基于adaboost的驾驶员眼睛状态识别

《基于adaboost的驾驶员眼睛状态识别》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于AdaBoost的驾驶员眼睛状态识别本文介绍了一种基于AdaBoost分类器对驾驶员眼睛状态进行识别的方法。经过仿真实验，该方法具有较好的准确率和实时性，能够用于驾驶员疲劳状态检测。关键词：眼睛状态识别；AdaBoost；级联结构.引言　　闭眼是疲劳时眼睛的正常生理活动，因此通过识别驾驶员的眼睛状态可以判断出驾驶员的疲劳状态。目前，此类的研究也有不少。Tian等[1]抽取包含眼睛区域纹理的Gabor变换系数并利用神经X络来进行眼睛状态分类,在自建的数据集上获得了93%的正确率。但是这些算法大多需要对

2、人眼进行精确定位且速度较慢，而人眼的精确定位又是比较困难的。所以本文采用了基于AdaBoost分类器检测的识别方法，无需提前对眼睛位置进行定位。实验表明，该方法在鲁棒性、正确率和实时性等方面都有较好的性能，有明显的实用价值。2.驾驶员眼睛状态识别系统框架　　驾驶员眼睛状态识别系统的框架包括如下几个步骤:给定一幅包含人脸的图像或者视频序列,首先在图像上检测出人脸；然后缩小脸部区域到上部二分之一,目的是为了提高检测速度，并降低人脸下半部分的误检；最后在缩小后的人脸区域使用Adaboost分类器检测睁眼，间接

3、实现驾驶员眼睛状态的识别，以检代识。在本文系统中,人眼状态分为闭合和睁开2类。如果可以检测到睁开的眼睛，则认为该驾驶员的眼睛处于睁开状态；反之，如果检测不到则认为是闭合状态。如图2-1所示。人脸检测最有代表性的是Viola等[2]提出的基于Haar型矩形特征,使用Adaboost方法得到的瀑布型分类器,我们也采用类似的方法进行人脸检测和眼睛状态识别。本文只详细介绍眼睛状态识别模块。图2-1驾驶员眼睛状态识别系统框架3.眼睛状态分类器的实现　　本文的眼睛状态分类器的实现主要包括样本收集和分类器训练两个阶段

4、。3.1样本收集　　本文的样本集来自公开的人脸库和X络图片，包括3个集合的样本：正样本集P（睁眼样本集，共4000个，规范到12*12像素）、初始反例样本集N（闭眼样本和非眼人脸区域，共2000个，规范到12*12像素）、“背景”图片集B（不包含睁眼的人脸，包括1000个闭眼人脸和2000个遮盖了眼睛的睁眼人脸）。本文的正样本是包含眉毛的眼睛区域，这样可以减少眉毛对眼睛检测的干扰。裁切时尽量使眼睛和眉毛区域的质心位于裁切的中心，且保证裁切后的图片为正方形，这样可以增加样本的统一性，降低训练难度。图3-1

5、为部分训练样本。图3-1部分训练样本3.2分类器训练　　本文按照Adaboost的方法训练分类器，规定训练每一层强分类器的检测率为0.997，误检率为0.3。首先用正样本集P和初始反例样本N进行训练，要求训练每层强分类器时都达到我们预设的检测率和误检率。因为在训练时大量的反例样本在进行后续训练时被排除，所以在训练时要注意观察在进行后续训练时是否可以在反例样本集中收集到足够多的反例样本。如果反例样本数量不够，则使用已经训练好的部分级联分类器在“背景”图片集B中收集误检区域，规范到12*12后加到反例样本集

6、N中，继续训练。当从“背景”图片集B中搜索不到足够的反例时终止训练。4.实验及结果分析　　为了测试分类器的性能，本文进行了一系列测试实验。测试样本均没有用于分类器训练。4.1识别正确率测试　　本文选取加利福尼亚理工学院的caltechfacedatabase进行睁眼检测率测试。caltechfacedatabase包括27个人的各种光线和表情的450张图片，测试结果如表4-1所示。　　由表4-1的数据可以看出，本文的分类器已经可以较好识别眼睛的状态。通过对检测结果的分析发现，识别错误多集中在个别人，而这

7、些人多为眼特别小的人。这主要是由训练样本中特别小眼睛的样本不足造成的。4.2闭眼识别正确率测试　　为了更好的检测分类器识别闭眼的能力，本文建立了一个仅包含闭眼人脸的样本集，由50个人的50张图片组成，共100个闭合人眼，识别正确率为92%。由此可见分类器有较好的区分睁眼和闭眼的能力，可以用来进行眼睛状态判断。4.3实时性测试　　由于系统是对驾驶员的疲劳状态进行识别，所以必须有较高的实时性。本文用摄像头拍摄三段视频，分辨率为640*480，按照第2部分中的系统框架组织测试仿真。在Intel(R)Core(

8、TM)2DuoCPUT7250，2.0GHz，1G硬件环境，VisualC++6.0实验平台下对三段视频进行测试，系统达到20帧/秒的速度，基本达到实时要求。5.总结　　本文介绍了一种基于AdaBoost的驾驶员眼睛状态识别方法，并对本方法进行了一系列的测试。实验表明，该方法具有较好的准确率和实时性，能够用于驾驶员疲劳状态检测。但是也发现了一些不足，比如眼睛太小检测率低，姿态变化大时检测率低等，这些都是下一步需要研究的问题。[