[发明专利]一种基于视线的驾驶员注意力检测方法

权利要求书

1.一种基于视线的驾驶员注意力检测方法，其特征在于，包括以下步骤：

步骤1：获取人脸位置并定位2D人脸关键点坐标；

步骤2：根据步骤1求取的2D人脸关键点坐标，构建3D头部模型，提取驾驶员当前状态下的3D人脸特征，即3D人脸关键点坐标以及头部姿态；通过解耦刚性与非刚性的头部运动获取驾驶员的头部姿态；

步骤3：在眼部区域计算尺度不变特征变换特征，使用支持向量机训练模型，检测驾驶员是否穿戴墨镜，若穿戴墨镜则用步骤2获取的驾驶员头部姿态表示注意力方向；

步骤4：若没有穿戴墨镜，则构建简化的眼球模型，根据步骤1和步骤2求的2D以及3D人脸关键点坐标，获取其中的人眼关键点的2D以及3D坐标，并结合眼部空间结构关系计算3D坐标系下的视线方向，将视线方向作为注意力方向，所述人眼关键点包括上下眼睑和内外眼角点；

步骤5：根据步骤3和步骤4获取的注意力方向，结合划分的车内区域，确定驾驶员的注意力状态。

2.如权利要求1所述的一种基于视线的驾驶员注意力检测方法，其特征在于，在所述步骤1中，采用监督下降方法提取2D人脸关键点坐标，具体为：

给定一张展开为m个像素的图片表示n个2D人脸关键点坐标在图像中的位置；设h是尺度不变特征变换特征提取方程，在训练阶段已知真实的2D人脸关键点坐标为x_*，x_k表示第k次迭代后检测的2D人脸关键点的坐标值；然后通过迭代更新x_k，最小化方程的值，实现2D人脸关键点坐标的求解；其中φ_*＝h(d(x_*))，表示在人工标记的2D人脸关键点所对应的尺度不变特征变换特征；在训练过程中，φ_*是已知量；

迭代更新x_k的方程为：其中φ_k-1＝h(d(x_k-1))是上一组2D人脸关键点提取出的特征向量，H、J_h分别是x_k-1的海森矩阵和雅可比矩阵；使用梯度下降向量和重缩放因子{b_k}更新坐标值：最终最小化f(x_k)的值，使得x_k成功收敛为x_*，即当前图像中准确的2D人脸关键点坐标。

3.如权利要求1所述的一种基于视线的驾驶员注意力检测方法，其特征在于，在所述步骤2中，是通过解耦刚性与非刚性的头部运动来计算驾驶员当前状态下的3D人脸特征，具体包括3D人脸关键点坐标与头部姿态，即：

头部模型由形状向量表示，该形状向量将x,y,z坐标展开为一维列向量，其中n为步骤1中2D人脸关键点个数；通过Facewarehouse人脸数据集训练，构建出能变形的面部模型，形状向量q通过特征向量v_i，形状系数β和平均形状向量表示：

根据步骤1中2D人脸关键点坐标将2D人脸关键点坐标与形状向量投影到2D的结果进行比较，最小化2D人脸关键点坐标与形状向量的投影距离，最终获取驾驶员真实的形状向量以及头部姿态参数：其中，k是第k个人脸关键点坐标的索引，是投影矩阵，是选择矩阵，用于选取与第k个人脸关键点对应的顶点，是通过头部姿态角度定义的旋转矩阵，是驾驶员头部在3D坐标系下的坐标，s是用于近似透视图像形成的比例因子；E表示2D人脸关键点坐标与形状向量投影的距离，迭代更新姿态参数以及形状系数β，最小化偏差总和E的值，最终驾驶员的头部姿态由姿态参数表示，3D人脸关键点坐标由q表示。

4.如权利要求1所述的一种基于视线的驾驶员注意力检测方法，其特征在于，在所述步骤3中，检测驾驶员是否穿戴墨镜具体为：

首先提取驾驶员眼部区域的尺度不变特征变换特征h₁,...,h_n，再将所有尺度不变特征变换特征组合成特征向量Ψ，使用支持向量机在卡耐基梅隆大学的Multi-PIE人脸数据库上进行训练模型，最后提取实时采集的眼部图像数据的尺度不变特征变换特征输入模型，判断是否穿戴墨镜。