[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

本發明公開了一種基于顯著性檢測的SVM模型工人疲勞精準判別方法，涉及疲勞判別技術領域該方法包括：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；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；這樣的方法，利用了顯著性檢測挑選了更加精良的訓練樣本，工人疲勞檢測模型的魯棒性和精度都會得到顯著提升；充分考慮了SVM模型邊緣結果判斷不精準的問題，利用K?means模型有針對性地解決了邊緣結果判斷不精準的問題，從而有效地提升了工人疲勞檢測的精度。

技術領域

本發明涉及疲勞判別技術領域，具體而言，涉及一種基于顯著性檢測的SVM模型工人疲勞精準判別方法。

背景技術

在工作節奏較快的現代社會，很多工作人員短時間內往往需要完成大量的工作。在工作的過程中，極易產生過度疲勞的現象。過度疲勞的工作人員往往會出現工作效率低下、出錯頻率較高甚至引發嚴重的疾病。如果我們可以利用采集到的工人臉部圖像對工人進行疲勞判別有很好的實際應用價值，它往往可以較好地對疲勞工作人員進行預警，讓他們及時休息，更合理地配置工人資源。

針對上述問題，傳統的方法往往依賴于多幅圖像甚至是一段視頻，不能夠對單幅圖像有很好的判別效果，漏檢、錯檢是經常出現的情況，會直接產生較為嚴重的后果。因此，如何建立一個基于單幅圖像的工人疲勞判別方法，能夠較為精準地判別工人是否疲勞是一項非常有意義且亟待解決的工作。

發明內容

為了克服上述問題或者至少部分地解決上述問題，本發明實施例提供一種基于顯著性檢測的SVM模型工人疲勞精準判別方法，能夠較為精準地判別工人是否疲勞。

本發明的實施例是這樣實現的：

一種基于顯著性檢測的SVM模型工人疲勞精準判別方法，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。

這樣的方法，利用了顯著性檢測挑選了更加精良的訓練樣本，工人疲勞檢測模型的魯棒性和精度都會得到顯著提升；充分考慮了SVM模型邊緣結果判斷不精準的問題，利用K-means模型有針對性地解決了邊緣結果判斷不精準的問題，從而有效地提升了工人疲勞檢測的精度。

在本發明的一些實施例中，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。