一种基于在线字典学习形变模型的疲劳状态识别方法技术

本发明专利技术涉及计算机视觉与模式识别领域，尤其涉及一种基于在线字典学习形变模型的疲劳状态识别方法。本发明专利技术包括：(1)建立疲劳人脸形变模型，以训练样本集整体的疲劳面部特征作为输入；(2)建立在线字典学习形变模型，将在线字典学习算法引入到人脸形变模型中，构建训练样本集的过完备基函数矩阵，进而将待测样本表示为过完备基函数矩阵的线性组合，即在线字典学习形变模型。在线字典学习形变模型充分考虑驾驶者疲劳时面部特征维数和识别时系统运算量等问题，最大程度提高实际环境下疲劳状态的识别率。

【技术实现步骤摘要】

本专利技术涉及计算机视觉与模式识别领域，尤其涉及一种基于在线字典学习形变模型的疲劳状态识别方法。
技术介绍
在汽车驾驶过程中，疲劳驾驶是引发交通事故的重要原因之一，已经成为当前社会不可忽视的一个重大问题。据社科院调查显示，近几年因交通事故造成的死亡人数高达7万多人，其中由于疲劳驾驶造成的死亡人数占总死亡人数的65％。因此，研究驾驶员在行车过程中的疲劳状态识别方法对预防交通事故的发生有着重大的意义。疲劳驾驶是指驾驶员在长时间的行车过程中，由于驾驶动作的反复连续，使其生理上、心理上发生某种变化，出现驾驶机能下降的现象。现阶段，驾驶员疲劳状态的识别方法主要有五类：基于生理信息的识别方法，基于行车参数的识别方法，基于操控行为的识别方法，基于计算机视觉的识别方法和融合多源信息的识别方法。基于生理信息的识别方法本质上是通过脑电图信号、眼电图信号和心电图信号等各项生理性能指标来判断驾驶员的疲劳状态等级。这种识别方法可以实时、准确地对疲劳状态进行识别，但是监控设备复杂，成本高，而且与驾驶员直接的接触，不太适合扩展应用。基于行车参数的识别方法是通过实时监测车速、运动轨迹、横向位移等分析驾驶员所处的疲劳状态。此类方法虽然得到许多研究者的关注，但需要在特定环境和特殊道路的条件下进行，由于行车过程中路面情况的复杂、气象的变化和车辆类型的不同等外界因素的干扰，往往很难保证其可靠性。基于操控行为的识别方法主要是通过检测驾驶者在疲劳发生时的一些行为表现来识别疲劳的程度，如方向盘运动情况监测、转向角信号监测等。这种方法虽然对驾驶者不具有侵犯性，且具有很好地应用前景，但是算法复杂，易受环境因素的影响，抗干扰能力差，识别率较低。基于计算机视觉的识别方法是通过直接对驾驶者的面部疲劳特征进行识别实现的，主要有PERCLOS值检测、眨眼频率检测、视线方向检测等。该方法是目前最流行的识别方法，具有非接触的优点，可以进行实时地分类识别，但由于识别标准都是人为规定的，没有考虑个体的差异性，因此得到的识别效果并不是很理想。融合多源信息的识别方法是指融合驾驶疲劳时的各类信息，根据其可靠性和影响大小给出合理的综合疲劳度量标准。该类方法受限于实验条件，现阶段研究较少，识别效果不一定优于单一信息。本专利技术基于计算机视觉，不仅考虑特征维数对疲劳状态的识别效果，而且考虑时间段对识别结果的影响。利用在线字典学习算法来改进形变模型，并引入时间窗。本专利技术在经典形变模型识别分类方法的基础上设计了一种基于在线字典学习形变模型的疲劳状态识别方法，并对比分析了它们对疲劳状态的识别效果，节省了整体算法的运行时间。
技术实现思路
本专利技术的目的在于提供一种基于在线字典学习形变模型的疲劳状态识别方法，本方法实现了形变模型的优化利用，使其满足实际驾驶环境所需，同时考虑时间段对识别结果的影响。这样不仅可以缩短系统的识别运行时间，而且可以提高疲劳状态的识别率，提高实际环境下的应用效率。本专利技术的目的是这样实现的：(1)建立疲劳人脸形变模型，以训练样本集整体的疲劳面部特征作为输入；(2)建立在线字典学习形变模型，将在线字典学习算法引入到人脸形变模型中，构建训练样本集的过完备基函数矩阵，进而将待测样本表示为过完备基函数矩阵的线性组合，即在线字典学习形变模型；(3)利用在线字典学习形变模型对疲劳状态进行识别，根据原图像与重构图像的误差进行疲劳状态识别。在识别过程中，原图像和重构图像的误差越小意味着疲劳状态的识别结果越准确，因此要尽量减少二者的误差，并使其达到最小，否则重复执行步骤(3)；(4)基于时间窗进行疲劳状态识别。针对不同时间段的时间窗内的图像帧进行识别，将该时间窗中出现最多的识别结果作为该时间窗的疲劳状态结果。本专利技术的有益效果在于：(1)在线字典学习形变模型充分考虑驾驶者疲劳时面部特征维数和识别时系统运算量等问题，最大程度提高实际环境下疲劳状态的识别率。(2)考虑疲劳状态与时间段有关，设计整个识别过程在不同时间段的时间窗下进行，进一步提高识别的准确率。本专利技术包括如下步骤：(1)建立疲劳人脸形变模型，以训练样本集整体的疲劳面部特征作为输入。(2)建立在线字典学习形变模型。将在线字典学习算法引入到人脸形变模型中，构建训练样本集的过完备基函数矩阵，进而将待测样本表示为过完备基函数矩阵的线性组合，即在线字典学习形变模型。(3)利用在线字典学习形变模型对疲劳状态进行识别。根据原图像与重构图像的误差进行疲劳状态识别。在识别过程中，原图像和重构图像的误差越小意味着疲劳状态的识别结果越准确，因此要尽量减少二者的误差，并使其达到最小，否则重复执行步骤(3)。(4)基于时间窗进行疲劳状态识别。针对不同时间段的时间窗内的图像帧进行识别，将该时间窗中出现最多的识别结果作为该时间窗的疲劳状态结果。附图说明图1基于在线字典学习形变模型的时间窗疲劳状态识别流程图；图2基于视频段的时间窗选取；图3针对单帧图像，A数据库中不同分类识别算法的识别率；图4针对单帧图像，B数据库中不同分类识别算法的识别率；图5不同算法在时间窗内的平均识别率。具体实施方式下面结合附图举例对本专利技术做更详细地描述：基于在线字典学习形变模型的疲劳状态识别方法设计，包括在线建立在线字典学习形变模型和基于时间窗进行疲劳状态识别两个环节。其特点是：针对疲劳预警系统中的疲劳状态识别，将在线字典学习算法引入到形变模型中，采用基函数矩阵代替训练样本整体对待测样本进行线性组合表示，即在线字典学习形变模型；为使识别结果更接近实际值、更加准确，在识别过程中加入时间窗的概念。本专利技术提出的一种基于在线字典学习形变模型的疲劳状态识别方法具体包括以下几个步骤。步骤一：建立人脸形变模型，以训练样本集整体的疲劳面部特征作为输入。首先根据行车过程中可能出现的疲劳状态将训练样本分为清醒状态、轻度疲劳状态、中度疲劳状态和重度疲劳状态四类。将训练样本中每个样本图像看作是一个由疲劳特征构成的列向量，整个训练样本可表示为：式中，m为样本大小；n为训练样本总数；ni为第i类训练样本的数量；为第i类训练样本的第ni个样本的特征向量，其中i＝1,2,3,4，则第i类的训练样本可以表示为其中n＝n1+n2+…+n4。设y为某一待测样本，疲劳人脸形变模型可表示为：式中，表示第i类训练样本中第j个样本的稀疏系数；表示保留线性组合中第i类的相关系数，其他类的系数为0。步骤二：建立在线字典学习模型。针对传统形变模型采用所有训练样本来对待测样本进行线性组合描述造成的特征维数大、计算复杂等问题，根据线性知识，采用在线字典学习算法提取出能有效表达训练样本全体的过完备基函数矩阵，将待测样本用基函数矩阵的线性组合表示出来，即在线字典学习形变模型，在一定程度可以降低特征维数和算法的运算量，提高算法的识别率。采用在线字典学习算法提取过完备基函数矩阵的过程如图1所示，首先从步骤一中的整体训练样本F中随机选取一定数量的训练样本，获取其特征向量，通过K-means聚类获取初始并对其进行初始化；定义矩阵A＝[a1,…,aK]∈RK×K和B＝[b1,…,bK]∈Rm×K并初始化A0＝0，B0＝0；设置λ和T。其次采用在线字典学习算法迭代更新基函数矩阵随机选取训练样本集nt为样本xt的数量，在基础上求解即接着根据更新矩阵A、B、本文档来自技高网...

【技术保护点】
一种基于在线字典学习形变模型的疲劳状态识别方法，其特征在于,包括如下步骤：(1)建立疲劳人脸形变模型，以训练样本集整体的疲劳面部特征作为输入；(2)建立在线字典学习形变模型，将在线字典学习算法引入到人脸形变模型中，构建训练样本集的过完备基函数矩阵，进而将待测样本表示为过完备基函数矩阵的线性组合，即在线字典学习形变模型；(3)利用在线字典学习形变模型对疲劳状态进行识别，根据原图像与重构图像的误差进行疲劳状态识别。在识别过程中，原图像和重构图像的误差越小意味着疲劳状态的识别结果越准确，因此要尽量减少二者的误差，并使其达到最小，否则重复执行步骤(3)；(4)基于时间窗进行疲劳状态识别。针对不同时间段的时间窗内的图像帧进行识别，将该时间窗中出现最多的识别结果作为该时间窗的疲劳状态结果。

【技术特征摘要】
1.一种基于在线字典学习形变模型的疲劳状态识别方法，其特征在于,包括如下步骤：(1)建立疲劳人脸形变模型，以训练样本集整体的疲劳面部特征作为输入；(2)建立在线字典学习形变模型，将在线字典学习算法引入到人脸形变模型中，构建训练样本集的过完备基函数矩阵，进而将待测样本表示为过完备基函数矩阵的线性组合，即在线字典学习形变模型；(3)利用在线字典学...

【专利技术属性】
技术研发人员：王辉，童丽峰，于立君，张磊，贲浩然，车超，毕文鹏，张一，郭俊俏，高菁，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江;23