[發明專利]一種基于顯著性檢測的SVM模型工人疲勞精準判別方法

在審

• 申請號: 202110650908.7
• 申請日: 2021-06-11
• 公開（公告）號: CN113205081A
• 公開（公告）日: 2021-08-03
• 發明（設計）人: 王陽
• 申請（專利權）人: 北京惠朗時代科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于顯著性檢測的SVM模型工人疲勞精準判別方法，其特征在于，包括以下步驟：

選取多個非疲勞工人的面部圖像作為正訓練樣本，選取多個疲勞工人的面部圖像作為負訓練樣本；

利用FT顯著性檢測方法分別對正訓練樣本和負樣本進行檢測，若顯著性區域面積不足整幅圖像的1/4，直接將樣本予以刪除，反之則予以保留；

分別對保留的正訓練樣本及負訓練樣本進行SIFT特征提取，從而實現對圖像的表征，得到待檢測圖像；

利用SVM模型對表征后的訓練樣本進行訓練，得到疲勞決策模型；

利用疲勞決策模型對待檢測圖像進行分數判別；

當基于SVM模型的得分超過預設值時，將其判定為非疲勞圖像；

當基于SVM模型的得分低于預設值，將其判定為疲勞圖像；

當基于SVM模型的得分在預設值邊緣時，利用K-means聚類算法進行二次判定。

2.根據權利要求1所述的一種基于顯著性檢測的SVM模型工人疲勞精準判別方法，其特征在于，利用K-means聚類算法進行二次判定的步驟包括：

將得分在預設值邊緣的待檢測圖像、多個正樣本、多個負樣本放入一起；

隨機選取2個初始聚類中心；

計算每個樣本到各聚類中心的距離，將每個樣本歸到其距離最近的聚類中心；

對每個簇，以所有樣本的均值作為該簇新的聚類中心；

重復上述步驟,直到聚類中心不再變化或不顯著變化；

若得分在預設值邊緣的待檢測圖像被聚類為正樣本類別，將其判定為非疲勞圖像；

若得分在邊緣部分的待檢測圖像被聚類為負樣本類別，將其判定為疲勞圖像。

3.根據權利要求1所述的一種基于顯著性檢測的SVM模型工人疲勞精準判別方法，其特征在于，SIFT特征提取包括：

構建尺度空間；定義圖像的尺度空間為：

；

其中，G是高斯函數：

；

其中，G(x，y，σ)是尺度可變高斯函數，（x，y）是空間坐標，σ是尺度空間因子，是高斯正態分布的標準差，反映了圖像被模糊的程度，其值越大圖像越模糊，對應的尺度也就越大，L(x，y，σ)對應高斯尺度空間。

4.根據權利要求1所述的一種基于顯著性檢測的SVM模型工人疲勞精準判別方法，其特征在于，所述預設值為60-80分。

5.根據權利要求1所述的一種基于顯著性檢測的SVM模型工人疲勞精準判別方法，其特征在于，預設值邊緣為預設值前加減5分的范圍內。

6.根據權利要求1所述的一種基于顯著性檢測的SVM模型工人疲勞精準判別方法，其特征在于，非疲勞工人的面部圖像的數量與疲勞工人的面部圖像的數量一致。

7.根據權利要求1所述的一種基于顯著性檢測的SVM模型工人疲勞精準判別方法，其特征在于，所述非疲勞工人的面部圖像的數量或疲勞工人的面部圖像的數量大于100個。

8.根據權利要求2所述的一種基于顯著性檢測的SVM模型工人疲勞精準判別方法，其特征在于，所述將得分在預設值邊緣的待檢測圖像、多個正樣本、多個負樣本放入一起的步驟中，正樣本和負樣本的數量為100個。

9.根據權利要求1所述的一種基于顯著性檢測的SVM模型工人疲勞精準判別方法，其特征在于，所述選取多個非疲勞工人的面部圖像作為正訓練樣本，選取多個疲勞工人的面部圖像作為負訓練樣本的步驟中，選取的方式為人工選取。

10.根據權利要求1所述的一種基于顯著性檢測的SVM模型工人疲勞精準判別方法，其特征在于，所述選取多個非疲勞工人的面部圖像作為正訓練樣本，選取多個疲勞工人的面部圖像作為負訓練樣本的步驟中，選取的方式為機器選取。