人体疲劳度判定方法技术

本发明专利技术公开一种人体疲劳度判定方法，其包括以下步骤：基于眼部穿戴，采集人的实时全眼图像并进行图像处理，获得眼部特征参数；采集至少包括头部三维运动的频谱特征；采用贝叶斯网络分类器和线性分类器按约定频率切换的判定模式，对所述眼部特征参数和所述频谱特征数据进行疲劳分类判定；按约定判定方法输出至少包括清醒、轻度疲劳、疲倦的判定结果。本发明专利技术采用基于贝叶斯网络分类器和线性分类器的双判定切换方法，降低算法复杂度，判定准确度高。

Determination method of human fatigue

The invention discloses a human body fatigue judging method, which comprises the following steps: Based on eye wear, the real-time eye image acquisition and image processing, to obtain the eye feature parameters; collection includes at least the spectrum characteristics of 3D motion of the head; using Bayesian network classifier and the linear classifier according to the agreed decision mode frequency switching. The eye characteristic parameter and the spectral characteristics of the data classification result of fatigue; according to the agreed method to determine the output includes at least mild fatigue, tired, awake. The invention adopts double judgment switching method based on Bayesian network classifier and linear classifier, which reduces the complexity of the algorithm and has high accuracy.

【技术实现步骤摘要】
人体疲劳度判定方法
本专利技术涉及疲劳判定
，更具体地说，本专利技术涉及一种人体疲劳度判定方法。
技术介绍
觉醒度(Vigilance)是指人集中精力执行一项操作任务时所表现出的灵敏程度，包括对疲劳和瞌睡状态的度量。许多人机交互系统需要操作人员保持一定的警觉度，例如，空中管制中心的管制员、军事作战指挥部指战员、飞行员、高速公路上的长途客车驾驶员，都需要保持较高的警觉度，并且需要对觉醒度有一定反馈供监控与管理。在复杂应用环境下，不能及时、正确地侦测到人员的疲劳状态，或者错误检测，都会给正在进行危险作业的人员带来不可预知的后果。因此，如何快速准确的识别人员的疲劳状态并转换为相应的觉醒度等级，是疲劳监测的一个重要问题，关系到相应的疲劳检测设备或方法能否被真正使用到生产实践当中，尤其在复杂作业环境中，可靠，稳定，快速的获取人员的状态，并给予相应的刺激信号，提高人员觉醒度，提高作业能力，防止误操作及危险操作的发生。现有技术中，多采用面部识别方法，然后定位眼部，提取眼部特征，算法复杂度高，不能快速、精确地进行疲劳及其分类判定。
技术实现思路
针对上述技术中存在的不足之处，本专利技术提供一种人体疲劳度判定方法，采用基于贝叶斯网络分类器和线性分类器的双判定切换方法，降低算法复杂度，判定准确度高。为了实现根据本专利技术的这些目的和其它优点，本专利技术通过以下技术方案实现：本专利技术提供一种人体疲劳度判定方法，其包括以下步骤：基于眼部穿戴，采集人的实时全眼图像并进行图像处理，获得眼部特征参数；采集至少包括头部三维运动的频谱特征；采用贝叶斯网络分类器和线性分类器按约定频率切换的判定模式，对所述眼部特征参数和所述频谱特征数据进行疲劳分类判定；按约定判定方法输出至少包括清醒、轻度疲劳、疲倦的判定结果。优选的是，采集人的实时全眼图像，包括步骤：在红外照明下，采用红外微距摄像头采集人的实时全眼图像。优选的是，对实时全眼图像进行图像处理，获得眼部特征参数，包括以下步骤：对所述实时全眼图像进行灰度统计；提取特征灰度值，并以该值为参考点，对所述实时全眼图像进行二值化；采用基于图像灰度积分算法对二值化的全眼图像进行积分处理和线性分析，获得眼部特征值；基于所述眼部特征值，绘制眼部运动曲线，提取所述眼部特征参数。优选的是，采集至少包括头部三维运动的频谱特征，包括以下步骤：采集头部在各个运动方向的速度、加速度以及时间，绘制头部在三维空间的运动曲线；基于头部在三维空间的运动曲线，对头部运动轨迹做傅里叶变换，提取头部运动的频率信息，基于所述头部运动的频率信息，提取头部在三个方向上分别处于清醒、轻度疲劳以及疲倦状态下频谱特征。优选的是，贝叶斯网络分类器和线性分类器按约定频率切换的判定方法，包括以下步骤：约定第一时间段，在所述第一时间段内，采用贝叶斯网络分类器对所述眼部特征参数和所述频谱特征数据进行疲劳分类判定；所述第一时间段结束，切换为采用贝叶斯网络分类器和线性分类器对同一组数据共同进行判定，获得各自判定结果保存并进行加权平均以获得疲劳分类判定结果。优选的是，共同判定并获得疲劳分类判定结果后，还包括步骤：统计保存的各自判定结果数量，达到设定的阈值，对贝叶斯网络分类器和线性分类器的疲劳分类判定结果进行回归修正。优选的是，所述回归修正包括：若疲劳分类判定结果趋于发散，则将约定频率切换模式切换回线性分类器判定模式，对贝叶斯网络分类器进行修正；若疲劳分类判定结果趋于收敛，则将约定频率切换模式切换至贝叶斯网络分类器判定模式，对线性分类器进行修正。优选的是，所述设定的阈值，包括线性分类器和贝叶斯网络分类器的判定结果相同达到10次。优选的是，按约定判定方法输出判定结果，包括以下步骤：每5分钟输出一次疲劳分类判定结果；若15分钟以内的疲劳分类判定结果均为清醒时，则切换至10分钟进行一次疲劳度分类判定和输出；若15分钟以内的疲劳分类判定结果为轻度疲劳时，判定时间切换为1分钟进行一次疲劳分类判定和输出。优选的是，所述眼部特征参数至少包括：眼睛闭合度、单位时间内眨眼次数、最长闭眼时间、达到指定眨眼次数所需的总时间、统计时间内闭眼最大时间和睁眼最大时间以及闭眼时间与睁眼时间的比值。本专利技术至少包括以下有益效果：本专利技术提供的人体疲劳度判定方法，通过同时对眼部特征参数和头部三维运动的频谱特征，采用贝叶斯网络分类器和线性分类器按约定频率切换地判断疲劳及其分类的判定，实现多参数、双判定方式，算法简单，精确度高。本专利技术的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本专利技术的研究和实践而为本领域的技术人员所理解。附图说明图1为本专利技术所述的人体疲劳度判定方法的示意图；图2为本专利技术所述的人体疲劳度判定方法的流程图；图3为本专利技术所述的对实时全眼图像进行图像处理的流程图；图4为本专利技术所述的采集至少包括头部三维运动的频谱特征的流程图；图5为本专利技术所述的贝叶斯网络分类器和线性分类器按约定频率切换的流程图。具体实施方式下面结合附图对本专利技术做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。如图1和图2所示，本专利技术提供一种人体疲劳度判定方法，其包括以下步骤：S10，基于眼部穿戴，采集人的实时全眼图像并进行图像处理，获得眼部特征参数；S20，采集至少包括头部三维运动的频谱特征；S30，采用贝叶斯网络分类器和线性分类器按约定频率切换的判定模式，对眼部特征参数和频谱特征数据进行疲劳分类判定；S40，按约定判定方法输出至少包括清醒、轻度疲劳、疲倦的判定结果。上述实施方式中，眼部特征参数可以根据用户的需求进行设定，但是为了保证疲劳判定的准确度，眼部特征参数至少包括：眼睛闭合度、单位时间内眨眼次数、最长闭眼时间、达到指定眨眼次数所需的总时间、统计时间内闭眼最大时间和睁眼最大时间以及闭眼时间与睁眼时间的比值。人在疲倦情况下，头部动作也是疲劳是否以及疲劳程度的一个重要判定依据，因此，在采集眼部特征参数的同时，还设定根据人在清醒、轻度疲劳、疲倦等状态下头部的三维运动频率谱特征来辅助判定人是否疲劳以及疲劳的程度。基于上述采集的眼部特征参数和头部三维运动的频谱特征，进一步采用贝叶斯网络分类器和线性分类器按约定频率切换地判断疲劳及其分类的判定，相对于单一的疲劳判定算法，本专利技术的判定算法切换，有利于提高判定精确度。因此，相对于现有技术的单参数、单一算法进行疲劳及其分类判定，本专利技术实现多参数、双判定切换方式，精确度高。作为上述实施方式的优选，步骤S10中，采集人的实时全眼图像，包括步骤：S11，在红外照明下，采用红外微距摄像头采集人的实时全眼图像。该实施方式中，基于红外照明下采用红外微距摄像头，可使采集的全眼图像中眼部轮廓特征更加明显，有利于直接、清晰地采集全眼图像。作为进一步优选，红外照明的波长为850nm。作为上述实施方式的优选，步骤S10中，对实时全眼图像进行图像处理，获得眼部特征参数，如图3所示，包括以下步骤：S12，对实时全眼图像进行灰度统计；S13，提取特征灰度值，并以该值为参考点，对所述实时全眼图像进行二值化；S14，采用基于图像灰度积分算法对二值化的全眼图像进行积分处理和线性分析，获得眼部本文档来自技高网...

【技术保护点】
一种人体疲劳度判定方法，其特征在于，其包括以下步骤：基于眼部穿戴，采集人的实时全眼图像并进行图像处理，获得眼部特征参数；采集至少包括头部三维运动的频谱特征；采用贝叶斯网络分类器和线性分类器按约定频率切换的判定模式，对所述眼部特征参数和所述频谱特征数据进行疲劳分类判定；按约定判定方法输出至少包括清醒、轻度疲劳、疲倦的判定结果。

【技术特征摘要】
1.一种人体疲劳度判定方法，其特征在于，其包括以下步骤：基于眼部穿戴，采集人的实时全眼图像并进行图像处理，获得眼部特征参数；采集至少包括头部三维运动的频谱特征；采用贝叶斯网络分类器和线性分类器按约定频率切换的判定模式，对所述眼部特征参数和所述频谱特征数据进行疲劳分类判定；按约定判定方法输出至少包括清醒、轻度疲劳、疲倦的判定结果。2.如权利要求1所述的人体疲劳度判定方法，其特征在于，采集人的实时全眼图像，包括步骤：在红外照明下，采用红外微距摄像头采集人的实时全眼图像。3.如权利要求1所述的人体疲劳度判定方法，其特征在于，对实时全眼图像进行图像处理，获得眼部特征参数，包括以下步骤：对所述实时全眼图像进行灰度统计；提取特征灰度值，并以该值为参考点，对所述实时全眼图像进行二值化；采用基于图像灰度积分算法对二值化的全眼图像进行积分处理和线性分析，获得眼部特征值；基于所述眼部特征值，绘制眼部运动曲线，提取所述眼部特征参数。4.如权利要求1所述的人体疲劳度判定方法，其特征在于，采集至少包括头部三维运动的频谱特征，包括以下步骤：采集头部在各个运动方向的速度、加速度以及时间，绘制头部在三维空间的运动曲线；基于头部在三维空间的运动曲线，对头部运动轨迹做傅里叶变换，提取头部运动的频率信息，基于所述头部运动的频率信息，提取头部在三个方向上分别处于清醒、轻度疲劳以及疲倦状态下频谱特征。5.如权利要求1所述的人体疲劳度判定方法，其特征在于，贝叶斯网络分类器和线性分类器按约定频率切换的判定方法，包括以下步骤：约定第一时间段，在所述第一时间段内，采用贝叶斯网络分类器...

【专利技术属性】
技术研发人员：陈奭，付威威，董月芳，刘敏，周哲，潘力，朱海龙，
申请(专利权)人：中国科学院苏州生物医学工程技术研究所，
类型：发明
国别省市：江苏,32