【技术实现步骤摘要】
一种疲劳表情识别方法
本专利技术涉及智能驾驶员驾驶姿态识别
，具体涉及一种基于局部二进制模式与重构的方向梯度直方图融合的疲劳表情识别方法。
技术介绍
驾驶员疲劳识别的研究可分为三类：1)基于车辆的方法；2)基于行为的方法；3)基于生理信号的方法。在生理学方法中，驾驶员疲劳是通过使用身体的生理信号来检测的，例如脑电图(EEG)用于监测大脑活动，眼电图(EOG)用于监测眼球运动，心电图(ECG)用于监测心率。最近的研究表明，与其他方法相比，利用生理信号(尤其是EEG信号)进行疲劳检测更加可靠和准确。然而，生理信号的侵入性测量会阻碍驾驶，特别是在长期驾驶期间。基于车辆的方法从车辆传感器收集信号数据(例如，方向盘角度、车道位置、速度、加速度和制动)以评估驾驶行为。虽然采集车辆信号比较方便，但是这些方法对于检测驾驶员疲劳并不实时。基于行为的方法使用车载照相机捕捉驾驶员的脸，并依靠视觉分析来监视驾驶员的行为，包括闭眼、眨眼、打哈欠、头部姿势、手势、面部表情等。面部表情识别是最常见的基于视觉的行为分析系统之一。它与人们的心理状态密切相关，如愤怒、悲伤、疲劳等。人脸表情识别...
【技术保护点】
1.一种基于局部二进制模式与重构的方向梯度直方图融合的疲劳表情识别方法，其特征在于，所述的疲劳表情识别方法包括以下步骤：S1、预处理人脸面部图片，其中，预处理包括滤波与灰度化；S2、利用重构方向梯度直方图提取面部的结构与边缘特征，得到RHOG特征，过程如下：通过伽玛校正调整图像亮度，计算图像的每个像素点的梯度，该梯度包括大小和方向，将图像分割成若干单元，然后计算每个单元的梯度直方图，该梯度直方图以梯度方向分类，对应的梯度值作为纵轴权值，、将若干相邻的单元构成一个块，计算整幅图像中块向量间的统计特征，将所得统计特征向量作为重构的方向梯度直方图的RHOG特征；S3、利用局部二进...
【技术特征摘要】
1.一种基于局部二进制模式与重构的方向梯度直方图融合的疲劳表情识别方法，其特征在于，所述的疲劳表情识别方法包括以下步骤：S1、预处理人脸面部图片，其中，预处理包括滤波与灰度化；S2、利用重构方向梯度直方图提取面部的结构与边缘特征，得到RHOG特征，过程如下：通过伽玛校正调整图像亮度，计算图像的每个像素点的梯度，该梯度包括大小和方向，将图像分割成若干单元，然后计算每个单元的梯度直方图，该梯度直方图以梯度方向分类，对应的梯度值作为纵轴权值，、将若干相邻的单元构成一个块，计算整幅图像中块向量间的统计特征，将所得统计特征向量作为重构的方向梯度直方图的RHOG特征；S3、利用局部二进制模式提取纹理特征，得到LBP特征；S4、通过串联LBP特征与RHOG特征，进行特征融合：S5、对融合后特征进行分类训练与交叉检验。2.根据权利要求1所述的疲劳表情识别方法，其特征在于，所述的步骤S2中方向梯度直方图的重构过程如下：S21、标准化的伽玛空间和色彩空间：I(x,y)＝I(x,y)gamma(1)其中I(x,y)代表图像中(x,y)点处的像素，gamma为校正参数；S22、计算图像梯度：Gx(x,y)＝I(x+1,y)-I(x-1,y)(2)Gy(x,y)＝I(x,y+1)-I(x,y-1)(3)其中，I(x,y)表示图像中(x,y)点处的像素，Gx(x,y)和Gy(x,y)分别代表图像中(x,y)点处的横向和纵向梯度值，G(x,y)表示点(x,y)处的梯度值，α为梯度方向角；S23、将图像分成若干单元格，在每个单元格中计数梯度方向直方图，将所有梯度方向划分为t个区间作为直方图的水平轴，并且将对应于角度范围的梯度值划分为直方图的垂直轴；S24、由2x2个单元组成块，以块矢量作为基本单元构建矩阵F，假设某张图片可划分为n*m个块，其中n表示行，m表示列，每个块中的特征向量为对应单元组成的特征向量串联表示为：Aij,i＝1,...,n,j＝1,...,m，则以块为基本单位，构造矩阵F如下：S25、重建矩阵，将矩阵F在行的方向上或在列的方向上重建，如式(7)所示：其中，为按行重构的矩阵，为按列的重构矩阵；S26、计算重建矩阵的统计特征，该统计特征包括均值μ、方差σ、偏度γ、峰度κ、熵H。3.根据权利要求2所述的疲劳表情识别方法，其特征在于，所述的均值μ、方差σ2、偏度γ、峰度κ、熵H的计算公式分别如下：其中，aij表示矩阵或的第i行第j列元素，n为矩阵或的行，μj表示第j列均值，表示第j列方差，γj表示第j列偏度，κj表示第j列峰度，pi表示数值aij在第j列所占个数比例，Hj为第j列的熵。4.根据权利要求1所述的疲劳...
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。