[發(fā)明專利]一種基于先驗(yàn)信息加權(quán)的HOG人臉疲勞特征提取方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202310505318.4
• 申請(qǐng)日: 2023-05-06
• 公開(kāi)（公告）號(hào): CN116563921A
• 公開(kāi)（公告）日: 2023-08-08
• 發(fā)明（設(shè)計(jì)）人: 汪銀輝;黃繼業(yè);鄭甘勒;高明裕;何志偉;洪明
• 申請(qǐng)（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號(hào): G06V40/16
• 分類號(hào): G06V40/16;G06V10/50;G06V20/59;G06T5/00
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種基于先驗(yàn)信息加權(quán)的HOG人臉疲勞特征提取方法，其特征在于，包括以下步驟：

S1、輸入彩色圖像，轉(zhuǎn)換到HSV色彩空間并對(duì)HSV色彩空間中的V通道進(jìn)行雙閾值自適應(yīng)伽馬校正；

S2、計(jì)算校正后的梯度大小和方向，并將圖像劃分為若干個(gè)cell區(qū)域；

S3、計(jì)算cell區(qū)域的加權(quán)投影梯度直方圖，進(jìn)行拉普拉斯平滑并歸一化；

S4、對(duì)歸一化后的cell計(jì)算其對(duì)應(yīng)的KL散度值，并將所有cell劃分為若干個(gè)block塊；

S5、基于先驗(yàn)信息和KL散度值對(duì)block塊內(nèi)的cell作加權(quán)處理，整合所有處理后的block，得到最終的特征向量。

2.根據(jù)權(quán)利要求1所述的基于先驗(yàn)信息加權(quán)的HOG人臉疲勞特征提取方法，其特征在于，所述步驟S1中，雙閾值自適應(yīng)伽馬校正表達(dá)式如下：

F(V)＝μF₁(V)+(1-μ)F₂(V)

其中，F(xiàn)₁(V)是一個(gè)凸函數(shù)，用于增強(qiáng)暗光區(qū)域；F₂(V)是一個(gè)凹函數(shù)，用于抑制強(qiáng)光區(qū)域；式中的μ與γ依據(jù)HSV色彩空間的明度值V自適應(yīng)調(diào)整。

3.根據(jù)權(quán)利要求2所述的基于先驗(yàn)信息加權(quán)的HOG人臉疲勞特征提取方法，其特征在于，所述步驟S1中，μ與γ的表達(dá)式如下：

4.根據(jù)權(quán)利要求2所述的基于先驗(yàn)信息加權(quán)的HOG人臉疲勞特征提取方法，其特征在于，所述步驟S2中，通過(guò)計(jì)算得到校正后的梯度，通過(guò)校正后的梯度計(jì)算得到梯度幅值和方向角。

5.根據(jù)權(quán)利要求4所述的基于先驗(yàn)信息加權(quán)的HOG人臉疲勞特征提取方法，其特征在于，所述步驟S3包括以下子步驟：

S3-1、將cell區(qū)域以單位劃分為若干個(gè)bin，得到若干bin的角度區(qū)間范圍；

S3-2、將cell區(qū)域內(nèi)的像素點(diǎn)按梯度幅值加權(quán)后，投影到像素點(diǎn)的梯度角所對(duì)應(yīng)的bin上，累加得到此cell的梯度直方圖，投影公式具體為：

式中，C表示一個(gè)cell內(nèi)的所有像素點(diǎn)的A_n區(qū)間的投影值之和，V_x表示x像素點(diǎn)位的梯度值，θ_x表示x像素點(diǎn)位的梯度方向；

S3-3、對(duì)上述步驟得到的梯度直方圖做拉普拉斯平滑，并用L2-Norm函數(shù)對(duì)平滑后的梯度直方圖進(jìn)行歸一化處理，得到平滑歸一化后的梯度直方圖，其函數(shù)表達(dá)式具體為：

式中，B_n為第n個(gè)角度區(qū)間所對(duì)應(yīng)的幅值，||C||的表達(dá)式為:

6.根據(jù)權(quán)利要求2所述的基于先驗(yàn)信息加權(quán)的HOG人臉疲勞特征提取方法，其特征在于，所述步驟S3-1中，劃分cell預(yù)取得到bin的方法為：

將0～360°以30°為單位劃分為12個(gè)bin，得到12個(gè)角度區(qū)間范圍，其集合為：A＝{A₁,A₂…,A₁₂}。

7.根據(jù)權(quán)利要求2所述的基于先驗(yàn)信息加權(quán)的HOG人臉疲勞特征提取方法，其特征在于，所述步驟S4中，KL散度值具體計(jì)算公式為：

式中，表已知的概率分布，其中對(duì)應(yīng)為先驗(yàn)信息cell區(qū)域的梯度直方圖的12個(gè)bin所對(duì)應(yīng)的值；q_i＝A_i為觀測(cè)的真實(shí)的概率分布，其中A_i對(duì)應(yīng)為觀測(cè)信息cell區(qū)域的梯度直方圖的12個(gè)bin所對(duì)應(yīng)的值。

8.根據(jù)權(quán)利要求4所述的基于先驗(yàn)信息加權(quán)的HOG人臉疲勞特征提取方法，其特征在于，所述先驗(yàn)信息是指：智能座艙中無(wú)駕駛員情況下的彩色圖像經(jīng)由S1-S4處理后得到的梯度直方圖。

9.根據(jù)權(quán)利要求8所述的基于先驗(yàn)信息加權(quán)的HOG人臉疲勞特征提取方法，其特征在于，所述步驟S5中，加權(quán)處理方法為：

H_k＝∑ω_nC_n

式中H_k為第k個(gè)block塊特征向量，由m×m個(gè)cell組成，C_n為塊內(nèi)cell的梯度直方圖特征向量，ω_n為此cell所對(duì)應(yīng)的權(quán)值，其權(quán)值計(jì)算公式如下：

式中，KL_n為此cell所對(duì)應(yīng)的KL散度值，KL_sum為此cell所在的塊內(nèi)所有cell的KL散度值之和。