專利名稱：基于Gabor變換的人臉疲勞序列模式識別系統(tǒng)的制作方法
基于Gabor變換的人臉疲勞序列模式識別系統(tǒng)
技術(shù)領(lǐng)域：
本發(fā)明屬于信息技術(shù)應(yīng)用領(lǐng)域，具體是指一種基于Gabor變換的人臉疲勞序列模 式識別系統(tǒng)。背景技術(shù)：
根據(jù)美國聯(lián)邦調(diào)查局顯示，20%-30%的交通事故都是由于疲勞駕駛所引起的，駕 駛員疲勞檢測技術(shù)的研究對于預(yù)防交通事故有著重要意義。目前駕駛員疲勞檢測研究方法可以分成兩大類，一類是從駕駛員自身特征出發(fā)， 通過某種設(shè)備獲取駕駛員的生理參數(shù)特征或者視覺特征，利用駕駛員在正常狀態(tài)和疲勞狀 態(tài)的特征模式不同，采用相應(yīng)的模式識別技術(shù)進行分類判別，從而檢測到是否有疲勞產(chǎn)生； 另一類是根據(jù)車輛的行為表現(xiàn)間接判斷駕駛員是否產(chǎn)生疲勞，在這類技術(shù)中，通過傳感器 獲取車輛在行駛過程中的各種參數(shù)，根據(jù)車輛行駛過程中的異常情況，如車輛是否超過道 路標(biāo)識線，速度是否超速，車輛之間的距離是否太近等，通過車輛的異常情況判斷駕駛員是 否有疲勞產(chǎn)生。基于視覺特征的疲勞檢測技術(shù)是利用攝像機和計算機視覺、數(shù)字圖像處理，模式 識別等技術(shù)對視覺特征進行分類識別。當(dāng)駕駛員疲勞時會出現(xiàn)眼瞼運動速度變慢，眼睛睜 開幅度變小，眼睛凝視方向狹窄甚至閉眼等，有的會有頻繁點頭、打呵欠等，因此可以通過 研究眼瞼眨動、眼球運動、頭部的位移面部表情等視覺特征進行疲勞檢測，而且這種檢測方 法是非接觸式的，不會給駕駛員帶來負擔(dān)。Gabor小波的核函數(shù)與人類視覺系統(tǒng)中簡單細胞的視覺刺激響應(yīng)非常相似，有很 好的空間局部性和方向選擇性特征。它在提取目標(biāo)的局部空間和頻率域信息方面具有良好 的特性。Gabor小波對于圖像的邊緣敏感，能夠提供良好的方向選擇和尺度選擇特性，且對 于光照變化不敏感，由于他們的生物相關(guān)性和計算特性，因此Gabor小波被廣泛應(yīng)用于不 同的圖像處理應(yīng)用中，如人臉識別，表情識別等。但目前已有的基于Gabor變換的駕駛員疲 勞狀態(tài)識別系統(tǒng)一般是基于監(jiān)視器采集到的單幅臉部圖形特征來判別駕駛員是否處于疲 勞駕駛狀態(tài)，從而導(dǎo)致誤判率很高，例如駕駛員偶爾打一個哈欠并不代表其真正的疲勞。

發(fā)明內(nèi)容本發(fā)明所要解決的技術(shù)問題在于提供一種能有效識別駕駛員是否疲勞的基于 Gabor變換的人臉疲勞序列模式識別系統(tǒng)。本發(fā)明采用以下技術(shù)方案解決上述技術(shù)問題基于Gabor變換的人臉疲勞序列模式識別系統(tǒng)，該系統(tǒng)包括四個部分基于Gabor變換的人臉圖像特征抽取利用監(jiān)視器對駕駛員的臉部圖像進行采 集，并將采集得到的數(shù)據(jù)存入到統(tǒng)一的原始圖像數(shù)據(jù)庫中，然后，基于Gabor變換對每一幅 原始臉部圖像進行特征抽取，得到對應(yīng)的人臉特征向量表示，構(gòu)造人臉特征表示庫；基于數(shù)據(jù)挖掘技術(shù)的人臉疲勞序列模式挖掘?qū)Σ杉降挠糜谄谔卣餍蛄心Ｊ接?xùn)練的駕駛員臉部疲勞圖像序列，通過基于Gabor變換的人臉圖像特征抽取，形成駕駛員 臉部疲勞特征向量序列，進而構(gòu)造疲勞特征序列模式訓(xùn)練數(shù)據(jù)庫S，然后，在此基礎(chǔ)上，基于 序列模式挖掘技術(shù)挖掘出駕駛員臉部疲勞特征序列模式；基于滑動時間窗技術(shù)的人臉圖像序列抽取利用給定的用于分段采樣的滑動時間 窗Δ T，對監(jiān)視器實時監(jiān)控到的駕駛員臉部圖像數(shù)據(jù)流進行采樣，形成時間跨度為ΔΤ的采 樣臉部圖像序列，并通過基于Gabor變換的人臉圖像特征抽取，形成駕駛員臉部采樣特征 向量序列；基于模式匹配技術(shù)的人臉疲勞序列模式識別將得到的駕駛員臉部采樣特征向量 序列，與利用基于序列模式挖掘技術(shù)挖掘出的駕駛員臉部疲勞特征序列模式，進行序列模 式匹配，從而判定當(dāng)前駕駛員是否處于疲勞狀態(tài)。所述基于Gabor變換的人臉圖像特征抽取包括假定一副人臉圖像為I (x，y)，則 可通過Gabor變換得到該圖像在方向u與尺度ν下的Gabor表示為Gv，u (x，y)，其中u e
，ν e
。然后，假定每幅人臉圖像的寬度和高度相同，分別為W 和H，通過寬度和高度分別為Lx和Ly的采樣窗口，可將整幅人臉圖像剖分為T ( = T0^T1)個
小的矩形子圖{Lwre
}，其中:T0=+1 ,Γ, =。選擇
每個矩形子圖的中心點yi,r)作為樣本點，從而可將矩形子圖LiJ在方向U與尺度V 下的特征值GmrOq.r，Yi, r)。令
測臉部圖像η
在方向u與尺度ν下的特征可表示為一個T維0-1向量
再令
，則臉部
圖像Ii在尺度ν下的特征可在經(jīng)過方向融合之后進一步表示為一個T維0-1向量Vi, ν = (Di,.,ο, Diiva, · · ·，Du1)，最后，令不，V={v,’則臉部圖像Ii可最終表示為一
個S-I維的多尺度特征向量.
由此，任意一個給定的 人臉圖像序列S = <I0, I1, ...，Ilri)可表示為一個多尺度特征向量序列fc/K，.,.,/::〉。所述基于數(shù)據(jù)挖掘技術(shù)的人臉疲勞序列模式挖掘包括對訓(xùn)練集中的每個駕駛 員疲勞圖像序列又=(…》..，力>，利用基于Gabor變換的人臉圖像特征抽取方 法表示成對應(yīng)的疲勞特征向量序列《=<■ ,(,...,/,L-P。然后，假定圖像t 對應(yīng)的拍攝時間分別為TQ，T1, ... J,、々 =F^maxiroJi,■··, 7"..,」.} ’則選擇二表示 st的序號，從而可得到疲勞特征序列模式訓(xùn)練數(shù)據(jù)庫ρ (<n:V5.>)；在此基礎(chǔ)上，基于一個給定的支持度閥值mirusupport，對任意序列α，定義其在5中的支持度計算方式為 support(a,i) = |{<0:·>|(<0 e )Λ(α〔::;)}|’若supporl(ot—、)2min—support,
則稱α為一個疲勞序列模式，長度為1的疲勞序列模式簡稱為1-疲勞序列模式。最后，基 于序列模式挖掘技術(shù)，即可挖掘出疲勞特征序列模式訓(xùn)練數(shù)據(jù)庫 中的所有疲勞序列模式 Ψ ；所述基于滑動時間窗技術(shù)的人臉圖像序列抽取包括假定監(jiān)視器連續(xù)實時采 集到的駕駛員臉部圖像數(shù)據(jù)流為I1, 12，...，Ij,...，定義滑動時間窗大小為時間間隔 ΔΤ，則通過該滑動時間窗即可將上述監(jiān)視器連續(xù)實時采集到的駕駛員臉部圖像數(shù)據(jù)流 分段為離散的駕駛員臉部圖像序列；然后，即可針對得到的任意駕駛員臉部圖像序列 乃, ‘K,…，，利用基于Gabor變換的人臉圖像特征抽取方法表示成對應(yīng) 的特征向量序列二‘；所述基于模式匹配技術(shù)的人臉疲勞序列模式識別包括針對上述得到的當(dāng)前駕 駛員臉部圖像特征向量序列基于模式匹配的方法，將ΓΓ與挖掘得到的疲勞序列模式集 合ψ中的每個疲勞序列模式進行對比，若存在一個Ψ中的疲勞序列模式β為二的子序 列，則通過監(jiān)視器發(fā)布告警信息，提示駕駛員當(dāng)前已處于疲勞狀態(tài)。其中，一個序列S = <Sl，S2, . . , Sl>稱為另一個序列t = <ti; t2，. . .，tm>的子序列，當(dāng)且僅當(dāng)存在一系列整數(shù) 1 ^ J1 ^ j2 ^ ... ^ J1 ^ m，使得 本發(fā)明的優(yōu)點在于以監(jiān)視器連續(xù)實時采集到的駕駛員臉部圖像數(shù)據(jù)流數(shù)據(jù)作為 數(shù)據(jù)源，基于Gabor變換與數(shù)據(jù)挖掘技術(shù)，提出了一種可快速有效地判定駕駛員當(dāng)前是否 處于疲勞駕駛狀態(tài)的人臉疲勞序列模式識別模型，基于該模型的人臉疲勞序列模式識別系 統(tǒng)能實時有效地監(jiān)控駕駛員當(dāng)前是否處于疲勞駕駛狀態(tài)。在該方法中，不是單純基于單幅 臉部圖形特征來判別駕駛員是否處于疲勞駕駛狀態(tài)，而是基于駕駛員在一段連續(xù)時間內(nèi)的 臉部圖形序列，通過判定在該序列中駕駛員的臉部圖形特征變化來識別其是否真正處于疲 勞狀態(tài)，與已有同類方法相比，該方法不但在邏輯上更為合理，而且在性能上也有大幅度提 高，具有非常低的誤判率和非常高的準(zhǔn)確率，是一種切實可行的駕駛員疲勞檢測技術(shù)，對于 預(yù)防交通事故的發(fā)生有著重要意義。

下面參照附圖結(jié)合實施例對本發(fā)明作進一步的描述。圖1是本發(fā)明的基于Gabor變換的人臉疲勞序列模式識別系統(tǒng)框架圖。圖2是本發(fā)明的一種基于Gabor變換的人臉圖像特征抽取算法流程圖。圖3是本發(fā)明的一種基于序列模式挖掘技術(shù)的人臉疲勞序列模式挖掘算法流程 圖。圖4是本發(fā)明的一種基于滑動時間窗技術(shù)的駕駛員疲勞序列模式實時識別算法 流程圖。
具體實施方式本發(fā)明提出一種可實時快速判定駕駛員是否處于疲勞駕駛狀態(tài)的基于Gabor變 化與序列模式挖掘技術(shù)的人臉疲勞序列模式識別模型，在該模型中，為了實現(xiàn)最終的人臉 疲勞序列模式識別，首要解決的問題是如何構(gòu)建人臉圖像的特征表示模型和特征表示庫， 以期利用此特征表示模型和特征表示庫能方便的對人臉圖像進行數(shù)學(xué)表示。其次是如何找 到一種快速合適的方法對造成疲勞圖像序列數(shù)據(jù)進行疲勞序列模式提取，使得可基于駕駛 員的疲勞圖像序列數(shù)據(jù)進行訓(xùn)練，并最終得到駕駛員處于疲勞駕駛狀態(tài)時的疲勞特征序列 模式集。再次是如何將監(jiān)視器連續(xù)實時采集到的臉部圖像數(shù)據(jù)流離散化為臉部圖像序列， 以便能基于前面得到的疲勞特征序列模式集進行駕駛員當(dāng)前狀態(tài)的識別處理。最后一個問 題是如何設(shè)計一種有效的方式基于前面得到的疲勞特征序列模式集對當(dāng)前得到的駕駛員 臉部圖像序列進行模式匹配，使得系統(tǒng)能頁利識別駕駛員當(dāng)前是否處于疲勞駕駛狀態(tài)。圖1所示為基于Gabor變換的人臉疲勞序列模式識別系統(tǒng)框架圖，其中詳細展示 了基于Gabor變換的人臉疲勞序列模式識別系統(tǒng)所包括的四個部分，其中每個部分產(chǎn)生的 結(jié)果作為下一個部分數(shù)據(jù)處理的對象。
第一個部分進行的是基于Gabor變換的人臉圖像特征抽取，得到原始人臉圖像所 對應(yīng)的Gabor特征向量表示，并將訓(xùn)練庫中的疲勞圖像序列轉(zhuǎn)換為Gabor疲勞特征向量序 列，在第二部分中經(jīng)過為每個Gabor疲勞特征向量序列增加序號的預(yù)處理以后，形成原始 疲勞特征序列數(shù)據(jù)庫，隨后采用序列模式挖掘技術(shù)，最終得到疲勞特征序列模式集，形成分 類器。第三部分，在接下來的對監(jiān)視器實時連續(xù)采集的駕駛員臉部圖像數(shù)據(jù)流的疲勞狀態(tài) 識別中，根據(jù)滑動時間窗對監(jiān)視器實時連續(xù)采集的駕駛員臉部圖像數(shù)據(jù)流進行采樣，得到 駕駛員的當(dāng)前臉部圖像序列。第四部分，對得到的駕駛員的當(dāng)前臉部圖像序列，利用Gabor 變換得到對應(yīng)的Gabor特征序列，再通過將得到的對應(yīng)的Gabor特征序列與疲勞特征序列 模式集中的疲勞特征序列模式進行模式匹配，對駕駛員當(dāng)前是否處于疲勞駕駛狀態(tài)進行模 式識別。圖2為一種基于Gabor變換的人臉圖像特征抽取算法流程圖。令i表示復(fù)數(shù)符號，U，ν分別表示Gabor小波的方向與尺度，K表 示方向的總個數(shù)，Il . Il表示范數(shù)操作符，則基于二維Gabor小波的核函數(shù)
知㈣)=竽哪(-鳴近一—讀-⑦)廣印，，釦，其中，《廣
.v" ,
度V和方向U下對應(yīng)的Gabor表示為 再假定每幅人臉圖像的寬度和高度相同，分別為W和H，通過寬度和高度分別為 1^和Ly的采樣窗口，可將整幅人臉圖像剖分為T
)個小的矩形子圖ILi^re [O,
Iu r)作為樣本點，從而可將矩形子圖Lu在方向U與尺度V下的特征值Gi, v, u,r(Xi,r,yi,r)0
則臉部圖像Ii在方向u與尺度ν下的特征可表
示為一個 T 維 0-1 I^fi Vijvju = (TijVjUj0(xij0, Yijο)，TijVjUjl(xia, yia)，· · ·，TijVjUjT(xijT_i; Yij η))，再令:
,則臉部圖像Ii在尺度ν下的特征可在經(jīng)
過方向融合之后進一步表示為一個T維0-1向量Vi,v = (Dij Vj0, Dijva, ...，Di,^),最 后，令石
，則臉部圖像Ii可最終表示為一個S-I維的多尺度特征向量由此，任意一個給定的人臉圖像序列S = <1。， 11，...，^可表示為一個多尺度特征向量序列爐'=<>。完成這些預(yù)備工作后，正式的算法流程分為以下步驟步驟Al 對每幅人臉圖像Ii，經(jīng)過Gabor變換得到其在方向u與尺度ν下對應(yīng)的 Gabor表示圖像；步驟Α2 針對得到的在方向u與尺度ν下的Gabor表示圖像，基于采樣窗口將整 幅圖像剖分為T(ZTc^T1)個小的矩形子圖ILi^re
}；步驟A3 選擇每個矩形子圖的中心點Yi, r)作為樣本點，從而可將矩形子圖 L^在方向u與尺度ν下的特征值GmJxiY Yi, r)；步驟A4 基于G^m (Xi,r, Yi,r)，得到人臉圖像Ii在方向u與尺度ν下對應(yīng)的特正
向里 Vi, V，u — (Ti, v，u，0 (Xi，0，yi，0)，Ti, ν, U, 1 (Xi’ 1，Υ , )，· · ·，^i, v, u, χ (Xi, Τ—1，Yi, T-l))；步驟A5 在經(jīng)過方向融合之后，得到臉部圖像Ii在尺度ν下對應(yīng)的特征向量Vi, v
—(Di，v，0，Di7v7l，· · ·，Di, V, T-l)；步驟A6 基于Vi, v = (Di^0, Diiva, ...，D^^)，得到臉部圖像Ii對應(yīng)的多尺度特 征向量步驟Α7:算法終止。由此，任意一個給定的人臉圖像序列S = <I0, I1, ... , D可表示為一個多尺度 特征向量序列Z 二 </丨Vi,...,〔一。圖3為一種基于序列模式挖掘技術(shù)的人臉疲勞序列模式挖掘算法流程圖。針對選定的由駕駛員疲勞圖像序列構(gòu)成的訓(xùn)練庫，首先，通過基于Gabor變換 的人臉圖像特征抽取算法，將任意一個給定的疲勞圖像序列S = Otl, I1,‘,表 示為一個多尺度特征向量序列壙=</;:\i:‘,。然后，假定圖像^ /丨’,…，/:;^對應(yīng) 的拍攝時間分別為TQ，T1,...，乙，令二 max{ro, Γ丨.，廠，則選擇?！副硎維t 的序號，從而可得到疲勞特征序列模式訓(xùn)練數(shù)據(jù)庫^={<7V.,S:‘>}。在此基礎(chǔ)上，基于一 個給定的支持度閥值mirusupport，對任意序列α，定義其在: ·中的支持度計算方式為support(a,) = I{<Tr ,5:'>| (<rr' ,5. >e S)A(a c5.")}| ,^fsupport(ot,5) > min_support,
則稱α為一個疲勞序列模式，長度為1的疲勞序列模式簡稱為1-疲勞序列模式。最后，基 于序列模式挖掘技術(shù)，即可挖掘出疲勞特征序列模式訓(xùn)練數(shù)據(jù)庫 中的所有疲勞序列模式 Ψ?；谝陨蠝?zhǔn)備工作，基于序列模式挖掘技術(shù)的人臉疲勞序列模式挖掘算法的步驟具體 如下步驟Bl 構(gòu)造疲勞特征序列數(shù)據(jù)庫 ;步驟Bll 將疲勞圖像序列& = </:-.、. — !，/: 一表示為Gabor疲勞特征序 列>；步驟Β12 通過為每個Gabor疲勞特征序列f:增加序號(，將Gabor疲勞特征序列 表示為形式；從而構(gòu)造疲勞特征序列數(shù)據(jù)庫戶{ <r:\S>)；步驟B2:掃描9得到所有的頻繁項(即1-序列模式)Xl，X2, ... , xn,同時收 集每個Xi的支持度Supporti,假定得到的1-序列模式集為L1 = <Xl，X2, ... , xn>，其 中，L1中的各個1-序列模式Xl，x2, . . . , xn是按照各自的支持度的降序排列的，即有 Support1 ^ support2 ^ . . . ^ Supportn ；步驟B3 :F0R(k = 2 ；Llrl Φ Φ ；k++) DO BEGIN ；/y^M B4 :Ck = fatigue-sequential-patterns-candidates-generate (L^1)；步驟B5 :F0R each<7r.,5y> e DO ；步驟B6 對Ck中的每個候選序列，若其為S「的一個子序列，則將該候選序列的支 持度加1 ；步驟B7 令Lk = {Ck中支持度大于等于mirusupport的候選序列}；步驟B8 =END ；步驟B9 返回UKLk中的最大序列子算法 fat igue-sequential-patterns-candi dates-generate (L^1)白勺步驟如 下步驟Cl (連接階段)通過將Llri與自身連接，形成候選的k-疲勞序列模式集，其 中，Lk—與自身連接的方式如下對“―中的兩個(k-l)_疲勞序列模式81與82，若通過刪除S1中的第一個項(item) 與刪除S2的最后一個項所得到的子序列是相同的，則稱這兩個序列S1與S2是可連接的。由 此，通過將S2的最后一個項添加到S1中，可得到一個新的候選k-疲勞序列模式。由于S2的 最后一個項可能為S2中的一個單獨的項集(itemset)，也可能為S2中最后一個項集中的最 后一個項，因此，在通過將Llri與自身連接時，除了需要將S2的最后一個項作為一個單獨的 項集添加到S1中來構(gòu)造一個新的候選k-疲勞序列模式之外，還需要將S2的最后一個項作為 S1中的最優(yōu)一個項集中的最后一個項添加到S1中來構(gòu)造另一個新的候選k-疲勞序列模式；步驟C2 (剪枝階段)在上述得到的所有候選k_疲勞序列模式中，若某個候選 k_疲勞序列模式具有一個支持度小于mirusupport的(k_l)-子序列，則刪除該候選k_疲 勞序列模式。圖4是一種基于滑動時間窗 技術(shù)的駕駛員疲勞序列模式實時識別算法流程圖。該算法針對監(jiān)視器實時采集的連續(xù)的駕駛員臉部圖像數(shù)據(jù)流數(shù)據(jù)，首先通過選定的滑動時間窗口大小得到當(dāng)前的駕駛員臉部頭像序列，其中，圖像序列的時間跨度為滑動 時間窗口的大小。然后，利用基于Gabor變換的人臉圖像特征抽取算法得到對應(yīng)的Gabor 特征序列。 本發(fā)明以監(jiān)視器連續(xù)實時采集到的駕駛員臉部圖像數(shù)據(jù)流數(shù)據(jù)作為數(shù)據(jù)源，基 于Gabor變換與數(shù)據(jù)挖掘技術(shù)，提出了一種可快速有效地判定駕駛員當(dāng)前是否處于疲勞駕 駛狀態(tài)的人臉疲勞序列模式識別模型，基于該模型的人臉疲勞序列模式識別系統(tǒng)能實時有 效地監(jiān)控駕駛員當(dāng)前是否處于疲勞駕駛狀態(tài)。在該方法中，不是單純基于單幅臉部圖形特 征來判別駕駛員是否處于疲勞駕駛狀態(tài)，而是基于駕駛員在一段連續(xù)時間內(nèi)的臉部圖形序 列，通過判定在該序列中駕駛員的臉部圖形特征變化來識別其是否真正處于疲勞狀態(tài)，與 已有同類方法相比，該方法不但在邏輯上更為合理，而且在性能上也有大幅度提高，具有非 常低的誤判率和非常高的準(zhǔn)確率，是一種切實可行的駕駛員疲勞檢測技術(shù)，對于預(yù)防交通 事故的發(fā)生有著重要意義。
10
權(quán)利要求
基于Gabor變換的人臉疲勞序列模式識別系統(tǒng)，其特征在于該系統(tǒng)包括四個部分基于Gabor變換的人臉圖像特征抽取利用監(jiān)視器對駕駛員的臉部圖像進行采集，并將采集得到的數(shù)據(jù)存入到統(tǒng)一的原始圖像數(shù)據(jù)庫中，然后，基于Gabor變換對每一幅原始臉部圖像進行特征抽取，得到對應(yīng)的人臉特征向量表示，構(gòu)造人臉特征表示庫；基于數(shù)據(jù)挖掘技術(shù)的人臉疲勞序列模式挖掘?qū)Σ杉降挠糜谄谔卣餍蛄心Ｊ接?xùn)練的駕駛員臉部疲勞圖像序列，通過基于Gabor變換的人臉圖像特征抽取，形成駕駛員臉部疲勞特征向量序列，進而構(gòu)造疲勞特征序列模式訓(xùn)練數(shù)據(jù)庫S，然后，在此基礎(chǔ)上，基于序列模式挖掘技術(shù)挖掘出駕駛員臉部疲勞特征序列模式；基于滑動時間窗技術(shù)的人臉圖像序列抽取利用給定的用于分段采樣的滑動時間窗ΔT，對監(jiān)視器實時監(jiān)控到的駕駛員臉部圖像數(shù)據(jù)流進行采樣，形成時間跨度為ΔT的采樣臉部圖像序列，并通過基于Gabor變換的人臉圖像特征抽取，形成駕駛員臉部采樣特征向量序列；基于模式匹配技術(shù)的人臉疲勞序列模式識別將得到的駕駛員臉部采樣特征向量序列，與利用基于序列模式挖掘技術(shù)挖掘出的駕駛員臉部疲勞特征序列模式，進行序列模式匹配，從而判定當(dāng)前駕駛員是否處于疲勞狀態(tài)。
2.如權(quán)利要求1所述的基于Gabor變換的人臉疲勞序列模式識別系統(tǒng)，其特征在于 所述基于Gabor變換的人臉圖像特征抽取包括假定一副人臉圖像為I (x，y)，則可通過Gabor變換得到該圖像在方向u與尺度v下的Gabor表示為Gv,u(x，y)，其中u G
，v G
。然后，假定每幅人臉圖像的寬度和高度相同，分別為W 和H，通過寬度和高度分別為“和Lv的采樣窗口，可將整幅人臉圖像剖分為T( = T。*!^個g
}，其中 + 1;選擇每個矩形子圖的中心點(Xu，yiJ作為樣本點，從而可將矩形子圖Lu在方向u與尺度v下的 特征值k^ ( 、 1: //G, (X,,,乃》>0.(Xi,r，yi,r)；令 ’則臉部圖像 I,在方向U與尺度V下的特征可表示為一個T維0-1向量V^u = (Tm。(Xi,0, yi,0)，Ti.m (Xu，Yi,i)，…，Ti7V,u, T(xi T_1 yi,T-i))，再令: ，則臉部圖像1在尺度v下的特征可在經(jīng)過方向融合之后進一步表示為一個T維0-1向量、，=D^h)，最后，令 測臉部圖像L可最終表示為一個S-1維的多尺度特征向量=({0,足()},{1,；由此，任意一個給定的人臉圖像序列S = <I0, Ii，. . .，In_i>可表示為一個多尺度特征向量序列卜/丨’所述基于數(shù)據(jù)挖掘技術(shù)的人臉疲勞序列模式挖掘包括對訓(xùn)練集中的每個駕駛員疲 勞圖像序列& =義 …，，…義〉，利用基于Gabor變換的人臉圖像特征抽取方法表示成對應(yīng)的疲勞特征向量序列.:二=<夂，彳，…, ’」:-:>；然后，假定圖像/r, 對應(yīng)的拍攝時間分別為tq，1\，Th...,:}，則選擇r/表 示St的序號，從而可得到疲勞特征序列模式訓(xùn)練數(shù)據(jù)庫{<tV_,€>};在此基礎(chǔ)上， 基于一個給定的支持度閥值min_support，對任意序列a，定義其在s中的支持度計算方 式為 support(a,0 = |{<7*廠，5>| (<r.",5； > e 5)a( )}丨，若 support(a，S)彡 min_ support，則稱a為一個疲勞序列模式，長度為1的疲勞序列模式簡稱為1-疲勞序列模式。 最后，基于序列模式挖掘技術(shù)，即可挖掘出疲勞特征序列模式訓(xùn)練數(shù)據(jù)庫S中的所有疲勞 序列模式▽；所述基于滑動時間窗技術(shù)的人臉圖像序列抽取包括假定監(jiān)視器連續(xù)實時采集到 的駕駛員臉部圖像數(shù)據(jù)流為Ip 12，..，Ij,...定義滑動時間窗大小為時間間隔AT， 則通過該滑動時間窗即可將上述監(jiān)視器連續(xù)實時采集到的駕駛員臉部圖像數(shù)據(jù)流分 段為離散的駕駛員臉部圖像序列；然后，即可針對得到的任意駕駛員臉部圖像序列 ” 丨一.，:，…，力>，利用基于Gabor變換的人臉圖像特征抽取方法表示成對應(yīng)的特征向量序列二.；所述基于模式匹配技術(shù)的人臉疲勞序列模式識別包括針對上述得到的當(dāng)前駕駛員 臉部圖像特征向量序列""S于模式匹配的方法，將盡’與挖掘得到的疲勞序列模式集合 ^中的每個疲勞序列模式進行對比，若存在一個W中的疲勞序列模式0為rr的子序列， 則通過監(jiān)視器發(fā)布告警信息，提示駕駛員當(dāng)前已處于疲勞狀態(tài)。其中，一個序列S = <Sl， s2，. . .，Sl>稱為另一個序列t = <t:, t2，. . .，tffl>的子序列，當(dāng)且僅當(dāng)存在一系列整數(shù) 1彡丄彡j2彡…彡丄彡m，使得A^；-，幻^、，…而^.。
全文摘要
基于Gabor變換的人臉疲勞序列模式識別系統(tǒng)，包括四個部分基于Gabor變換的人臉圖像特征抽取；基于數(shù)據(jù)挖掘技術(shù)的人臉疲勞序列模式挖掘；基于滑動時間窗技術(shù)的人臉圖像序列抽?。换谀Ｊ狡ヅ浼夹g(shù)的人臉疲勞序列模式識別。本發(fā)明以通過監(jiān)視器連續(xù)采集到的人臉圖像數(shù)據(jù)流作為數(shù)據(jù)源，基于Gabor變換，結(jié)合序列模式挖掘技術(shù)，提出了一種基于Gabor變換的人臉疲勞序列模式識別模型，基于該模型的人臉疲勞序列模式識別系統(tǒng)能有效識別駕駛員的疲勞狀態(tài)。
文檔編號G06K9/46GK101859386SQ201010173888
公開日2010年10月13日 申請日期2010年5月17日 優(yōu)先權(quán)日2010年5月17日
發(fā)明者楊海燕, 王桐森, 王雷, 蔣新華 申請人:福建工程學(xué)院