[發明專利]一種基于嵌入式隱馬爾可夫模型的人眼狀態識別方法

無效

• 申請號: 200810028648.4
• 申請日: 2008-06-06
• 公開（公告）號: CN101299234A
• 公開（公告）日: 2008-11-05
• 發明（設計）人: 秦華標;洪填義
• 申請（專利權）人: 華南理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 廣州粵高專利代理有限公司
• 代理人: 何淑珍

1.一種基于嵌入式隱馬爾可夫模型的人眼狀態識別方法，其特征在于包括如下步驟：

(1)人眼特征的提取：對采集到的眼睛樣本進行2D-DCT變換，對變換后的圖像進行分析特征，尋找睜閉眼圖像經過2D-DCT變換后的差異；

(2)人眼睜閉狀態分類器的訓練：對經過2D-DCT特征變換以后的人眼狀態圖像特征，采用嵌入式隱馬爾可夫模型的方法進行訓練得到分類器；

(3)人眼狀態識別：用步驟(2)得到的人眼睜閉狀態分類器對待識別眼睛圖像進行分類，首先將待識別眼睛圖像經過2D-DCT變換得到觀察向量序列，然后采用嵌入式隱馬爾可夫模型的方法，計算人眼睜閉狀態分類器產生該序列的似然值，根據此似然值判定眼睛的睜閉狀態。

2.根據權利要求1所述的方法，其特征在于步驟(1)中，從人眼狀態樣本庫中提取人眼特征，該人眼狀態樣本庫包含多個測試者在不同時間、不同光照條件、不同距離、不同面部表情、不同面部細節和不同臉部朝向條件下拍攝的多張人眼圖像；對人眼狀態樣本庫中的眼睛樣本歸一化后，進行2D-DCT變換，這些睜閉眼圖像經過2D-DCT變換后，構成特征向量，特征向量中包含睜閉眼之間的差異特征。

3.根據權利要求1或2所述的方法，其特征在于步驟(2)中所述分類器的訓練過程如下：

(2.1)先對采集到的圖像進行幾何尺寸歸一化處理和灰度均衡預處理，形成訓練圖像；

(2.2)對上述訓練圖像進行采樣并對每個采樣窗進行2D-DCT變換，由2D-DCT變換后的低頻系數構成觀察向量序列；

(2.3)設定嵌入式隱馬爾可夫模型的超狀態個數和每一個超狀態中的子隱馬爾可夫模型狀態數；

(2.4)根據超狀態的個數和每個超狀態內嵌入狀態的個數以及嵌入式隱馬爾可夫模型的結構，將人眼圖像均勻分割；

(2.5)根據超狀態的個數和每個超狀態內嵌入狀態的個數以及人眼圖像均勻分割后得到的觀察向量序列，初始化嵌入式隱馬爾可夫模型參數，通過雙重嵌套的Viterbi算法，對人眼圖像進行重新分割；

(2.6)用Baum-welch算法重估嵌入式隱馬爾可夫模型參數；

(2.7)當前后兩次的迭代誤差小于設定的閾值時，迭代停止，嵌入式隱馬爾可夫模型訓練完畢。

4.根據權利要求3所述的方法，其特征在于步驟(2.7)訓練完成所得的分類器中睜眼或閉眼狀態的觀察概率密度是由高斯概率密度函數的均值矢量和方差矢量來表征的，如果采用具有K個分量的混合高斯概率密度函數，則需要用K-Mean均值法將所有跟該狀態有關的觀測向量聚類成K類，每類分別求其均值和方差矩陣，作為各個高斯分量的均值和方差，采用高斯混合模型來表示人眼的兩個狀態；所述K＝3。

5.根據權利要求4所述的方法，其特征在于步驟(2.2)中，采樣窗的大小為12*12，每次窗口的偏移量水平和垂直方向都為4個像素，提取采樣窗口經2D-DCT變換后左上角的3*3個低頻分量系數構成觀察向量序列；所述觀察向量序列包含9*16個特征向量。

6.根據權利要求5所述的方法，其特征在于步驟(2.3)中超狀態個數取3，子隱馬爾可夫模型狀態序列取(4，4，4)，共12個子隱馬爾可夫模型狀態；步驟(2.4)中將人眼在垂直方向分割成3個超狀態，然后將屬于每個超狀態的數據從左到右均勻分割成4個嵌入狀態，分別與子隱馬爾可夫模型狀態相對應。