[发明专利]基于分块特征矩阵算法和SVM的疲劳状态检测方法

摘要

基于分块特征矩阵算法和SVM的疲劳状态检测方法属图像处理和模式识别技术领域，本发明通过面部特征分析判断驾驶员是否处于疲劳状态，首先获取驾驶员视频图像，进行光照补偿和人脸区域检测；然后在人脸区域进行眼部和嘴部区域检测；本发明利用眼部分块特征矩阵算法对眼部图像进行特征提取，可降低光照条件、戴眼镜对检测的影响；利用嘴部分块特征矩阵算法对嘴部图像进行特征提取，可减少牙齿外露、嘴部留有胡须对检测的干扰；利用SVM算法对提取特征后的图像进行分类，在小样本训练集情况下提高可靠性；本发明结合眼部和嘴部疲劳特征分析，在检测到驾驶员处于疲劳状态时发出警告信息，可减少交通事故的发生。

主权项

一种基于分块特征矩阵算法和SVM的疲劳状态检测方法，其特征在于，提前构建训练样本图像库，所述训练样本图像库包括眼部训练集和嘴部训练集，眼部训练集特征向量由眼部分块特征矩阵算法计算而得，嘴部训练集特征向量由嘴部分块特征矩阵算法计算而得，所述疲劳状态检测方法包括下列步骤：1.1将获取的驾驶员视频流转化成帧图像；1.2用“参考白”算法对步骤1.1的帧图像进行光照补偿：将整个图像中所有像素的亮度值从高到低进行排列，取亮度值在前5％的像素，设置其RGB分量为255，其他像素的RGB分量值按比例线性调整；1.3检测人脸区域：对步骤1.2获取的光照补偿后的帧图像，利用Viola Jones人脸检测算法进行人脸检测，获取驾驶员面部区域；1.4检测眼部区域和状态分析：对步骤1.3获取的驾驶员面部区域，利用EyeMap算法检测眼部区域，获取人眼图像，然后利用眼部分块特征矩阵算法计算人眼图像的特征向量，由SVM分类器对图像进行分类，判断眼睛处于睁开还是闭合状态，具体包括下列步骤：1.4.1根据眼睛在人脸区域的分布特性，选取垂直方向的人脸二分之一到八分之七之间的区域，设为眼部ROI区域(A)，并检测；1.4.2首先，将图像从RGB空间转换到YCrCb空间；其次，建立两个眼图，其中一个根据色度分量Cr和Cb，建立眼图EyeMapC，另一个根据亮度分量Y，建立眼图EyeMapL；最后，将这两个眼图相乘，建立眼图EyeMap；1.4.3通过OTSU算法获得最佳阈值T，将EyeMap灰度图像转换成二值图像，综合分析每个连通域的纵横比，位置等特点来排除非眼睛区域，最后保留一对连通域视为眼睛区域；1.4.4对获取的人眼图像，利用眼部分块特征矩阵算法计算出特征向量，将此特征向量输入SVM分类器，根据提前训练好的眼部图像样本库，对获取的人眼图像进行分类，判断此时人眼处于睁开还是闭合状态；1.5检测嘴部区域和状态分析：对步骤1.3获取的人脸图像，通过唇分割算法精确定位嘴部区域，然后利用嘴部分块特征矩阵算法对嘴部图像计算特征向量，由SVM分类器对图像进行分类，从而判断嘴部张开状态，具体包括下列步骤：1.5.1根据嘴部在人脸区域的分布特性，选取人脸垂直方向的下三分之一以下和水平方向的左四分之一至右四分之一之间的区域，设为嘴部ROI区域(B)，并检测；1.5.2根据嘴唇和皮肤颜色之间的差异，对嘴部ROI区域(B)所有像素利用公式计算s值：s=2×tan-1(R-GR)/π]]>其中：s代表唇色和肤色之间的差异值；R、G和B分别代表像素的红色分量、蓝色分量和绿色分量；对所有像素的s值进行从大到小排序，考虑到嘴唇区域s值比皮肤大，选取其中s值最大的N个像素视为嘴唇区域，N为ROI区域像素个数的20％，通过连通域分析，获取的嘴唇外接矩形区域为最终嘴部图像；1.5.3对获取的嘴部图像，利用嘴部分块特征矩阵算法计算出特征向量，将此特征向量输入SVM分类器，根据提前训练好的嘴部图像样本库，对获取的嘴部图像进行分类，判断此时嘴巴张开大小，是否达到打哈欠时的嘴巴张开程度，同时考虑当前帧嘴部图像与前后两帧图像的相似度；1.6建立疲劳状态评估模型：根据步骤1.4.4对眼睛睁闭状态进行判断，计算PERCLOS值，当PERCLOS值大于阈值时，说明驾驶员可能处于疲劳状态；用K值记录眼睛持续闭合的帧数，当K值超过阈值时，说明驾驶员处于疲劳状态；根据步骤1.5.3对嘴巴张开程度进行判断，用P值记录嘴巴张开程度达到打哈欠时张开程度的持续帧数，当P值超过阈值时，说明驾驶员在打哈欠，处于疲劳状态；1.7综合疲劳判断：根据步骤1.6得到的PERCLOS值、K值和P值，判断驾驶员是否处于疲劳状态，在PERCLOS值超过阈值时，提醒驾驶员可能正处于疲劳驾驶状态，注意行驶；在K值或P值超过阈值时，发出警告，提醒驾驶员正处于疲劳驾驶状态，应马上到安全地带停车休息或更换驾驶员。