[发明专利]计算机基于灰度共生矩阵能量变化智能识别视频中人眼状态的方法

说明书

技术领域

本发明属于智能交通技术领域，具体涉及一种采用灰度共生矩阵能量变化智能识别视频中人眼状态的方法。

背景技术

眼睛是人体面部最重要的特征，在数字图像处理和计算机视觉研究与应用中有着极为重要的作用，眼睛睁闭状态的检测是虹膜识别、视线跟踪和驾驶员疲劳检测等系统的关键环节，检测的准确率直接影响到系统的性能。然而，在实际应用过程中，不均匀光照、光斑、睫毛和眼镜框等诸多因素的影响，使眼睛睁闭状态识别成为了一个极具挑战性的任务。

目前，眼睛睁闭状态识别领域有很多方法，最具代表性的包括样本学习法、模板匹配法、上下眼睑检测法等。这些方法各有优势，但也存在明显的不足之处。

1.样本学习法

样本学习方法是目前特征检测的主流方法，但是受学习样本的影响较大，同一个算法在不同的样本集上表现出来的性能具有很大的区别。例如利用AdaBoost方法检测眼睛状态，其中一个很大的问题就是它很难判断眼睛半开半闭的状态和睁眼的程度。

2.模板匹配法

眼睛状态可以分为3种：睁开、闭合以及介于两者之间的半睁半闭。首先对大量不同状态下的眼睛图像建立3种眼睛状态模板，然后在待检测图像上进行匹配，根据匹配隶属度来判定眼睛的睁闭状态。此方法需要预存多个模板，存储信息量和计算量大，不易推广，且实时性较差。

3.上下眼睑检测法

眼睛状态检测中，Hough变换方法一般用于检测上下眼睑。从直观上来看，人眼的眼睑信息较明显而且稳定，准确地检测出眼睑位置会大大提高眼睑状态检测结果的精确度。但是Hough变换检测眼睑的效果强烈依赖于边缘检测的准确性，由于光照、眼镜框、人脸与摄像头的距离、甚至眼睛周围的皱纹等因素的影响通常得不到理想的眼睑特征，而且由于不同人的眼睛大小和形状不同，相似的上下眼睑形状对不同的人来说代表的睁闭状态和程度也会不同。近年来，也有将主动形状模型(ASM,Active Shape Model)用于上下眼睑检测的方法，但仍然存在上下眼睑检测易受光照、眼镜框、皱纹等因素影响的问题。本发明因此而来。

发明内容

本发明提供的一种采用灰度共生矩阵能量变化智能识别视频中人眼状态的方法，解决了现有技术中计算机进行眼睛睁闭状态的识别时普遍存在方法实时性差、易受多种因素的影响、鲁棒性差的问题。

为了解决现有技术中的这些问题，本发明提供的技术方案是：

一种采用灰度共生矩阵能量变化智能识别视频中人眼状态的方法，其特征在于所述方法包括以下步骤：

(1)从视频中获取若干幅人眼图像，计算得到各幅人眼图像的灰度共生矩阵；

(2)计算每一帧人眼图像对应的灰度共生矩阵的角二阶矩值，得到每帧人眼图像所对应的能量值；以视频中的帧数为X轴，每帧人眼图像对应的能量值为Y轴，构建一条帧数-能量值的原始数据曲线；

(3)对每一帧人眼图像进行均值滤波处理获得一条与原始数据曲线相对应的基准曲线；将原始数据曲线和基准曲线上的对应值相减并取绝对值，就得到一条差值曲线；

(4)将差值曲线上的差值与预设的能量阈值作比较；若差值小于能量阈值，则判定为视频中人眼状态为睁眼状态；若差值大于能量阈值，则判定视频中人眼状态为闭眼状态。

优选的，所述方法步骤(3)中均值滤波处理是以某一帧人眼图像为中心获取前后若干帧人眼图像对应的能量值，然后求取它们的平均值作为该帧原始能量值的基准值；以视频中的帧数为x轴，相应帧原始能量值的基准值为Y轴构建一条帧数-基准值的基准曲线。

优选的，所述方法中每一帧的待测人眼图像和人眼训练图像均经归一化处理成大小相同，且人眼区域均为右眼区域或左眼区域的图像。

优选的，所述方法步骤(1)中假设人眼训练图像归一化处理后大小均为N×N的图像，则图像I的灰度共生矩阵按照以下步骤进行生成：

1)图像I(N×N)中取点A(x,y)及偏离它的另一点B(x﹢a,y﹢b)，两点的灰度值分别为gA、gB，记为(gA,gB)，设灰度值的级数为L，则共有L²种不同的灰度组合(gA,gB)；