[发明专利]一种眼睛图像有效性检测方法

摘要

本发明公开了一种眼睛图像有效性检测方法，属于图像处理和模式识别领域，适用于驾驶员疲劳检测。该方法包括两个位于用户前方左右放置的红外滤光片摄像头，初始时设置一个摄像头为有效摄像头，另一个为无效摄像头；用户工作过程中，从当前有效摄像头采集一帧用户图像，进行人脸检测和眼睛检测；然后截取潜在真实的眼睛图像，进行眼镜反光检测；若检测为眼镜反光，则判定该潜在真实的眼睛图像是无效眼睛图像，并对双摄像头进行乒乓切换；若未检测到眼镜反光，对潜在真实的眼睛图像进行眼睛验证，最终判别是否为有效眼睛图像。本发明对眼睛图像进行有效性判别，可确保检测到的眼睛图像为真实的、有效的眼睛图像，提高驾驶员疲劳检测的准确率。

主权项

1.一种眼睛图像有效性检测方法，其特征在于步骤为：步骤1：建立眼睛图像验证样本数据库A；所述眼睛图像验证样本数据库A包括正样本库A1和负样本库A2，A中包含的图像数量为N，A1是由不同光照、不同头部偏转角度、戴眼镜或不戴眼镜情况下采集的眼睛图像组成，眼睛图像包括睁眼和闭眼图像，每幅眼睛图像的大小为W×H；A2是由不同光照、不同头部偏转角度、戴眼镜或不戴眼镜情况下采集的非眼睛图像组成，每幅非眼睛图像的大小为W×H；步骤2：建立眼睛图像测试样本数据库B；所述眼睛图像测试样本数据库B包括M个子库B₁，…，B_i，…，B_M，1≤i≤M，每个子库B_i包含正样本库和负样本库，每个子库B_i包含的图像数量为N′，N′<N，B中每幅图像均不同于A中每幅图像；其中，正样本库由不同光照、不同头部偏转角度、戴眼镜或不戴眼镜情况下采集的眼睛图像组成，眼睛图像包括睁眼和闭眼图像，每幅眼睛图像的大小为W×H；负样本库由不同光照、不同头部偏转角度、戴眼镜或不戴眼镜情况下采集的非眼睛图像组成，每幅非眼睛图像的大小为W×H；步骤3：根据步骤1建立的眼睛图像验证样本数据库A，提取A中每幅图像的HOG特征描述向量，一共生成N个HOG特征描述向量，并输入径向基核函数的SVM模型中进行训练，最后训练得到眼睛图像验证分类器C₀；步骤4：利用步骤3得到的C₀对步骤2中子库B₁的眼睛图像和非眼睛图像进行分类，将分类错误的眼睛图像加入A1中，分类错误的非眼睛图像加入A2中，按照步骤3方法重新对A进行训练，得到眼睛图像验证分类器C₁；依此进行，对子库B₂，…，B_i，…，B_M，2≤i≤M，进行M-1次迭代训练，得到最终的眼睛图像验证分类器C_M；步骤5：在用户工作过程中，两个位于用户前方左右放置的红外滤光片摄像头，初始时设置一个摄像头为有效摄像头，另一个为无效摄像头；从当前有效摄像头采集一帧用户图像，对用户图像进行Adaboost人脸检测，如果检测到人脸，则截取当前帧的人脸图像，并执行步骤6；如果检测不到人脸，则跳过当前帧用户图像，从当前有效摄像头采集下一帧用户图像执行步骤5；步骤6：根据步骤5截取的人脸图像，利用眼睛几何位置信息和Adaboost眼睛检测算法，定位人脸图像的眼睛位置，并根据眼睛位置截取潜在真实的眼睛图像；如果定位不到眼睛，则跳过此帧人脸图像，从当前有效摄像头采集下一帧用户图像执行步骤5；步骤7：根据步骤6截取的潜在真实的眼睛图像，提取眼镜反光特征，实现眼镜反光的检测，若检测到眼镜反光，则判定潜在真实的眼睛图像是无效眼睛图像，并设置当前摄像头为无效摄像头，设置另外一个摄像头为当前有效摄像头，完成摄像头乒乓切换；若没有检测到眼镜反光，则执行步骤8；步骤8：根据步骤6截取的潜在真实的眼睛图像，提取HOG特征描述向量V，将V输入到步骤4中得到的眼睛图像验证分类器C_M进行判别，若判别为眼睛图像，则该潜在真实的眼睛图像是有效眼睛图像，若判别为非眼睛图像，则该潜在真实的眼睛图像是无效眼睛图像。