[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（公告）號(hào): CN116563921A
• 公開（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: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種基于先驗(yàn)信息加權(quán)的HOG人臉疲勞特征提取方法，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。該方法，解決了傳統(tǒng)算法在智能座艙中復(fù)雜環(huán)境下提取特征丟失的問題，改進(jìn)后的算法提取出的人臉疲勞特征可靠穩(wěn)定。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，具體指用于智能座艙中的一種基于先驗(yàn)信息加權(quán)的HOG人臉疲勞特征提取方法。

背景技術(shù)

近年來，隨著物聯(lián)網(wǎng)、人工智能等技術(shù)的飛速發(fā)展，傳統(tǒng)的機(jī)械化、電氣化的汽車座艙也逐步發(fā)展為數(shù)字化、智能化、互聯(lián)化的智能座艙，傳統(tǒng)的汽車座艙內(nèi)的駕駛員疲勞狀態(tài)檢測方法，并不能夠很好的適用于智能座艙中的復(fù)雜環(huán)境場景，這對(duì)于駕駛員疲勞狀態(tài)特征的提取算法提出了更高的要求。在智能座艙的復(fù)雜場景下，精準(zhǔn)識(shí)別并提取出駕駛員的疲勞狀態(tài)并預(yù)警，能夠有效減少交通事故的發(fā)生，保障人民群眾的生命財(cái)產(chǎn)安全。

梯度方向直方圖(Histogram?of?oriented?gradient，HOG)是一種非常有效的提取人臉特征的方法，具有光照不變性，平移不變性和旋轉(zhuǎn)不變性等特點(diǎn)，其邊緣或者梯度的方向密度分布能夠?qū)⑷四槇D像的局部特征區(qū)域很好的表達(dá)，能夠?yàn)楹罄m(xù)人臉疲勞的精準(zhǔn)識(shí)別與判定給與可靠穩(wěn)定的支持。

傳統(tǒng)的HOG特征提取方法，由于算法中伽馬校正閾值的固定，因此通過單一閾值來調(diào)整圖像的亮度和對(duì)比度，魯棒性差，使其難以應(yīng)對(duì)處理智能座艙中各種真實(shí)場景的復(fù)雜環(huán)境影響，在面對(duì)比如局部過亮或過暗等情況下的特征提取，往往會(huì)丟失一些重要的局部信息。算法中的梯度計(jì)算只考慮了水平和垂直兩個(gè)方向，在某些復(fù)雜環(huán)境下并不能夠很好的提取出人臉的疲勞特征。且算法對(duì)圖像的處理流程固定單一，并不能夠很好的提取不同區(qū)域的疲勞特征。因此，尋找出一種能夠應(yīng)對(duì)智能座艙中復(fù)雜場景下的人臉疲勞特征提取方法，具有重要的意義和價(jià)值。

發(fā)明內(nèi)容

本發(fā)明的目的是解決現(xiàn)有技術(shù)中存在的對(duì)于提取智能座艙中復(fù)雜場景下人臉疲勞特征丟失的問題，提出一種基于先驗(yàn)信息加權(quán)的HOG人臉疲勞特征提取方法，從而有效提高人臉疲勞特征提取的可靠性和穩(wěn)定性。

為了解決上述技術(shù)問題，本發(fā)明的技術(shù)方案為：

一種基于先驗(yàn)信息加權(quán)的HOG人臉疲勞特征提取方法，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，其中梯度大小和方向即通過計(jì)算得到梯度幅值和方向角；

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。

作為優(yōu)選，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)