[发明专利]基于多特征的疲劳驾驶识别方法及系统

权利要求书

1.一种基于多特征的疲劳驾驶识别方法，其特征在于，包括：

步骤1：实时获取视频单帧图像，并对视频单帧图像进行预处理；

步骤2：对经过预处理后的视频图像采用基于Haar-like特征的AdaBoost算法进行人脸检测，并采用基于尺度空间的目标跟踪算法实时跟踪检测到的人脸；

步骤3：对人脸的特征点进行定位，再根据定位后的特征点分别定位眼部区域和嘴部区域，并采用SVM分类器识别眼部状态，通过计算嘴部纵横比来识别嘴部状态；

步骤4：根据眼部状态和嘴部状态分别计算眼部疲劳参数和嘴部疲劳参数，根据定位到的特征点位置信息计算头部疲劳参数；

步骤5：根据眼部疲劳参数、嘴部疲劳参数以及头部疲劳参数进行驾驶员的疲劳状态识别和预警。

2.如权利要求1所述的疲劳驾驶识别方法，其特征在于，所述步骤1中，视频单帧图像的预处理过程为：

步骤1.1：对视频单帧图像进行平滑去噪处理；

步骤1.2：对平滑去噪处理后的视频图像进行光照补偿处理。

3.如权利要求2所述的疲劳驾驶识别方法，其特征在于，所述步骤1.1中，采用自适应中值滤波对视频图像进行平滑去噪处理。

4.如权利要求2所述的疲劳驾驶识别方法，其特征在于，所述步骤1.2中，采用基于动态阈值的光照均衡算法对光照明暗不一的视频图像进行光照补偿处理。

5.如权利要求1所述的疲劳驾驶识别方法，其特征在于，所述步骤2中，AdaBoost算法进行人脸检测的具体操作步骤为：

步骤2.11：利用积分图计算图像的Haar-like特征；

步骤2.12：对于Haar-like特征，通过训练迭代选取最优弱分类器，按照加权投票的方式将弱分类器构造为一个强分类器；

步骤2.13：再将训练得到的多个强分类器串联成一个级联结构的层叠分类器；

步骤2.14：采用层叠分类器对图像进行人脸检测。

6.如权利要求1或5所述的疲劳驾驶识别方法，其特征在于，所述步骤2中，采用基于尺度空间的目标跟踪算法对检测到的人脸进行实时跟踪，具体操作步骤为：

步骤2.21：将人脸检测到的人脸区域及尺度作为目标的初始位置P₁及尺度S₁，并对人脸区域进行位置相关滤波器及尺度相关滤波器训练得到位置模型和尺度模型

步骤2.22：根据上一帧I_t-1的目标位置P_t-1和尺度S_t-1，在当前帧I_t中采集一个尺度为上一帧目标2倍大小的特征样本利用特征样本和上一帧的位置模型计算位置相关滤波器的最大响应值而得到目标的新位置P_t；

步骤2.23：根据确定的目标的新位置P_t，以当前新位置为中心点，利用一维尺度相关滤波器，根据放缩规则获取S个不同尺度的候选样本，分别对每个候选样本提取d维特征得到当前帧的特征样本然后利用特征样本和尺度模型计算1×S维尺度相关滤波器的响应值，最大的响应值所对应的尺度为最终目标的尺度S_t；

步骤2.24：若当前帧相关滤波器的最大响应值和平均峰值相关能量均满足更新策略条件，则在当前帧I_t中根据位置P_t和尺度S_t提取特征f_t^trans、f_t^scale，更新位置模型和尺度模型否则在当前帧I_t中重新进行人脸检测；

所述更新策略条件为最大响应值和平均峰值相关能量分别大于比率β₁和比率β₂，β₁为0.7，β₂为0.45；

优选的，所述位置或尺度相关滤波器的响应值的计算表达式为：

其中，F^-1()为求逆向离散傅里叶变换DFT，y_t为求得的响应值，从特征样本每个像素提取d维特征，其中第l维的特征图记为f^l，l＝1,2,…,d，l为特征的某一维度，λ为正则项的系数，分别为上一帧中更新的滤波器的分子和分母，为求取当前帧图像的特征图每一维度的二维DFT。