The invention discloses a method and a device for identifying a driver's fatigue state based on feature selection and facial multi region classifier integration, relating to the technical field of the driver's fatigue state identification. In order to give a more stable and reliable identification result, the invention can detect fatigue performance more promptly and give an earlier warning to the driver. The present invention includes two processes of training and recognition, the training process to extract features of each area of evaluation and selection to generate simplified characteristics corresponding to each region, and on the basis of the reduced feature set to train a set of C4.5 classifier, and the recognition process only need to extract these features to classify. In the two process, the face area is divided into regions, and the static features and sequence description features related to the facial expression are extracted. The invention effectively improves the recognition performance of a driver's fatigue state, and obtains an average higher recognition rate of a driver's fatigue state through a reduced feature set.
【技术实现步骤摘要】
基于特征选择和面部多区域分类器集成的驾驶者疲劳状态识别方法与装置
本专利技术属于模式识别中驾驶者疲劳状态识别
,具体设计了一种基于特征选择和分类器集成技术,利用人脸多区域精简特征进行驾驶者疲劳状态识别的方法与装置。
技术介绍
对驾驶者疲劳状态进行识别是一个具有挑战性的模式识别问题,现有的技术主要是针对发生疲劳时两个比较明显的表现,即眨眼频率变慢,开度变小以及出现打哈欠的特征来进行识别。仅关注这两种显著的特征来判定驾驶者的状态存在一定的不足,首先,这种识别技术往往不能够在驾驶者发生疲劳的早期进行预警,往往只有当驾驶者几乎打瞌睡的时候才能给出预警,事实上,此时驾驶者已经处于危险之中了。其次,虽然这两种特征比较显著,但是没有证据表示这是判定疲劳的最优特征,而且,通过眨眼开度与频率来识别疲劳,需要非常清晰并且焦距固定的图像才能进行准确的识别,这在实际使用中很难做到;而打哈欠有些时候并不一定表示真正疲劳。往往在这些表现前后的一些面部特征对于辨识疲劳状态会产生启发作用。如何对与疲劳相关的特征进行评价和选择,以及如何将面部不同区域的特征有效联系起来,是有效进行疲劳状态识别的关键。但是,一直以来没有基于类似思路的驾驶者疲劳状态识别方法和装置公开出来。
技术实现思路
本专利技术的目的是要克服现有技术仅能对于
技术介绍
提到的两种与疲劳相关的表现进行识别的不足,提供一种更具一般性的疲劳状态识别方法,能够通过学习出一些不易被观察得到的有效的特征描述,结合人脸各个区域的综合表现,给出一个更加稳定可靠的识别结果,从而能够更加及时的侦测到疲劳表现并对驾驶者进行更早预警。具体地,该方法首 ...
【技术保护点】
一种基于特征选择和面部多区域分类器集成的驾驶者疲劳状态识别方法,其特征在于:所述驾驶者疲劳状态识别方法的实现过程为:一、训练过程:步骤1:通过视频摄录获取人脸视频帧,用帧差法初步定位人脸区域,捕获新的视频帧;步骤2:通过Haar‑like特征结合AdaBoost算法框架,进行人脸区域定位;步骤3:对人脸区域进行区域划分,提取人脸各区域与疲劳表情相关的静态特征与序列描述特征;基于每幅人脸视频帧中人脸的状态,对每帧图像进行类别标注;步骤4:对各个区域得到的特征进行评价和选择,对应生成各区域的精简特征描述子集;步骤5:用各个区域所得到的特征子集训练一组C4.5分类器,所述分类器将用于识别过程中;二、识别过程:步骤1、捕获驾驶者面部视频并获取视频帧;步骤2、应用AdaBoost算法框架基于Haar‑like特征对人脸区域进行检测与定位:步骤3、对人脸区域进行划分,对面部与疲劳表现相关的全局以及各子区域进行静态和动态特征提取,在不同区域提取相应的精简特征,所提取的特征根据训练过程决定;步骤4、利用一组学习好的C4.5决策树分类器对各个区域特征给出一个分类判别结果,然后对不同区域上对应的分类器进行 ...
【技术特征摘要】
1.一种基于特征选择和面部多区域分类器集成的驾驶者疲劳状态识别方法,其特征在于:所述驾驶者疲劳状态识别方法的实现过程为:一、训练过程:步骤1:通过视频摄录获取人脸视频帧,用帧差法初步定位人脸区域,捕获新的视频帧;步骤2:通过Haar-like特征结合AdaBoost算法框架,进行人脸区域定位;步骤3:对人脸区域进行区域划分,提取人脸各区域与疲劳表情相关的静态特征与序列描述特征;基于每幅人脸视频帧中人脸的状态,对每帧图像进行类别标注;步骤4:对各个区域得到的特征进行评价和选择,对应生成各区域的精简特征描述子集;步骤5:用各个区域所得到的特征子集训练一组C4.5分类器,所述分类器将用于识别过程中;二、识别过程:步骤1、捕获驾驶者面部视频并获取视频帧;步骤2、应用AdaBoost算法框架基于Haar-like特征对人脸区域进行检测与定位:步骤3、对人脸区域进行划分,对面部与疲劳表现相关的全局以及各子区域进行静态和动态特征提取,在不同区域提取相应的精简特征,所提取的特征根据训练过程决定;步骤4、利用一组学习好的C4.5决策树分类器对各个区域特征给出一个分类判别结果,然后对不同区域上对应的分类器进行投票表决,最终给出综合判别结果,从而决定是否对驾驶者进行疲劳预警;每个C4.5决策树分类器是通过训练过程得到的。2.根据权利要求1所述的驾驶者疲劳状态识别方法,其特征在于:在训练过程的步骤3中,提取特征时,整个人脸区域作为一个全局区域,另外再分割出8个子区域分别计算特征;提取序列描述特征时,设定的滑动时间窗大小为23;全局区域所提取的是5维LLE低维嵌入特征,每个子区域基于灰度共生矩阵提取4个纹理统计特征:角二阶矩(ASM),熵(EN),对比度(CON)以及反差分矩(IDM);基于上述静态特征,分别各自计算出9个序列特征:峰值(PV),均值(M),标准偏差(STD),均方根(RMS),波形因子(SF),偏斜度(S),峰度(K),波峰因子(CF)以及脉冲指数(PI),从而形成动态特征。3.根据权利要求1或2所述的驾驶者疲劳状态识别方法,其特征在于:在训练过程的步骤4中,基于模糊粗糙集技术对各个区域得到的特征进行评价和选择,得到各区域的精简特征描述子集,具体过程如下:首先给出依赖度的定义:采用高斯核函数进行下近似计算:式中,Rθdi(x)表示样本x必然属于决策di的程度,进一步给出决策D对属性子空间B的依赖度定义:
【专利技术属性】
技术研发人员:杜勇,王玉,郑书朋,
申请(专利权)人:东北农业大学,
类型:发明
国别省市:黑龙江,23
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。