本發(fā)明涉及一種人眼狀態(tài)的識(shí)別方法，具體講是一種基于網(wǎng)格區(qū)域分割和閾值自適應(yīng)的人眼狀態(tài)快速識(shí)別方法，屬于圖像處理與模式識(shí)別
技術(shù)領(lǐng)域：
。
背景技術(shù)：
：美國(guó)國(guó)家公路交通安全署統(tǒng)計(jì)每年因疲勞駕駛而導(dǎo)致大約10萬(wàn)起交通事故；法國(guó)國(guó)家警察總署的交通事故統(tǒng)計(jì)，因疲勞瞌睡產(chǎn)生的事故，占人身傷害事故的14.9％，占死亡事故的20.6％；德國(guó)境內(nèi)高速公路上，人身傷害事故的25％是由疲勞駕駛引起的。我國(guó)隨著機(jī)動(dòng)車保有量的持續(xù)快速增加以及高速公路通車?yán)锍讨鹉暝鲩L(zhǎng)，現(xiàn)代生活節(jié)奏的加快，高速公路上重大交通事故中約48％因疲勞駕駛導(dǎo)致。疲勞駕駛引發(fā)的交通事故已被公認(rèn)為當(dāng)今世界危害人類生命安全的第一大公害，為了保護(hù)廣大生命財(cái)產(chǎn)安全，疲勞駕駛預(yù)警技術(shù)成為探索汽車主動(dòng)安全設(shè)計(jì)領(lǐng)域的主要研究熱點(diǎn)。基于駕駛員臉部，重點(diǎn)眼睛區(qū)域特征的圖像分析技術(shù)，是防疲勞駕駛監(jiān)測(cè)的主要手段之一。困擾眼部狀態(tài)疲勞識(shí)別準(zhǔn)確率提高的兩大問(wèn)題，一個(gè)是監(jiān)測(cè)過(guò)程來(lái)源頭部轉(zhuǎn)動(dòng)和眼神漂移的人眼瞳孔位置的可能變化。其中頭部轉(zhuǎn)動(dòng)引起的瞳孔位置變化，主要通過(guò)人眼動(dòng)態(tài)跟蹤技術(shù)進(jìn)行解決，目前隨著人臉捕捉識(shí)別技術(shù)的發(fā)展，已經(jīng)轉(zhuǎn)入產(chǎn)品化的實(shí)際應(yīng)用，例如各種嵌入數(shù)字?jǐn)z像功能的電子設(shè)備的笑臉捕捉功能。另一個(gè)是監(jiān)測(cè)時(shí)間段內(nèi)光照變化引起前后幀眼部圖像灰度變化，而導(dǎo)致圖像增強(qiáng)處理閾值的不確定性。目前，駕駛員疲勞檢測(cè)過(guò)程中眼睛狀態(tài)識(shí)別算法主要有：模板匹配算法、灰度投影算法、Hough變換檢測(cè)圓法、橢圓擬合法等。模板匹配算法利用采集到的人眼圖像與閉眼模板進(jìn)行匹配，涉及到歸一化、相似度的計(jì)算，針對(duì)不同光照情況，需要多個(gè)模板進(jìn)行匹配，計(jì)算量較大；灰度投影法是對(duì)圖像灰度進(jìn)行水平、垂直投影，利用投影曲線的峰值，可大致得到眼部區(qū)域，但易受光照條件的影響，不能有效解決光照變化的問(wèn)題；Hough檢測(cè)圓算法、橢圓擬合法的原理利用的是邊緣圖像，當(dāng)頭部轉(zhuǎn)動(dòng)、光照不均引起邊緣特征不明顯的情況下，識(shí)別準(zhǔn)確率不高，需要有效的邊緣檢測(cè)算法的支撐。2011年5月11日，中國(guó)發(fā)明專利CN102054163A公開(kāi)了一種基于單目視覺(jué)的駕駛員疲勞檢測(cè)方法，利用Adaboost算法對(duì)人臉進(jìn)行檢測(cè)后，進(jìn)一步利用形態(tài)學(xué)濾波、提取眼部特征等方法進(jìn)行疲勞判定。該發(fā)明是在人臉區(qū)域內(nèi)進(jìn)行眼部特征提取，與直接提取人眼區(qū)域的方法相比，容易受眉毛等其他因素的干擾，導(dǎo)致提取到眼部特征不明顯甚至不正確。此外，采用的四種聯(lián)合判定方法均采用固定閾值的方法，無(wú)法解決監(jiān)測(cè)時(shí)間段內(nèi)光照變化引起前后幀眼部圖像梯度變化、灰度變化、膚色比特率變化，而導(dǎo)致閾值的不確定性。2011年7月13日，中國(guó)發(fā)明專利CN102122357A公開(kāi)了一種基于人眼睜閉狀態(tài)的疲勞檢測(cè)方法，利用膚色模型、輪廓提取等進(jìn)一步判定疲勞。該發(fā)明選用的膚色模型，無(wú)法解決監(jiān)測(cè)時(shí)間段內(nèi)光照變化、光照不足情況下膚色模型難以建立的問(wèn)題，受光照影響較大。同時(shí)，頭部轉(zhuǎn)動(dòng)會(huì)影響輪廓的提取，導(dǎo)致該發(fā)明識(shí)別精度不高。2013年11月20日，中國(guó)發(fā)明專利CN103400471A公開(kāi)了一種駕駛員疲勞駕駛檢測(cè)系統(tǒng)及檢測(cè)方法，利用Adaboost算法定位人臉，在臉部區(qū)域進(jìn)一步利用Harris角點(diǎn)檢測(cè)、橢圓擬合來(lái)判定人眼狀態(tài)。該發(fā)明計(jì)算量大，并且利用的是邊緣圖像，當(dāng)頭部轉(zhuǎn)動(dòng)、光照不均引起邊緣特征不明顯的情況下，識(shí)別準(zhǔn)確率不高，需要有效的邊緣檢測(cè)算法的支撐。技術(shù)實(shí)現(xiàn)要素：本發(fā)明所要解決技術(shù)問(wèn)題在于克服現(xiàn)有技術(shù)缺陷，提供一種能有效克服駕駛過(guò)程中駕駛員頭部轉(zhuǎn)動(dòng)、經(jīng)常性的眼神漂移引起的瞳孔位置變化和光照變化引起前后幀眼部圖像灰度變化而導(dǎo)致圖像增強(qiáng)處理閾值的不確定性，提高人眼疲勞狀態(tài)識(shí)別準(zhǔn)確率的基于網(wǎng)格區(qū)域分割和閾值自適應(yīng)的人眼狀態(tài)快速識(shí)別方法。為了解決上述技術(shù)問(wèn)題，本發(fā)明提供的基于網(wǎng)格區(qū)域分割和閾值自適應(yīng)的人眼狀態(tài)快速識(shí)別方法，包括以下步驟：1)、對(duì)采集到的人臉圖像進(jìn)行清晰處理后提取人眼Haar特征；2)、根據(jù)步驟1)提取到的人眼Haar特征，利用Adaboost算法定位眼部區(qū)域矩形框信息；3)、利用網(wǎng)格三分法將眼部區(qū)域分成Ⅰ、Ⅱ和Ⅲ三個(gè)區(qū)域；4)、采用自適應(yīng)求取背景圖像分離最佳閾值的二值化算法，以求得的閾值對(duì)眼部三個(gè)區(qū)域的圖像進(jìn)行黑白增強(qiáng)處理；5)、計(jì)算瞳孔閉合度；6)、基于PERCLOS法判斷是否處于疲勞狀態(tài)。本發(fā)明中，所述步驟3)的具體過(guò)程為：3.1)、利用返回的眼部區(qū)域矩形框的參數(shù)，大致確定瞳孔分布，得到其圓心坐標(biāo)；3.2)、根據(jù)瞳孔的圓心坐標(biāo)和矩形框尺寸，得到Ⅰ、Ⅱ、Ⅲ區(qū)各網(wǎng)格的位置坐標(biāo)和大小。本發(fā)明中，所述步驟4)的最佳閾值Tsplit求取采用OTSU大津法提取，其過(guò)程為：4.1)、按圖像灰度值分級(jí)，統(tǒng)計(jì)每一級(jí)像素出現(xiàn)的概率；4.2)、用閾值k將圖像中的像素按灰度值分為背景類和目標(biāo)類；4.3)、求取使得背景類和目標(biāo)類類間方差最大時(shí)所對(duì)應(yīng)的k。本發(fā)明中，所述步驟5)的具體過(guò)程為：5.1)、求取漂移不敏感條件下，Ⅰ、Ⅱ、Ⅲ三個(gè)區(qū)域間像素值與瞳孔閉合度△的數(shù)學(xué)關(guān)系式；Δ=g‾I,III-g‾IIg‾I,III=Σx,y∈I,IIIg(x,y)DI,IIIg‾II=Σx,y∈IIg(x,y)DII]]>式中，為Ⅰ、Ⅲ號(hào)網(wǎng)格像素和的平均值，為Ⅱ號(hào)網(wǎng)格像素平均值，DI,III表示Ⅰ、Ⅲ區(qū)域像素點(diǎn)數(shù)之和，DII表示Ⅱ區(qū)域像素點(diǎn)數(shù)之和；5.2)、分析眼神左右漂移產(chǎn)生瞳孔位置的左右偏向，對(duì)偏向鄰域的灰度影響，將步驟5.2)修正為引入漂移因素的計(jì)算瞳孔閉合度△的關(guān)系式；Δ＝max(|3∑fIII-∑fI,II|,|3∑fI-∑fII,III|)式中，∑f表示該區(qū)域內(nèi)像素點(diǎn)灰度之和，|3∑fI-∑fII,III|對(duì)應(yīng)眼神向右漂移的△，|3∑fIII-∑fI,II|則對(duì)應(yīng)眼神向左漂移的△。本發(fā)明有益效果在于：(1)、網(wǎng)格化劃分眼睛區(qū)域?yàn)橥鬃蟛糠?、瞳孔、瞳孔右部分的幾何區(qū)域分割法，使得處理區(qū)域減少，占用計(jì)算資源少。同時(shí)，圖像像素的二值化處理，既增強(qiáng)了瞳孔區(qū)域灰度特性，又降低了后續(xù)眼瞼閉合度計(jì)算方法的計(jì)算量。網(wǎng)格化的眼部幾何區(qū)域分割法和圖像像素的二值化灰度凸顯法，增強(qiáng)了疲勞監(jiān)測(cè)系統(tǒng)的實(shí)時(shí)性；(2)、基于眼神漂移影響的鄰近兩個(gè)區(qū)域與另一區(qū)域的灰度面積差值的最大值法，考慮了眼神漂移對(duì)偏向鄰域的灰度影響，不僅降低了疲勞監(jiān)測(cè)系統(tǒng)對(duì)眼神漂移的敏感度，而且消除了眉毛等因素在區(qū)域內(nèi)的干擾，提高了疲勞檢測(cè)算法的識(shí)別率；(3)、基于OTSU大津法自適應(yīng)求取眼部矩形區(qū)前景和背景圖像分離的最佳閾值方法，解決了駕駛過(guò)程不同光照、佩戴眼鏡等復(fù)雜環(huán)境下前景與背景圖像分離的分離閾值對(duì)環(huán)境光照的寬適應(yīng)性問(wèn)題，提高識(shí)別的可靠性。附圖說(shuō)明圖1為人眼疲勞狀態(tài)檢測(cè)流程圖；圖2為Adaboost算法流程圖；圖3為基于Adaboost級(jí)聯(lián)強(qiáng)分類器的人眼定位示意圖；圖4為Adaboost算法輸出的人眼幾何區(qū)域及其位置坐標(biāo)圖；圖5為網(wǎng)格法標(biāo)記人眼的示意圖；圖6為眼神漂移Ⅰ、Ⅱ、Ⅲ三區(qū)灰度的影響示意圖。具體實(shí)施方式下面將結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步的詳細(xì)描述。本發(fā)明基于網(wǎng)格區(qū)域分割和閾值自適應(yīng)的人眼狀態(tài)快速識(shí)別方法，通過(guò)利用Adaboost增強(qiáng)級(jí)聯(lián)分類器對(duì)人臉圖像進(jìn)行特征檢測(cè)，定位到人眼位置的幾何區(qū)域，用矩形框定眼睛整體位置，并用網(wǎng)格三分法標(biāo)定眼部特征區(qū)域，分成Ⅰ、Ⅱ、Ⅲ區(qū)。其次，提取眼部矩形區(qū)前景和背景圖像的灰度值，采用自適應(yīng)求取背景圖像分離最佳閾值的二值化算法；以求得的閾值對(duì)眼部三個(gè)區(qū)域的圖像進(jìn)行黑白凸出增強(qiáng)處理。然后，分析眼神左右漂移產(chǎn)生瞳孔位置的左右偏向，對(duì)偏向鄰域的灰度影響，將標(biāo)準(zhǔn)的計(jì)算瞳孔閉合度的關(guān)系式，修正為引入漂移因素的計(jì)算瞳孔閉合度的關(guān)系式。最后，基于PERCLOS法，統(tǒng)計(jì)單位時(shí)間眼睛的閉合次數(shù)，判斷是否處于疲勞狀態(tài)。如圖1所示，其具體步驟如下：步驟一、對(duì)采集到的駕駛員臉部圖像進(jìn)行預(yù)處理，圖像預(yù)處理采用的是直方圖均衡化，基本思想是對(duì)在圖像中像素個(gè)數(shù)多的灰度級(jí)進(jìn)行拓寬，而對(duì)像素個(gè)數(shù)少的灰度級(jí)進(jìn)行縮減，從而達(dá)到清晰圖像的目的，以方便后續(xù)處理。預(yù)處理完成之后進(jìn)行人眼Haar特征提取。步驟二、整個(gè)疲勞檢測(cè)流程中，“網(wǎng)格法”可以分為人眼定位算法和人眼狀態(tài)判斷兩部分。其中，人眼定位算法采用的是Adaboost算法，利用的是人眼的Haar矩形特征，具體檢測(cè)原理及流程圖，如圖2所示。本發(fā)明將提取得到的人眼Haar特征輸入到前期已經(jīng)訓(xùn)練好的Adaboost級(jí)聯(lián)分類器中，對(duì)人眼進(jìn)行精確快速的定位，其定位結(jié)果如圖3所示。本發(fā)明采用的Adaboost算法會(huì)輸出人眼區(qū)域的幾何參數(shù)，即寬W和高H，并得到矩形框的四個(gè)頂點(diǎn)A、B、C、D的位置坐標(biāo)(xLU，yLU)、(xLD，yLD)、(xRU，yRU)、(xRD，yRD)，標(biāo)記網(wǎng)格利用的是人眼在矩形框中的幾何位置，人眼瞳孔在該矩形框中的分布如圖4所示。對(duì)矩形眼部區(qū)域用網(wǎng)格三分法，分成Ⅰ、Ⅱ、Ⅲ區(qū)，本實(shí)施例均以左眼為例，標(biāo)記瞳孔的II號(hào)網(wǎng)格的幾何中心點(diǎn)大致位于瞳孔的圓心，圓心坐標(biāo)為網(wǎng)格的尺寸視矩形框的大小而定，I、III號(hào)網(wǎng)格寬為高為II號(hào)網(wǎng)格寬為高為標(biāo)記結(jié)果如圖5所示。步驟三、為了明顯區(qū)分瞳孔區(qū)域和非瞳孔區(qū)域，在網(wǎng)格區(qū)域內(nèi)對(duì)圖像進(jìn)行增強(qiáng)處理，以凸顯感興趣部分，根據(jù)網(wǎng)格中各像素點(diǎn)灰度g0(x,y)的大小，與設(shè)定的最佳閾值Tsplit比較，進(jìn)行二值化，原理如式(1)所示。二值化后得到的圖像中，瞳孔部分是黑色，非瞳孔區(qū)域是白色。g(x,y)=0g0(x,y)≤Tsplit255g0(x,y)>Tsplit---(1)]]>最佳閾值Tsplit的選取是利用OTSU大津法，使用的是聚類的思想，把圖像的灰度數(shù)按灰度級(jí)分成兩部分，使得兩個(gè)部分之間的灰度值差異最大，每個(gè)部分之間的灰度差異最小，通過(guò)方差的計(jì)算來(lái)尋找一個(gè)合適的灰度級(jí)別來(lái)劃分，并自動(dòng)選取最佳閾值。OTSU算法被認(rèn)為是圖像分割中閾值選取的最佳算法，計(jì)算簡(jiǎn)單，不受圖像亮度和對(duì)比度的影響。其主要思想如下：A、將一幅具有N個(gè)像素點(diǎn)的輸入圖像按其灰度范圍分為[0,L-1]共L級(jí)，ni為灰度級(jí)為i的像素?cái)?shù)，pi是灰度級(jí)為i的像素點(diǎn)出現(xiàn)的概率，則pi＝ni/N,i＝0,1,2…,L-1，B、用閾值k把圖像中的像素按灰度值分為背景類和目標(biāo)類，表示為C0和C1，C0由灰度值在[0,k]之間的像素組成，C1由灰度在[k+1,L-1]之間的像素組成，對(duì)于灰度分布幾率，此幅圖像的均值um、C0的均值u0、C1的均值u1如式(2)：um=Σi=0L-1ipiu0=Σi=0kipi/w0u1=Σi=k+1L-1ipi/w1---(2)]]>其中綜上可得：um＝w0u0+w1u1。C、類間方差σB2的定義如式3所示。讓k在[0,L-1]范圍內(nèi)取值，當(dāng)σB2最大時(shí)，對(duì)應(yīng)的k即為Otsu算法的最佳閾值Tsplit。σB2=w0(u0-um)2+w1(u1-um)2=w1w0(u0-u1)2---(3)]]>步驟五、圖像增強(qiáng)操作后，求取漂移不敏感條件下，Ⅰ、Ⅱ、Ⅲ三個(gè)區(qū)域像素值與瞳孔閉合程度的數(shù)學(xué)關(guān)系式。如式(4)所示，計(jì)算Ⅰ、Ⅲ號(hào)網(wǎng)格像素和的平均值與Ⅱ網(wǎng)格網(wǎng)格像素平均值的差值來(lái)表征瞳孔閉合度△，式中DI,III表示Ⅰ、Ⅲ區(qū)域像素點(diǎn)數(shù)之和，DII表示Ⅱ區(qū)域像素點(diǎn)數(shù)之和。Δ=g‾I,III-g‾IIg‾I,III=Σx,y∈I,IIIg(x,y)DI,IIIg‾II=Σx,y∈IIg(x,y)DII---(4)]]>從式(4)可以得出：△與眼睛睜開(kāi)程度滿足非線性遞增關(guān)系，睜開(kāi)時(shí)的△比較大；閉合時(shí)的△幾乎為0。因此根據(jù)△的計(jì)算結(jié)果可以判斷眼睛的閉合程度。由于駕駛過(guò)程中由于頭部的轉(zhuǎn)動(dòng)以及眼神的漂移等因素，會(huì)引起瞳孔位置的變化，這將對(duì)△的計(jì)算造成影響，本發(fā)明分析眼神左右漂移產(chǎn)生瞳孔位置的左右偏向?qū)ζ蜞徲虻幕叶扔绊?，?duì)式(4)進(jìn)行修正：眼神漂移時(shí)，不論是左漂移還是右漂移，都會(huì)影響其中兩個(gè)網(wǎng)格的平均像素值，但所偏向區(qū)的兩個(gè)網(wǎng)格一定包含瞳孔，并且另外一個(gè)網(wǎng)格的像素平均值接近于255，即白色。如圖6所示，以眼神向右漂移為例，II、III號(hào)網(wǎng)格包含了瞳孔，I號(hào)網(wǎng)格修正式(4)，用Ⅰ、Ⅱ區(qū)灰度面積與Ⅲ區(qū)域面積差、Ⅲ、Ⅱ區(qū)灰度面積與Ⅰ區(qū)域面積差的最大值表征瞳孔閉合度△，如式(5)：Δ＝max(|3∑fIII-∑fI,II|,|3∑fI-∑fII,III|)(5)其中∑f表示該區(qū)域內(nèi)像素點(diǎn)灰度之和，|3∑fI-∑fII,III|對(duì)應(yīng)眼神向右漂移的△，而|3∑fIII-∑fI,II|則對(duì)應(yīng)眼神向左漂移的△。從式(5)可以發(fā)現(xiàn)，修正后的計(jì)算表達(dá)式依然適用于眼神不存在漂移的情況。步驟六，利用上述的算法快速準(zhǔn)確的判斷人眼的狀態(tài)后，通過(guò)PERCLOS原理進(jìn)行疲勞判斷，具體步驟如下：(1)比較當(dāng)前幀瞳孔閉合度△與眼瞼遮住瞳孔面積80％對(duì)應(yīng)的T80大小，當(dāng)眼瞼遮住瞳孔的面積超過(guò)80％，認(rèn)為瞳孔閉合。設(shè)定瞳孔閉合時(shí)標(biāo)志位flag置為1，眼睛睜開(kāi)時(shí)標(biāo)志位flag置為0，如式(6)：flag=1Δ<T800Δ≥T80---(6)]]>(2)統(tǒng)計(jì)單位時(shí)間內(nèi)閉眼(flag＝1)幀數(shù)所占時(shí)間比例，單位時(shí)間內(nèi)閉眼的時(shí)間超過(guò)30％，就認(rèn)為處于疲勞狀態(tài)，如式(7)：state=fatiguedNClose/NTotal≥30%normalNClose/NTotal<30%---(7)]]>其中，NTotal為單位時(shí)間內(nèi)處理的視頻總幀數(shù)，NClose為單位時(shí)間內(nèi)閉眼總幀數(shù)。根據(jù)比值結(jié)果，可以得到當(dāng)前駕駛情況state的判斷結(jié)果。以上對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行了描述，但本發(fā)明并不限于以上描述。對(duì)于本領(lǐng)域的技術(shù)人員而言，任何對(duì)本技術(shù)方案的同等修改和替代都是在本發(fā)明的范圍之中。因此，在不脫離本發(fā)明的精神和范圍下所作的均等變換和修改，都應(yīng)涵蓋在本發(fā)明的范圍內(nèi)。當(dāng)前第1頁(yè)1 2 3