一种基于先验信息加权的HOG人脸疲劳特征提取方法技术

本发明专利技术公开了一种基于先验信息加权的HOG人脸疲劳特征提取方法，包括以下步骤：S1、输入彩色图像，转换到HSV色彩空间并对HSV色彩空间中的V通道进行双阈值自适应伽马校正；S2、计算校正后的梯度大小和方向，并将图像划分为若干个cell区域；S3、计算cell区域的加权投影梯度直方图，进行拉普拉斯平滑并归一化；S4、对归一化后的cell计算其对应的KL散度值，并将所有cell划分为若干个block块；S5、基于先验信息和KL散度值对block块内的cell作加权处理，整合所有处理后的block，得到最终的特征向量。该方法，解决了传统算法在智能座舱中复杂环境下提取特征丢失的问题，改进后的算法提取出的人脸疲劳特征可靠稳定。疲劳特征可靠稳定。疲劳特征可靠稳定。

【技术实现步骤摘要】
一种基于先验信息加权的HOG人脸疲劳特征提取方法


[0001]本专利技术涉及图像处理
，具体指用于智能座舱中的一种基于先验信息加权的HOG人脸疲劳特征提取方法。

技术介绍

[0002]近年来，随着物联网、人工智能等技术的飞速发展，传统的机械化、电气化的汽车座舱也逐步发展为数字化、智能化、互联化的智能座舱，传统的汽车座舱内的驾驶员疲劳状态检测方法，并不能够很好的适用于智能座舱中的复杂环境场景，这对于驾驶员疲劳状态特征的提取算法提出了更高的要求。在智能座舱的复杂场景下，精准识别并提取出驾驶员的疲劳状态并预警，能够有效减少交通事故的发生，保障人民群众的生命财产安全。
[0003]梯度方向直方图(Histogram of oriented gradient，HOG)是一种非常有效的提取人脸特征的方法，具有光照不变性，平移不变性和旋转不变性等特点，其边缘或者梯度的方向密度分布能够将人脸图像的局部特征区域很好的表达，能够为后续人脸疲劳的精准识别与判定给与可靠稳定的支持。
[0004]传统的HOG特征提取方法，由于算法中伽马校正阈值的固定，因此通过单一阈值来调整图像的亮度和对比度，鲁棒性差，使其难以应对处理智能座舱中各种真实场景的复杂环境影响，在面对比如局部过亮或过暗等情况下的特征提取，往往会丢失一些重要的局部信息。算法中的梯度计算只考虑了水平和垂直两个方向，在某些复杂环境下并不能够很好的提取出人脸的疲劳特征。且算法对图像的处理流程固定单一，并不能够很好的提取不同区域的疲劳特征。因此，寻找出一种能够应对智能座舱中复杂场景下的人脸疲劳特征提取方法，具有重要的意义和价值。

技术实现思路

[0005]本专利技术的目的是解决现有技术中存在的对于提取智能座舱中复杂场景下人脸疲劳特征丢失的问题，提出一种基于先验信息加权的HOG人脸疲劳特征提取方法，从而有效提高人脸疲劳特征提取的可靠性和稳定性。
[0006]为了解决上述技术问题，本专利技术的技术方案为：
[0007]一种基于先验信息加权的HOG人脸疲劳特征提取方法，包括以下步骤：
[0008]S1、输入彩色图像，转换到HSV色彩空间并对HSV色彩空间中的V通道进行双阈值自适应伽马校正；
[0009]S2、计算校正后的梯度大小和方向，并将图像划分为若干个cell区域，其中梯度大小和方向即通过计算得到梯度幅值和方向角；
[0010]S3、计算cell区域的加权投影梯度直方图，进行拉普拉斯平滑并归一化；
[0011]S4、对归一化后的cell计算其对应的KL散度值，并将所有cell划分为若干个block块；
[0012]S5、基于先验信息和KL散度值对block块内的cell作加权处理，整合所有处理后的
block，得到最终的特征向量。
[0013]作为优选，所述步骤S1中，双阈值自适应伽马校正表达式如下：
[0014][0015][0016]F(V)＝μF1(V)+(1
‑
μ)F2(V)
[0017]其中，F1(V)是一个凸函数，用于增强暗光区域；F2(V)是一个凹函数，用于抑制强光区域；式中的μ与γ依据HSV色彩空间的明度值V自适应调整。
[0018]作为优选，所述步骤S1中，μ与γ的表达式如下：
[0019][0020][0021]作为优选，所述步骤S3包括以下子步骤：
[0022]S3
‑
1、将cell区域以单位划分为若干个bin，得到若干bin的角度区间范围；
[0023]S3
‑
2、将cell区域内的像素点按梯度幅值加权后，投影到像素点的梯度角所对应的bin上，累加得到此cell的梯度直方图，投影公式具体为：
[0024][0025]式中，C表示一个cell内的所有像素点的A
n
区间的投影值之和，V
x
表示x像素点位的梯度值，θ
x
表示x像素点位的梯度方向，通过判断θ
x
属于哪一个A
n
区间，然后通过上式计算其投影权重，最后求和即可得到总投影值，最终串联所有投影值，得到cell的梯度直方图；
[0026]S3
‑
3、对上述步骤得到的梯度直方图做拉普拉斯平滑，并用L2
‑
Norm函数对平滑后的梯度直方图进行归一化处理，得到平滑归一化后的梯度直方图，其函数表达式具体为：
[0027][0028]式中，B
n
为第n个角度区间所对应的幅值，||C||的表达式为:
[0029][0030]作为优选，所述步骤S3
‑
1中，划分cell预取得到bin的方法为：
[0031]将0～360
°
以30
°
为单位划分为12个bin，得到12个角度区间范围，其集合为：A＝{A1,A2…
,A
12
}。
[0032]作为优选，所述步骤S4中，KL散度值具体计算公式为：
[0033][0034]式中，表已知的概率分布，其中对应为先验信息cell区域的梯度直方图的12个bin所对应的值；q
i
＝A
i
为观测的真实的概率分布，其中A
i
对应为观测信息cell区域的梯度直方图的12个bin所对应的值。其算出的KL(p||q)值越小，说明二者相似度越高，值越大则表示相似度越低。
[0035]作为优选，所述先验信息是指：智能座舱中无驾驶员情况下的彩色图像经由S1
‑
S4处理后得到的梯度直方图。
[0036]作为优选，所述步骤S5中，加权处理方法为：
[0037]H
k
＝∑ω
n
C
n
[0038]式中H
k
为第k个block块特征向量，由m
×
m个cell组成，C
n
为块内cell的梯度直方图特征向量，ω
n
为此cell所对应的权值，其权值计算公式如下：
[0039][0040]式中，KL
n
为此cell所对应的KL散度值，KL
sum
为此cell所在的块内所有cell的KL散度值之和。
[0041]本专利技术具有以下的特点和有益效果：
[0042]本专利技术基于先验信息加权的改进HOG人脸疲劳特征提取方法，解决了传统算法在智能座舱中复杂环境下提取特征丢失的问题，改进后的算法提取出的人脸疲劳特征可靠稳定。因传统算法中伽马校正阈值的固定单一，在智能座舱中的复杂环境下会出现特征提取丢失的情况，改进后的伽马校正引入双阈值，能够有效增强暗光区域，抑制强光区域，改善了特征丢失的情况，增强了特征提取的鲁棒性。同时，改进HOG算法中增加了两处斜对角方向的梯度计算，能够提取更为丰富的人脸信息，并且由于不同区域对疲劳特征检测的贡献不同，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于先验信息加权的HOG人脸疲劳特征提取方法，其特征在于，包括以下步骤：S1、输入彩色图像，转换到HSV色彩空间并对HSV色彩空间中的V通道进行双阈值自适应伽马校正；S2、计算校正后的梯度大小和方向，并将图像划分为若干个cell区域；S3、计算cell区域的加权投影梯度直方图，进行拉普拉斯平滑并归一化；S4、对归一化后的cell计算其对应的KL散度值，并将所有cell划分为若干个block块；S5、基于先验信息和KL散度值对block块内的cell作加权处理，整合所有处理后的block，得到最终的特征向量。2.根据权利要求1所述的基于先验信息加权的HOG人脸疲劳特征提取方法，其特征在于，所述步骤S1中，双阈值自适应伽马校正表达式如下：于，所述步骤S1中，双阈值自适应伽马校正表达式如下：F(V)＝μF1(V)+(1
‑
μ)F2(V)其中，F1(V)是一个凸函数，用于增强暗光区域；F2(V)是一个凹函数，用于抑制强光区域；式中的μ与γ依据HSV色彩空间的明度值V自适应调整。3.根据权利要求2所述的基于先验信息加权的HOG人脸疲劳特征提取方法，其特征在于，所述步骤S1中，μ与γ的表达式如下：于，所述步骤S1中，μ与γ的表达式如下：4.根据权利要求2所述的基于先验信息加权的HOG人脸疲劳特征提取方法，其特征在于，所述步骤S2中，通过计算得到校正后的梯度，通过校正后的梯度计算得到梯度幅值和方向角。5.根据权利要求4所述的基于先验信息加权的HOG人脸疲劳特征提取方法，其特征在于，所述步骤S3包括以下子步骤：S3
‑
1、将cell区域以单位划分为若干个bin，得到若干bin的角度区间范围；S3
‑
2、将cell区域内的像素点按梯度幅值加权后，投影到像素点的梯度角所对应的bin上，累加得到此cell的梯度直方图，投影公式具体为：式中，C表示一个cell内的所有像素点的A
n
区间的投影值之和，V
x
表示x像素点位的梯度值，θ
x
表示x像素点位的梯度方向；
S3
‑
3、对上述步骤得...

【专利技术属性】
技术研发人员：汪银辉，黄继业，郑甘勒，高明裕，何志伟，洪明，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：