[发明专利]一种基于眼部轮廓特征点纵横比的眨眼检测方法

说明书

本发明公开了一种基于眼部轮廓特征点纵横比的眨眼检测方法，该方法包括：获取视频流，从所述视频流中提取单帧人脸图像集；利用深度神经网络从所述单帧人脸图像集中提取人脸图像中的人脸矩形框，并获取人脸矩形框坐标；根据所述人脸矩形框坐标求得所述单帧人脸图像集中的眼部关键点坐标；根据所述眼部关键点坐标计算所述单帧人脸图像集的眼睛纵横比，以根据所述眼睛纵横比判断是否眨眼。本发明通过计算双眼纵横比来判定是否眨眼，能够克服光线强弱、人物姿态等对眨眼判断的影响，具有较强的鲁棒性，并且该方法计算简单，精度高、效率高，能更好的应用于活体识别、疲劳驾驶监测等领域。

技术领域

本发明涉及数字图像处理及计算机视觉技术领域，尤其涉及一种基于眼部轮廓特征点纵横比的眨眼检测方法。

背景技术

目前，安防领域备受关注，其中活体识别和疲劳驾驶监测都备受关注，而在目前活体识别和疲劳驾驶监测方面，利用眨眼检测实现各自的功能现在属于主流，具有无需配合，实现智能化等特点。

目前眨眼检测算法有很多种，但其准确率都有待提高。例如，基于Adaboost的眨眼检测，Adaboost算法是一种迭代算法，其核心思想是针对同一个训练集训练不同分类能力一般的分类器(弱分类器)，然后把这些弱分类器迭加起来，构成一个更强的最终分类器。但是AdaBoost算法的迭代次数不好设定，具有需要使用交叉验证的方式来进行确定、训练数据集的不平衡分布，从而导致分类器的分类精度下降、训练比较耗费时间、对异常值比较敏感等缺点。这些缺点会直接影响眨眼检测的效果，降低检测效率。再比如采用ASM+Canny进行眨眼检测的方法，即利用ASM(Active Shape Model主动形状模型)算法检测人眼区域，再利用Canny算子计算人眼的边缘轮廓，通过人眼边缘轮廓的上下距离判断眨眼，但该方法对光线的要求很高。弱光下，ASM对人眼的定位效果和Canny对人眼边缘检测效果并不好。

发明内容

本发明的目的之一至少在于，针对如何克服上述现有技术存在的问题，提供一种基于眼部轮廓特征点纵横比的眨眼检测方法，通过计算双眼纵横比来判定是否眨眼，具有较好的鲁棒性。

为了实现上述目的，本发明采用的技术方案包括以下各方面。

一种基于眼部轮廓特征点纵横比的眨眼检测方法，包括：

步骤101，获取视频流数据，从所述视频流中提取单帧人脸图像集；

步骤102，利用深度神经网络从所述单帧人脸图像集中提取人脸图像中的人脸矩形框，并获取人脸矩形框坐标；

步骤103，根据所述人脸矩形框坐标求得所述单帧人脸图像集中的眼部关键点坐标；

步骤104，根据所述眼部关键点坐标计算所述单帧人脸图像集的眼睛纵横比，以根据所述眼睛纵横比判断是否眨眼。

优选的，一种基于眼部轮廓特征点纵横比的眨眼检测方法，所述人脸的眼部关键点个数为12个，每只眼睛有6个关键点，分别位于人脸两只眼睛的上下眼睑和左右眼角，每个眼部关键点坐标用(x，y)表示。

优选的，一种基于眼部轮廓特征点纵横比的眨眼检测方法，所述眼睛纵横比为人脸左眼关键点纵横比与人脸右眼关键点纵横比的平均值。

优选的，一种基于眼部轮廓特征点纵横比的眨眼检测方法，所述眼睛纵横比为：

其中，为人脸左眼关键点纵横比，为人脸左眼上下眼睑的距离的平均值，||p1-p4||为人脸左眼眼角之间的距离；为人脸右眼关键点纵横比，为人脸右眼上下眼睑的距离的平均值，||p7-p10||为人脸右眼眼角之间的距离。

优选的，一种基于眼部轮廓特征点纵横比的眨眼检测方法，所述步骤104具体包括：