一种基于多尺度二进制模式的车载疲劳检测方法技术

本发明专利技术涉及一种基于多尺度二进制模式的车载疲劳检测方法，解决的是检测精度低的技术问题，通过采用将训练样本图像划分成若干不重复的子区域，使用多尺度局部二进制模式进行特征提取，获得多尺度局部二进制图像特征；对多尺度局部二进制图像特征进行离散傅里叶变化，得到多尺度二进制模式的直方图傅里叶特征向量；步骤四，连接构成多尺度二进制模式的直方图傅里叶特征向量，用于表征图像特征，选择核函数，用非线性支持向量机对样本图像的MLBP特征进行分类训练，并得到训练后的SVM分类模型和参数的技术方案，较好的解决了该问题，可用于车载疲劳检测中。

A Vehicle-borne Fatigue Detection Method Based on Multi-scale Binary Model

【技术实现步骤摘要】
一种基于多尺度二进制模式的车载疲劳检测方法
本专利技术涉及人工智能
，具体涉及一种基于多尺度二进制模式的车载疲劳检测方法。
技术介绍
随着社会的发展和经济的进步，汽车已经成为人们拓展生活空间，提高生活效率，提升生活品质的必备交通工具。汽车数量的与日剧增表现为社会繁荣的同时也带来了诸多社会问题。其中首要问题是道路安全问题，道路交通事故业已成为造成人类非正常死亡首要因素。有统计表明，在所有道路交通事故中，人为因素占80％，而疲劳驾驶又是最普遍的人为因素。因此，进行疲劳驾驶识别和预警对于避免恶性交通事故发生，保障人们生命和财产安全将起到至关重要的作用。现有技术中，LBP方法己经在很多方法中得到应用，但人脸识别受姿态和光照变化影响，光照变化、角度变化会对特征提取形成阻碍，影响检测率，导致疲劳检测不够准确。LBP算子在它的应用中有以下局限性。第一，单一尺度LBP算子在计算捕获图像结构的特征时不能够检测主要的纹理特征，并且它们对于图像变换和旋转鲁棒性不强。第二，在单信道，比如灰度图像空间，特征提取仅仅捕获单色强度信息，这限制了识别性能。本专利技术庭一种针对提高疲劳检测准确性的算法，随着从物理和生物视觉引出的计算机视觉、图像分析、信号处理发展功能的融合，能够解决上述技术问题。
技术实现思路
本专利技术所要解决的技术问题是现有技术中存在的检测精度差的技术问题。提供一种新的基于多尺度二进制模式的车载疲劳检测方法，该基于多尺度二进制模式的车载疲劳检测方法具有检测精度高的特点。为解决上述技术问题，采用的技术方案如下：一种基于多尺度二进制模式的车载疲劳检测方法，所述基于多尺度二进制模式的车载疲劳检测方法包括：步骤一，对驾驶员图像人工分类标记疲劳样本和不疲劳样本，分别选择训练样本和测试样本，对训练样本和测试样本进行预处理；步骤二，将训练样本图像划分成若干不重复的子区域，使用多尺度局部二进制模式进行特征提取，获得多尺度局部二进制图像特征；步骤三，对多尺度局部二进制图像特征进行离散傅里叶变化，得到多尺度二进制模式的直方图傅里叶特征向量；步骤四，连接构成多尺度二进制模式的直方图傅里叶特征向量，用于表征图像特征，选择核函数，用非线性支持向量机对样本图像的MLBP特征进行分类训练，并得到训练后的SVM分类模型和参数；步骤四，对测试样本重复步骤二至步骤三，利用训练得到的SVM分类模型和参数对测试样本的多尺度二进制模式的直方图傅里叶特征进行检测。本专利技术的工作原理：专利技术给出了一种基于多尺度二进制模式的直方图傅里叶特征(MLBP-HF)和支持向量机SVM的车载疲劳检测方法。主要是以统计学习理论为思想基础的、按监督学习方式进行数据分类的支持向量机。首先基于多尺度局部二进制模式的特征提取：将图像划分为多个同一大小但并不重叠的子区域，M0，M1，…Mj-1，每一块子区域的不同半径的LBP直方图，用以下公式计算：B(v)为Bool指针，是对于每一个不同尺度的区域(Mj)计算直方图提供区域性信息，L为直方图bins的数量。通过以下公式连接上述各个子区域的直方图得到一个单向量，是最终的多尺度特征描述算子：fj＝[hP,1,j,hP,2,j,...,hP,R,j]。特征提取方法可以有效地表征疲劳，并取得了较好的检测效果，检测速度快，受光照变化影响较小，但是同时发现对于驾驶员人脸存在倾斜或偏转时检测率很低，漏检率和误检率较高。在对驾驶员人脸图像提取出MLBP特征后，使用傅里叶变换来对MLBP特征进行处理，进行离散傅里叶变换对于具有一定偏转角度的图像能够从特征上进行矫正，进而减小对疲劳检测的影响，提高检测率。上述方案中，为优化，进一步地，所述预处理包括将RGB图像转换为灰度图像及图像标准化处理。进一步地，所述基于多尺度局部二进制模式进行特征提取包括：步骤1，用LBP8,1,LBP8,2,LBP8,3三种LBP算子对原图进行计算，得到在不同尺度下的图像，分别为I1,I2,I3；步骤2，对I1,I2,I3进行分块，分成的子块分别为：I1(1,n),I2(1,n),I3(1,n)；步骤3，对不同尺度下对应的子区域进行拼接；步骤4，对步骤3中的每一个拼接结果计算LBP直方图；其中，n为正整数。进一步地，步骤三包括：步骤3.1，用离散傅里叶变换对多尺度局部二进制图像特征进行变换，设HP,r(n,·)为直方图hP,r(U(n,c))的第n行的DFT，即：HP,r(n,u)＝∑hP,r(U(n,c))e-i2πur/P步骤3.2，对于离散傅里叶变换输入适量的循环位移带来的DFT系数中的相移，判定出h'P,r(U(n,c))＝hP,r(U(n,c-a))，则定义H'P,r(n,c)＝HP,r(n,u)e-i2πur/P；定义对于任意的1≤n1,n2≤P-1，有：其中，为HP,r(n2,u)的复共轭；对于任意1≤n1,n2≤P-1和多尺度二进制模式的直方图傅里叶特征，计算出：定义傅里叶幅度谱为定义则LBPr/u2作为一个子集包含于傅里叶幅度谱。用U(n,c)表示图像的规范LBP模式，圆形领域为(8,R)的58种不同的规范模式中，不同的行表示中心像素经过规范LBP算子计算得到的位序列中1的数量，不同的列表示图像的旋转角度。用n用表示模式屮位的数量，也即行数，c为旋转角度也即列数。如果样本点数量为P,则0≤n≤P+1，其中n＝P+1表示所有非规范模式，并且，当1≤n≤P-1时，旋转度0≤c≤P-1。加入用f'(x,y)表示f(x,y)偏转后的图像，偏转角度为α。偏转后点(x,y)移至(x',y')，可以知道两点也偏转α度。根据多尺度局部二进算子的特点，偏转角度可以做到两个样本点角度的整数倍，即：则旋转后图像的规范模式直方图，对应于原图像在每一行的直方图的循环移位。h'P,r(U(n,c+a))＝hP,r(U(n,c))。为了避免循环移位给旋转后的图像直方图的影响，对图像使用傅里叶变换。用离散傅里叶变换DFT来对之前得到的MLBP特征进行变换：设HP,r(n,·)为直方图hP,r(U(n,c))的第n行的DFT，即：HP,r(n,u)＝∑hP,r(U(n,c))e-i2πur/P；对于DFT输入适量的循环位移带来的DFT系数中的相移，如果：h'P,r(U(n,c))＝hP,r(U(n,c-a))，那么有H'P,r(n,c)＝HP,r(n,u)e-i2πur/P，并且对于任意的1≤n1,n2≤P-1有：其中为HP,r(n2,u)的复共轭。显示对于任意1≤n1,n2≤P-1和MLBP-HF，特征：对于hP,r(U(n,c))的行的循环转换是不变的，并且对于输入图像f(x,y)的旋转也是不变的。傅里叶幅度谱可以视为这些特征的一种特殊情况。最终，既然那么LBPr/u2作为一个子集包含于傅里叶幅度谱中。从而，在对驾驶员人脸图像提取出MLBP特征后，即可使用傅里叶变换来对特征进行处理，它的好处在于对于具有一定偏转角度的图像能够从特征上进行矫正，进而减小对疲劳检测的影响，提高检测率。本专利技术的有益效果：本专利技术针提出了一种基于多尺度二进制模式直方图傅里叶特征(MLBP-HF)和SVM的疲劳检测方法。方法中提取的MLBP-HF特征不仅能克服光照变化的影响，又能最大限度保留图像细节特征。而且，对MLBP本文档来自技高网...

【技术保护点】
1.一种基于多尺度二进制模式的车载疲劳检测方法，其特征在于：所述基于多尺度二进制模式的车载疲劳检测方法包括：步骤一，对驾驶员图像人工分类标记疲劳样本和不疲劳样本，分别选择训练样本和测试样本，对训练样本和测试样本进行预处理；步骤二，将训练样本图像划分成若干不重复的子区域，使用多尺度局部二进制模式进行特征提取，获得多尺度局部二进制图像特征；步骤三，对多尺度局部二进制图像特征进行离散傅里叶变化，得到多尺度二进制模式的直方图傅里叶特征向量；步骤四，连接构成多尺度二进制模式的直方图傅里叶特征向量，用于表征图像特征，选择核函数，用非线性支持向量机对样本图像的MLBP特征进行分类训练，并得到训练后的SVM分类模型和参数；步骤四，对测试样本重复步骤二至步骤三，利用训练得到的SVM分类模型和参数对测试样本的多尺度二进制模式的直方图傅里叶特征进行检测。

【技术特征摘要】
1.一种基于多尺度二进制模式的车载疲劳检测方法，其特征在于：所述基于多尺度二进制模式的车载疲劳检测方法包括：步骤一，对驾驶员图像人工分类标记疲劳样本和不疲劳样本，分别选择训练样本和测试样本，对训练样本和测试样本进行预处理；步骤二，将训练样本图像划分成若干不重复的子区域，使用多尺度局部二进制模式进行特征提取，获得多尺度局部二进制图像特征；步骤三，对多尺度局部二进制图像特征进行离散傅里叶变化，得到多尺度二进制模式的直方图傅里叶特征向量；步骤四，连接构成多尺度二进制模式的直方图傅里叶特征向量，用于表征图像特征，选择核函数，用非线性支持向量机对样本图像的MLBP特征进行分类训练，并得到训练后的SVM分类模型和参数；步骤四，对测试样本重复步骤二至步骤三，利用训练得到的SVM分类模型和参数对测试样本的多尺度二进制模式的直方图傅里叶特征进行检测。2.根据权利要求1所述的基于多尺度二进制模式的车载疲劳检测方法，其特征在于：所述预处理包括将RGB图像转换为灰度图像及图像标准化处理。3.根据权利要求1所述的基于多尺度二进制模式的车载疲劳检测方法，其特征在于：所述基于多尺度局部二进制模式进行特征提取包括：步骤1，用LBP8,1,LBP8...

【专利技术属性】
技术研发人员：方昳凡，许清，陆相羽，黄子恒，易和阳，滕飞宇，杨森元，戈洋，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50