[發(fā)明專利]一種基于不變矩的監(jiān)測(cè)駕駛員眼睛狀態(tài)的方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201410297525.6
• 申請(qǐng)日: 2014-06-27
• 公開(kāi)（公告）號(hào): CN104050456A
• 公開(kāi)（公告）日: 2014-09-17
• 發(fā)明（設(shè)計(jì)）人: 陳杰
• 申請(qǐng)（專利權(quán)）人: 南京通用電器有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/46
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 徐文權(quán)

【技術(shù)領(lǐng)域】

本發(fā)明涉及人眼檢測(cè)技術(shù)領(lǐng)域，具體涉及一種基于不變矩的監(jiān)測(cè)駕駛員眼睛狀態(tài)的方法。

【背景技術(shù)】

跟隨著經(jīng)濟(jì)和交通的發(fā)展腳步，各種車輛與日俱增，交通事故也隨之增多，已成為相當(dāng)嚴(yán)重的社會(huì)問(wèn)題，而疲勞駕駛是導(dǎo)致交通事故的重要因素。因此，減少駕駛疲勞導(dǎo)致的交通事故已成為研究的熱點(diǎn)，大家都想努力開(kāi)發(fā)出一種能實(shí)時(shí)監(jiān)視駕駛員的警覺(jué)水平，并在任何不安全狀態(tài)下能對(duì)駕駛員進(jìn)行預(yù)警的系統(tǒng)。

研究表明，眼睛狀態(tài)與駕駛員疲勞有較高的相關(guān)性，能可靠地反映疲勞狀態(tài)，而眼睛定位是判斷眼睛狀態(tài)的前提。目前，眼睛定位主要有基于學(xué)習(xí)、基于模板匹配、基于特征的方法。基于學(xué)習(xí)的方法包括AdaBoost算法、神經(jīng)網(wǎng)絡(luò)、主元分析法等，此類方法必須進(jìn)行面部搜索、旋轉(zhuǎn)、歸一化和特征降維，計(jì)算量巨大。典型的基于模板的方法采用左右眼模板，首先分別得到左眼和右眼模板，然后在圖像中搜索與左眼模板或右眼模板最匹配的區(qū)域。這種方法使用方便，但對(duì)搜索區(qū)域初始位置要求高，計(jì)算量大，對(duì)于背景復(fù)雜或人臉傾斜的情況精度較低。基于特征的方法包括HSI虹膜檢測(cè)和灰度投影法等。前者在彩色空間檢測(cè)睜眼效果不錯(cuò)，但對(duì)半睜眼和閉眼情況不能準(zhǔn)確定位；后者定位速度較快，但對(duì)不同的人臉和姿態(tài)的變化非常敏感，因此，定位精度較低，容易陷入局部最小，從而導(dǎo)致定位失敗。對(duì)于戴眼鏡的情況，閾值遞增法的定位效果較差，不能區(qū)分眉毛和眼睛；復(fù)雜度方法、對(duì)稱變換法等其他特征方法定位不準(zhǔn)確、計(jì)算量大或?qū)庹彰舾小ｑ{駛疲勞檢測(cè)系統(tǒng)中最關(guān)鍵的要求是非接觸式、實(shí)時(shí)性和準(zhǔn)確率。

實(shí)際上有些方法是結(jié)合了多種方法的混合技術(shù)，每種方法都有各自的優(yōu)缺點(diǎn)。圖像分析的一個(gè)關(guān)鍵問(wèn)題是如何獲得一種有效的圖像描述量，用一個(gè)很小的數(shù)據(jù)集合代表圖像。由于被識(shí)別的圖像相比原圖像大都有很大程度的失真，如平移、旋轉(zhuǎn)和其它變化，所以要求該圖像描述量對(duì)于圖像的各種畸變不敏感，而不變矩就具有平移、灰度、尺度和旋轉(zhuǎn)等不變性，被廣泛用于圖像的模式識(shí)別、圖像分類、目標(biāo)識(shí)別和場(chǎng)景分析中。

若單獨(dú)采用人眼圖像的7階中心矩作為特征進(jìn)行識(shí)別，需要對(duì)整幅人眼圖像進(jìn)行匹配，尤其高階矩計(jì)算量很大，不滿足實(shí)時(shí)性要求。本發(fā)明將中心矩和特征量各自的優(yōu)點(diǎn)相結(jié)合，減少了匹配識(shí)別的特征數(shù)目，降低了特征空間維數(shù)，通過(guò)引入人眼候選樣本的特征向量與人眼狀態(tài)模板圖像特征向量之間的歐氏距離來(lái)匹配判別眼睛的狀態(tài)，進(jìn)一步降低了算法的復(fù)雜度，提高了系統(tǒng)識(shí)別的速度。

【發(fā)明內(nèi)容】

本發(fā)明的目的為了克服現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種監(jiān)測(cè)駕駛員眼睛狀態(tài)的方法，其先對(duì)人臉圖像進(jìn)行預(yù)處理后，采用基于二維數(shù)字圖像分?jǐn)?shù)階積分和Legendre矩的圖像閾值分割方法將人眼區(qū)域提取出來(lái)，并將人眼區(qū)域的前3階中心矩和4個(gè)特征量相結(jié)合作為特征向量進(jìn)行眼睛狀態(tài)匹配識(shí)別，然后逐一計(jì)算待檢測(cè)區(qū)域的特征向量和各個(gè)模板圖像特征向量之間的歐氏距離，從而判斷出駕駛員的眼睛狀態(tài)。

為達(dá)到上述目的，本發(fā)明是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)的：

一種基于不變矩的監(jiān)測(cè)駕駛員眼睛狀態(tài)的方法，包括如下步驟：

1)對(duì)采集到的人臉圖像進(jìn)行預(yù)處理，去除干擾以突出人眼信息，再將彩色圖像轉(zhuǎn)化為灰度圖像，然后對(duì)灰度圖像進(jìn)行中值濾波，以消除椒鹽噪聲同時(shí)保留邊緣信息，并平滑圖像；

2)根據(jù)先驗(yàn)知識(shí)可知人眼分布在人臉高度的3/10到1/2處，寬度的1/8到7/8處，采用基于二維數(shù)字圖像分?jǐn)?shù)階積分和Legendre矩的圖像閾值分割方法將人眼區(qū)域從人臉圖像中提取出來(lái)，確定出待檢測(cè)區(qū)域；

3)先用形態(tài)學(xué)濾波器對(duì)人眼區(qū)域進(jìn)行降噪，然后計(jì)算其前3階中心矩和4個(gè)特征量，其中，4個(gè)特征量包括人眼區(qū)域長(zhǎng)寬比Φ₄、緊湊度Φ₅、飽滿度Φ₆和復(fù)雜度Φ₇；

4)在進(jìn)行人眼狀態(tài)識(shí)別前，先采集所要識(shí)別的駕駛員在眼睛正常睜開(kāi)、半開(kāi)半閉、完全閉合以及打哈欠、極度疲勞狀態(tài)下的可見(jiàn)光圖像作為人眼狀態(tài)模板圖像，然后建立人眼狀態(tài)模板圖像的特征數(shù)據(jù)庫(kù)，同時(shí)計(jì)算各個(gè)模板圖像的特征向量，建立特征向量的數(shù)據(jù)庫(kù)；

5)在識(shí)別時(shí)，首先根據(jù)步驟3)計(jì)算人眼候選區(qū)域的特征向量，然后逐一計(jì)算此候選區(qū)域的特征向量與各人眼狀態(tài)模板圖像的特征向量之間的歐氏距離：