一种基于多特征算子的K-means工人疲劳简易判别方法技术

本发明专利技术公开了一种基于多特征算子的K

【技术实现步骤摘要】
一种基于多特征算子的K
‑
means工人疲劳简易判别方法


[0001]本专利技术涉及计算机
，具体而言，涉及一种基于多特征算子的K
‑
means工人疲劳简易判别方法。

技术介绍

[0002]当今社会，工作者往往承担着巨大的工作压力。在某些情况下，工作者需要加班完成任务，极易出现疲劳。当工作者出现疲劳的情况时，容易出现明显的工作失误，严重时会危及人身健康。更重要的是，长期疲劳往往会引发非常严重的疾病。另外，由于监管、安全等方面的需要，工厂的现代化设备往往可以较为容易地采集工作者的图像。因此，如何利用工作者的图像进行疲劳判别是一项非常有意义的工作。
[0003]针对上述问题，传统的方法为了保证较高的精度，不仅更多的依赖于多幅图像、视频等，而且往往利用较为复杂的训练、判别模型进行训练和决策。即使获得了较高的判别精度，往往消耗了较多的计算资源。因此，如何建立一个基于单幅图像的工作者疲劳判别方法，利用较低消耗的模型判别工作者是否疲劳是一项非常有意义且亟待解决的工作。

技术实现思路

[0004]为了克服上述问题或者至少部分地解决上述问题，本专利技术实施例提供一种基于多特征算子的K
‑
means工人疲劳简易判别方法，利用较低消耗的模型判别工作者是否疲劳。
[0005]本专利技术的实施例是这样实现的：一种基于多特征算子的K
‑
means工人疲劳简易判别方法，包括以下步骤：选取多个非疲劳工人的面部图像作为正训练样本图像；选取多个疲劳工人的面部图像作为负训练样本图像；分别对选取的正训练样本图像和负训练样本图像进行多尺度图像细节优化处理得到优化处理后正训练样本图像和负训练样本图像；分别对优化处理后的正训练样本图像和负训练样本图像进行SIFT特征提取，利用SIFT特征算子实现对待检测图像进行表征，得到第一表征图像；利用K
‑
means聚类算法对第一表征图像进行判别得到第一判别结果，第一判别结果包括判定为疲劳图片或非疲劳图片；分别对优化处理后的正训练样本图像和负训练样本图像进行GIST特征提取，利用GIST特征算子实现对待检测图像进行表征，得到第二表征图像；利用K
‑
means聚类算法对第二表征图像进行判别得到第二判别结果，第二判别结果包括判定为疲劳图片或非疲劳图片；分别对优化处理后的正训练样本图像和负训练样本图像进行HOG特征提取，利用HOG特征算子实现对待检测图像进行表征，得到第三表征图像；利用K
‑
means聚类算法对第三表征图像进行判别得到第三判别结果，第三判别结果包括判定为疲劳图片或非疲劳图片；
若待检测图像在第一判别结果、第二判别结果和第三判别结果中有两个及以上结果被判定为非疲劳图片，则将其最终判定为非疲劳图片；若待检测图像在第一判别结果、第二判别结果和第三判别结果中有两个及以上结果被判定为疲劳图片，则将其最终判定为疲劳图片。
[0006]这样的方法，通过多尺度图像细节优化处理、多特征算子特征提取、K
‑
means算法等方法充分结合，更加全面、精准、鲁棒地对工人疲劳进行判别；整个系统使用的模型较为简易，没有较大的计算资源消耗，极大地节省了相关资源并降低了运算时间。
[0007]在本专利技术的一些实施例中，所述分别对选取的正训练样本图像和负训练样本图像进行多尺度图像细节优化处理包括以下步骤：利用最小二乘滤波器对图像进行过滤；将剩余的正训练样本图像和负训练样本图像分为多个尺度；不同尺度之间进行减除计算，获得不同程度的细节信息；将不同程度的细节信息加权到原图中；得到含有丰富细节信息的加强图像。
[0008]在本专利技术的一些实施例中，利用K
‑
means聚类算法分别对第一表征图像、第二表征图像和三表征图像进行判别包括以下步骤：从第一表征图像、第二表征图像、第三表征图像、多个正训练样本图像、多个负训练样本图像中随机选取2个初始聚类中心；计算每个样本到各聚类中心的距离，将每个样本归到其距离最近的聚类中心；对每个簇，以所有样本的均值作为该簇新的聚类中心；重复上述步骤,直到聚类中心不再变化；若待检测图像被聚类为正样本类别，我们将其判定为非疲劳图像；若待检测图像被聚类为负样本类别，我们将其判定为疲劳图像。
[0009]在本专利技术的一些实施例中，SIFT特征提取并利用SIFT特征算子实现对图像的表征、GIST特征提取并利用GIST特征算子实现对图像的表征和HOG特征提取并利用HOG特征算子实现对图像的表征并列运行。
[0010]在本专利技术的一些实施例中，SIFT特征提取包括：构建尺度空间；定义图像的尺度空间为：；其中，G是高斯函数：；其中，G(x，y，σ)是尺度可变高斯函数，（x，y）是空间坐标，σ是尺度空间因子，是高斯正态分布的标准差，反映了图像被模糊的程度，其值越大图像越模糊，对应的尺度也就越大，L(x，y，σ)对应高斯尺度空间。
[0011]在本专利技术的一些实施例中，所述将表征图像、多个正训练样本图像、多个负训练样本图像放入一起的步骤中，正训练样本与负训练样本的数量一致。
[0012]在本专利技术的一些实施例中，正训练样本与负训练样本的数量分别至少大于50个。
[0013]在本专利技术的一些实施例中，正训练样本与负训练样本的数量分别为100个。
[0014]在本专利技术的一些实施例中，所述选取的方法包括：人工选取。
[0015]在本专利技术的一些实施例中，所述选取的方法包括：机器选取。
[0016]本专利技术实施例至少具有如下优点或有益效果：本专利技术提供一种基于多特征算子的K
‑
means工人疲劳简易判别方法，通过选取多个非疲劳工人的面部图像作为正训练样本图像；选取多个疲劳工人的面部图像作为负训练样本图像；分别对选取的正训练样本图像和负训练样本图像进行多尺度图像细节优化处理得到优化处理后正训练样本图像和负训练样本图像；分别对优化处理后的正训练样本图像和负训练样本图像进行SIFT特征提取，利用SIFT特征算子实现对待检测图像进行表征，得到第一表征图像；利用K
‑
means聚类算法对第一表征图像进行判别得到第一判别结果，第一判别结果包括判定为疲劳图片或非疲劳图片；分别对优化处理后的正训练样本图像和负训练样本图像进行GIST特征提取，利用GIST特征算子实现对待检测图像进行表征，得到第二表征图像；利用K
‑
means聚类算法对第二表征图像进行判别得到第二判别结果，第二判别结果包括判定为疲劳图片或非疲劳图片；分别对优化处理后的正训练样本图像和负训练样本图像进行HOG特征提取，利用HOG特征算子实现对待检测图像进行表征，得到第三表征图像；利用K
‑
means聚类算法对第三表征图像进行判别得到第三判别结果，第三判别结果包括判定为疲劳图片或非疲劳图片；若待检测图像在第一判别结果、第二判别结果和第三判别结果中有两个及以上结果被判定为非疲劳图片，则将其最终判定为非疲劳图片；若待本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多特征算子的K
‑
means工人疲劳简易判别方法，其特征在于，包括以下步骤：选取多个非疲劳工人的面部图像作为正训练样本图像；选取多个疲劳工人的面部图像作为负训练样本图像；分别对选取的正训练样本图像和负训练样本图像进行多尺度图像细节优化处理得到优化处理后正训练样本图像和负训练样本图像；分别对优化处理后的正训练样本图像和负训练样本图像进行SIFT特征提取，利用SIFT特征算子实现对待检测图像进行表征，得到第一表征图像；分别对优化处理后的正训练样本图像和负训练样本图像进行GIST特征提取，利用GIST特征算子实现对待检测图像进行表征，得到第二表征图像；分别对优化处理后的正训练样本图像和负训练样本图像进行HOG特征提取，利用HOG特征算子实现对待检测图像进行表征，得到第三表征图像；利用K
‑
means聚类算法分别对第一表征图像、第二表征图像和三表征图像进行判别得到三个判别结果；若三个判别结果中有两个及以上结果被判定为非疲劳图片，则将其最终判定为非疲劳图片；若三个判别结果中有两个及以上结果被判定为疲劳图片，则将其最终判定为疲劳图片。2.根据权利要求1所述的一种基于多特征算子的K
‑
means工人疲劳简易判别方法，其特征在于，所述分别对选取的正训练样本图像和负训练样本图像进行多尺度图像细节优化处理包括以下步骤：利用最小二乘滤波器对正训练样本图像和负训练样本图像进行过滤；将剩余的正训练样本图像和负训练样本图像分为多个尺度；不同尺度之间进行减除计算，获得不同程度的细节信息；将不同程度的细节信息加权到原图中；得到含有丰富细节信息的加强图像。3.根据权利要求1所述的一种基于多特征算子的K
‑
means工人疲劳简易判别方法，其特征在于，利用K
‑
means聚类算法分别对第一表征图像、第二表征图像和三表征图像进行判别包括以下步骤：从第一表征图像、第二表征图像、第三表征图像、多个正训练样本图像、多个负训练样本图像中随机选取2个初始聚类中心；计算每个第一表征图像、第二表征图像、第三表征图像、正训练样本图像、负训练样本图像到各聚类中心的距离，...

【专利技术属性】
技术研发人员：王阳，
申请(专利权)人：北京惠朗时代科技有限公司，
类型：发明
国别省市：