(lián)分類(lèi)器 進(jìn)行人眼檢測(cè) 在眾多的 Boosting 算法中 AdaBoost 算法因其有以下優(yōu)點(diǎn)而被廣泛使用 1 算法速度快 2 不需要知道任何關(guān)于弱分類(lèi)器的先驗(yàn)知識(shí) 3 對(duì)弱分類(lèi)器的性能要求不高 只需要比隨機(jī)猜測(cè)性能稍好即可 這種弱 分類(lèi)器在實(shí)際情況下很容易獲得 從而降低了算法的復(fù)雜度 提高了效率 4 在弱分類(lèi)器的構(gòu)成上可以兼容多種方法 這些弱分類(lèi)器可以是神經(jīng)網(wǎng)絡(luò) 決策樹(shù) 最近鄰域分類(lèi)器 經(jīng)驗(yàn)規(guī)則等 5 訓(xùn)練數(shù)據(jù)可以是文本 數(shù)字 離散值等 并且 AdaBoost 算法很容易被 推廣到多類(lèi)目標(biāo)的分類(lèi)問(wèn)題中去 2 2 1 AdaBoost 算法描述 根據(jù)假設(shè)第 i 個(gè)訓(xùn)練樣本在第 t 次迭代時(shí)分布權(quán)重為 初始化時(shí)所有 權(quán)重歸一化 1 m m 為樣本數(shù) 然后調(diào)用弱學(xué)習(xí)算法進(jìn)行 T 輪迭代 在 每一輪的迭代中 弱學(xué)習(xí)算法的目標(biāo)就是根據(jù)訓(xùn)練樣本的權(quán)重產(chǎn)生一個(gè)弱 分類(lèi)器最簡(jiǎn)單的情況就是二值分類(lèi)問(wèn)題 即分類(lèi)器性能的好 1 1 壞由 其誤差率決定 2 1 1 jii n jjii hxyi t it i hxy 每次迭代后按訓(xùn)練結(jié)果更新樣本的分布 對(duì)訓(xùn)練誤判的樣本賦予較大的權(quán) 重 也就是讓學(xué)習(xí)算法在后續(xù)的學(xué)習(xí)過(guò)程中關(guān)注于這些分類(lèi)困難的樣本 再對(duì) 重新分布的訓(xùn)練集進(jìn)行學(xué)習(xí) T 次訓(xùn)練結(jié)束后 AdaBoost 算法得到一系列弱分 精品文檔 9歡迎下載9歡迎下載 類(lèi)器 并給每個(gè)弱分類(lèi)器賦予一個(gè)權(quán)重 表示該弱分 1 2 1 2 類(lèi)器的重要性 AdaBoost 算法是一種迭代方法 它是通過(guò)改變數(shù)據(jù)分布來(lái)實(shí)現(xiàn)的 它根據(jù) 每輪訓(xùn)練中每個(gè)樣本的分類(lèi)是否正確 以及上輪的總體分類(lèi)準(zhǔn)確率 來(lái)確定每 個(gè)樣本的權(quán)重 然后將每次訓(xùn)練得到的分類(lèi)器融合起來(lái) 作為最后的決策分類(lèi) 器 在 AdaBoost 算法中 每一個(gè)訓(xùn)練樣本都被賦予一個(gè)權(quán)重 表明它被某個(gè) 弱分類(lèi)器選入訓(xùn)練集的概率 如果某個(gè)樣本沒(méi)有被正確的分類(lèi) 那么在構(gòu)造下 一個(gè)訓(xùn)練集時(shí) 它被選中的概率就會(huì)增加 相反 如果某個(gè)樣本已經(jīng)被正確的 分類(lèi) 那么在構(gòu)造下一個(gè)訓(xùn)練集時(shí) 它被選中的概率就會(huì)降低 通過(guò)這樣的方 式 AdaBoost 算法能夠 聚焦于 那些較困難的樣本上 在具體的實(shí)現(xiàn)時(shí) 最 初令每個(gè)樣本的權(quán)重都相等 對(duì)于第 t 次迭代操作 就根據(jù)這些權(quán)重來(lái)選取樣 本 進(jìn)而訓(xùn)練分類(lèi)器 然后就根據(jù)這個(gè)分類(lèi)器 來(lái)提高被它錯(cuò)分的那些樣本 的權(quán)重 并降低被正確分類(lèi)的樣本權(quán)重 然后 權(quán)重更新后的樣本集被用來(lái)訓(xùn) 練下一個(gè)分類(lèi)器 整個(gè)訓(xùn)練過(guò)程如此循環(huán)下去 理論證明 若每個(gè)弱分 1 類(lèi)器的分類(lèi)能力比隨機(jī)猜測(cè)好 那么當(dāng)弱分類(lèi)器的個(gè)數(shù)趨向于無(wú)窮時(shí) 強(qiáng)分類(lèi) 器的錯(cuò)誤率將趨近于零 對(duì)于二值分類(lèi)問(wèn)題 已知訓(xùn)練樣本集 1 1 待分類(lèi)樣本有 k 個(gè)簡(jiǎn)單矩形特征 表示為 其中 1 1 1 對(duì)于第 i 個(gè)樣本 它的特征為 對(duì)每一個(gè)輸入特征 1 1 2 有一個(gè)簡(jiǎn)單的二值弱類(lèi)器 第 j 個(gè)特征的弱分類(lèi)器由一個(gè)閾值 一個(gè)特征 和指示不等式方向的偏置構(gòu)成 2 2 1 1 可以看到 一個(gè)較低的閾值可以產(chǎn)生一個(gè)高檢測(cè)率的分類(lèi)器 但它的誤識(shí) 率也相應(yīng)很高 相反 較高的閾值可以產(chǎn)生一個(gè)低檢測(cè)率 低誤識(shí)率的分類(lèi)器 AdaBoost 算法構(gòu)建強(qiáng)分類(lèi)器的具體過(guò)程如下 1 對(duì)所有樣本初始化權(quán)重 精品文檔 10歡迎下載10歡迎下載 2 3 1 1 2 經(jīng)過(guò) T 輪迭代訓(xùn)練 挑選出 T 個(gè)弱分類(lèi)器組成強(qiáng)分類(lèi)器 3 最后得到的強(qiáng)分類(lèi)器為 2 4 1 0 11 1 2 TT ttt tt h x 其中為弱分類(lèi)器的投票加權(quán)重 1 ln 2 tt 以上過(guò)程的意義可以簡(jiǎn)單的表述為 每一輪迭代過(guò)程在當(dāng)前的概率分布上 找到一個(gè)具有最小錯(cuò)誤率的簡(jiǎn)單分類(lèi)器 然后調(diào)整概率分布 增大當(dāng)前簡(jiǎn)單分 類(lèi)器分類(lèi)錯(cuò)誤的樣本的概率值 降低當(dāng)前簡(jiǎn)單分類(lèi)器分類(lèi)正確的樣本的概率值 以突出分類(lèi)錯(cuò)誤的樣本 使下一次迭代更加針對(duì) 困難 的樣本 使得那些被 錯(cuò)分的樣本到進(jìn)一步重視 后面訓(xùn)練得到的新的簡(jiǎn)單分類(lèi)器就會(huì)更加強(qiáng)化對(duì)這 些分類(lèi)錯(cuò)誤樣本的訓(xùn)練 這樣經(jīng)過(guò)多次迭代之后 產(chǎn)生的每一個(gè)新分類(lèi)器基本 上可以解決已有分類(lèi)器不能很好分類(lèi)的樣本 從而得到一個(gè)弱分類(lèi)器序列 每 個(gè)弱分類(lèi)器賦予一個(gè)權(quán)重 分類(lèi)效果好的相應(yīng)權(quán)重就大 T 輪迭代后 最終的 強(qiáng)分類(lèi)器采用帶權(quán)重的投票法產(chǎn)生 圖 2 1 給出了 T 輪 AdaBoost 算法的流程 圖 開(kāi)始 更新樣本權(quán)重 給定訓(xùn)練樣本 x y 1 y 精品文檔 11歡迎下載11歡迎下載 N Y 初始化樣本權(quán)重置 t 0 t0 12 時(shí) 駕駛員處于疲勞狀態(tài) 精品文檔 30歡迎下載30歡迎下載 6 總結(jié) 近年來(lái)由疲勞引發(fā)的交通事故越來(lái)越多 疲勞駕駛預(yù)警系統(tǒng)對(duì)于避免交通事 故實(shí)現(xiàn)道路安全有重要意義 本文通過(guò)使用計(jì)算機(jī)視覺(jué)的方法對(duì)駕駛員進(jìn)行眼 睛定位和狀態(tài)分析 分別研究了人臉檢測(cè) 人眼定位和眼部狀態(tài)識(shí)別幾個(gè)方面 的內(nèi)容 然后融合 PERCLOS 來(lái)判斷駕駛員是否處于疲勞狀態(tài) 本文首先介紹基于 AdaBoost 算法的人臉檢測(cè)技術(shù) 結(jié)合 Haar Like 特征 分析了其實(shí)時(shí)檢測(cè)方面的優(yōu)點(diǎn) 并針對(duì) AdaBoost 算法對(duì)困難樣本不加以區(qū)分 的問(wèn)題 采用一種結(jié)合正樣本識(shí)別率的方法對(duì)權(quán)重更新進(jìn)行了改進(jìn) 在比較了 各種人眼檢測(cè)方法后 采用基于 AdaBoost 算法構(gòu)建雙層分類(lèi)器進(jìn)行人眼檢測(cè) 這種方法先檢測(cè)到人臉區(qū)域 然后根據(jù)人臉的 三庭五眼 結(jié)構(gòu)縮小人眼搜索的 區(qū)域 能夠排除大部分被誤識(shí)的非人眼區(qū)域 在對(duì)人眼成功進(jìn)行定位以后 采用了基于最小二乘法的眼睛輪廓橢圓擬合 方法 用所擬合的人眼橢圓來(lái)表示人眼的形狀特征 然后根據(jù)擬合橢圓的長(zhǎng)短 軸比例來(lái)判斷人眼的睜閉狀態(tài) 最后采用結(jié)合 PERCLOS 的方法判斷疲勞狀態(tài) 使得疲勞檢測(cè)系統(tǒng)更加的穩(wěn)定 精品文檔 31歡迎下載31歡迎下載 參考文獻(xiàn) 1 林廣宇 魏朗 基于數(shù)字圖像的汽車(chē)駕駛員行駛狀態(tài)判別 J 計(jì)算機(jī)工程 2007 33 22 193 194 2 梁路宏 艾海舟 基于人臉檢測(cè)的人臉追蹤算法 計(jì)算機(jī)工程與應(yīng)用 2001 17 42 45 3 吳康華 基于 PERCLOS 的駕駛疲勞檢測(cè)系統(tǒng)設(shè)計(jì) D 杭州 浙江大學(xué)信息學(xué)院 2008 4 張勁 安全駕駛中的人臉表情識(shí)別技術(shù)研究 D 南京 南京理工大學(xué)計(jì)算機(jī)應(yīng)用專(zhuān)業(yè) 200 5 賈永紅 數(shù)字圖像處理 M 武漢 武漢大學(xué)出版社 2003 6 朱振華 吳曉娟 王磊 等 基于眨眼持續(xù)時(shí)間的司機(jī)疲勞檢測(cè)方法 計(jì)算機(jī)工 程 2008 34 5 201 206 7 Li Ying Lai Jianhuang Ruen Pongchi Muti template ASM and Its 精品文檔 32歡迎下載32歡迎下載 Application in FacialFeature Points Detection Computer Research and Development 2007 44 1 133 140 8 Gerry E Warning system for fatigued drivers nearing reality with new eye dataf J Seienee Dai y Agazine 1997 7 25 30 9 王榮本 郭克友 儲(chǔ)江偉 適用駕駛員疲勞狀態(tài)監(jiān)測(cè)的人眼定位方法研究 J 公路交通 技術(shù) 2 003 20 5 111 114 10 夏芹 宋義偉 朱學(xué)峰 基于 PERCLOS 的駕駛疲勞監(jiān)控方法進(jìn)展 J 自動(dòng)化技術(shù) 與應(yīng)用 2008 27 6 43 46 11 鄭培 機(jī)動(dòng)車(chē)駕駛員駕駛疲勞測(cè)評(píng)方法的研究 D 北京 中國(guó)農(nóng)業(yè)大學(xué) 2001 12 Ma Y Xiaoqing Ding Robust precise eye location under probabilistic framework C Proceedings of the sixth IEEE International Conference on Automatic Face and GestureRecognition 2004 339 344 13 Freund Y Boosting a weak Learning Algorithm by Majority J Information and Computation 1995 121 2 256 285 14 M Pilu A W Fitzgibbon R Fisher Ellipse Specific Direct Least Square Fitting C PatternAnalysis and Machine Intelligence 1999 599 602 15 R Lienhart A Kuranov and V Pisarevsky Empirical analysis of detection cascades ofboosted classifiers for rapid object detection C In DAGM 25th Pattern RecognitionSymposium 2003 精品文檔 33歡迎下載33歡迎下載 精品文檔 34歡迎下載34歡迎下載 附錄 A clear all x imread C wuzun jpg 讀取原始圖像 figure 1 subplot 1 4 1 imshow x title 原圖像 1 y rgb2gray x subplot 1 4 2 imshow y title 圖像 1 的灰度圖 圖 1 灰度圖 u1 imnoise y salt subplot 1 4 3 imshow u1 title 圖像 1 加噪聲圖 給圖 1 加椒鹽噪聲 zz medfilt2 u1 3 3 z medfilt2 zz 5 5 2 次中值濾波 subplot 1 4 4 imshow z title 圖像 1 中值濾波 圖 1 中值濾波 3 3 窗口 figure 6 subplot 1 2 1 imshow zz title 一次濾波 subplot 1 2 2 imshow z title 二次濾波 x1 imread C wuzun1 jpg 精品文檔 35歡迎下載35歡迎下載 figure 2 subplot 1 4 1 imshow x1 title 原圖像 2 y1 rgb2gray x1 subplot 1 4 2 imshow y1 title 圖像 2 灰度圖 圖 2 灰度圖 u2 imnoise y1 salt subplot 1 4 3 imshow u2 title 圖像 2 叫噪聲圖 圖 2 加椒鹽噪聲 zz1 medfilt2 u2 3 3 z1 medfilt2 zz1 5 5 2 次中值濾波 subplot 1 4 4 imshow z1 title 圖像 2 濾波圖 圖 2 中值濾波 figure 5 subplot 1 2 1 imshow zz1 title 一次濾波 subplot 1 2 2 imshow z1 title 二次濾波 figure 3 subplot 1 2 1 imshow z title 處理后圖 1 figure 3 subplot 1 2 2 imshow z1 title 處理后圖 2 f imsubtract z1 z 圖 1 圖 2 差分 figure 4 subplot 1 1 1 imshow f title 差分后圖像 agin medfilt2 f 3 3 figure 10 imshow agin f agin 差分圖中值濾波 眼睛的粗定位 標(biāo)注一只眼睛 h w size f Amax 0 m 0 n 0 for i 10 h for j 10 w 精品文檔 36歡迎下載36歡迎下載 if Amax f i j Amax f i j m i n j end end end 標(biāo)另外一只眼睛 Bmax 0 m1 0 n1 0 for i1 10 m 10 for j1 10 w 10 if Bmax f i1 j1 Bmax f i1 j1 m1 i1 n1 j1 end end end for i2 m 10 h 10 for j2 10 w 10 if Bmax f i2 j2 Bmax f i2 j2 m1 i2 n1 j2 end end 精品文檔 37歡迎下載37歡迎下載 end 判斷兩眼的參數(shù)是否符合要求 figure 7 imshow z hold on plot n m n1 m1 title 標(biāo)定眼睛圖 給眼睛畫(huà)上矩形框 figure 8 imshow z title 眼睛粗定位 hold on Bvertex n 25 m 15 n 25 m 15 矩形的左上頂點(diǎn)坐標(biāo)和右下頂點(diǎn)坐標(biāo) plot Bvertex 1 1 Bvertex 2 1 Bvertex 1 2 Bvertex 1 2 r plot Bvertex 2 1 Bvertex 2 1 Bvertex 1 2 Bvertex 2 2 r plot Bvertex 2 1 Bvertex 1 1 Bvertex 2 2 Bvertex 2 2 r plot Bvertex 1 1 Bvertex 1 1 Bvertex 1 2 Bvertex 2 2 r hold on Bvertex n1 25 m1 15 n1 25 m1 15 矩形的左上頂點(diǎn)坐標(biāo)和右下頂點(diǎn)坐標(biāo) plot Bvertex 1 1 Bvertex 2 1 Bvertex 1 2 Bvertex 1 2 r plot Bvertex 2 1 Bvertex 2 1 Bvertex 1 2 Bvertex 2 2 r plot Bvertex 2 1 Bvertex 1 1 Bvertex 2 2 Bvertex 2 2 r plot Bvertex 1 1 Bvertex 1 1 Bvertex 1 2 Bvertex 2 2 r 最大類(lèi)間方差定二值化閾值 height width size z hist zeros 256 1 直方圖 threshold 128 初始閾值 精品文檔 38歡迎下載38歡迎下載 計(jì)算直方圖 for i 1 height for j 1 width m z i j 1 zz i j 灰度值從 0 255 hist m hist m 1 某級(jí)灰度的像素?cái)?shù) end end hist hist height width 落在每一灰度級(jí)上的概率 avg 0 for m 1 256 avg avg m 1 hist m end temp 0 for i 1 256 p1 0 avg1 0 avg2 0 T current i 1 當(dāng)前分割閾值 for m 1 T current 1 p1 hist m p1 低灰度級(jí)概率總和 精品文檔 39歡迎下載39歡迎下載 end p2 1 p1 高灰度級(jí)概率總和 for m 1 256 if m temp finalT T current temp D end end 濾波后差分圖二值化 f1 z for i 1 h 精品文檔 40歡迎下載40歡迎下載 for j 1 w if f1 i j finalT f1 i j 0 else f1 i j 255 end end end figure 13 imshow f1 title 差分后圖二值化 提取眼睛輪廓 精確定位眼睛矩形 最高點(diǎn) 最低點(diǎn) 最左邊 左右邊四點(diǎn)確定的矩形 一只眼輪廓 h1 w1 size f1 zg 0 zd 0 zzb 0 zyb 0 i3 0 j3 0 xj 50 yj 30 垂直和水平方向中心點(diǎn)矩形大小一半 x3 zeros 1 100 y3 zeros 1 60