[发明专利]一种基于图割模型的人眼状态识别方法

说明书

技术领域

本发明涉及一种基于机器视觉的图像识别领域，尤其涉及一种基于图割模型的人眼状态识别方法，特别是监控视频中人眼状态（睁/闭）的自动检测方法，其适用于各型机动车辆的司机驾驶过程中疲劳状态的离线式、自动识别。

背景技术

疲劳驾驶严重影响驾驶员的警觉性、应变性及安全驾驶能力。根据交通事故统计：全世界范围内，超过30%的公路交通事故与驾驶疲劳有关，而在中国超过40％的重大交通事故直接或间接是由疲劳驾驶所引发。因此，许多国家和专业部门都在积极开展有关驾驶疲劳的研究工作。驾驶人疲劳状态的检测方法可大致分为基于驾驶人生理信号、基于驾驶人生理反应特征、基于驾驶人操作行为和基于车辆状态信息的检测方法。大量实验证明基于生理反应特征的PERCLOS检测方法是准确率最高的检测方法，也是被美国公路交通安全局(NHTSA)惟一认可的疲劳驾驶检测方法。

基于PERCLOS系数的疲劳检测方法是通过检测监控视频中人眼状态（开或闭），来判断驾驶员疲劳程度的方法。行车环境中由于受到光照变化和摄像头抖动等因素的影响，从视频中提取的眼睛区域图像质量一般较差，这些影响都会使得前景目标（人眼）难以从这些复杂背景中提取，更增加了精确定位的难度。因此，从眼睛区域图像中，如何将眼睛像素和背景区域精确分割开，是基于PERCLOS检测方法最关键的步骤，也是决定该检测方法成败的关键因素。

现有的眼睛检测方法要可分为三类：基于模板的方法、基于外形的方法和基于特征的方法。基于模板的方法需要设计一个基于眼睛形状的通用模板，然后使用模板匹配搜索感兴趣区域中眼睛的位置。基于外形的方法利用眼睛的几何形状进行眼睛检测，一般使用神经网络或SVM等统计分类器对数据实现分类。基于特征分析的方法提取眼睛的一些特征作为识别眼睛的基础，这些特征可包括颜色特征、眼睑形状、瞳孔密度、灰度分布特征、虹膜边缘特征、眼睛角点特征等。

现有眼睛检测方法存在以下不足：

        （a） 基于模板的方法中通用模板的选取是一个难点，不同人的眼睛大小形状都不一样，而且采用模板匹配的方法需要全图搜索匹配，速度相对较慢，难以满足实时检测的要求；

        （b）基于外形的方法需要采集大量的训练样本，提供不同对象、不同面部朝向、不同光照环境和不同睁闭程度下的眼睛信息作为训练集，而样本的选取往往不能涵盖实际应用中的各种情况；

        （c） 基于特征分析的方法虽然计算量小速度快，但是眼睛特征随着人脸的表情，头部的姿态及外界环境的改变会呈现极大的不稳定性，所以这种检测方法的识别准确率不是很高。

发明内容

本发明的目的在于克服上述技术问题的缺陷，解决当前疲劳检测系统不能精确检测人眼状态（睁或闭）的问题。本发明基于图割模型的图像前景提取方法，用来精确分割出人眼图像中的人眼椭圆区域，定义了人眼图像的图割模型和能量函数，并用最大流最小割算法优化能量函数，以此为理论发明了一种把人眼图像分割为二值化的人眼椭圆区域的算法，并把人眼区域面积作为计算PERCLOS系数的特征量，用来进行驾驶疲劳状态的自动检测。

根据本发明的具体实施，提供一种基于图割模型的人眼状态识别方法，其特征在于包括以下步骤：

        步骤1）构造图割模型：

         基于图割（Graph Cuts）的图像分割方法把图像分割与图的最小割（min cut）问题相关联。首先将图像映射为带权无向图G=<V，E>，无向图中每个节点∈V对应于图像中的每个像素，每条边∈E连接着一对相邻的像素。在普通图的基础上多了2个顶点，这2个顶点分别用符号“S”和“T”表示，统称为终端顶点，其它所有的顶点都必须与这2个顶点相连形成边集合中的一部分。因此Graph Cuts模型中有两种顶点，也有两种边。第一种顶点和边是：对应于图像中每个像素的普通顶点，每两个邻域顶点（对应于图像中每两个邻域像素）的连接就是一条边，这种边叫n-links。第二种顶点和边是：除图像像素外的另外两个终端顶点，叫S（source: 源点）和T（sink：汇点），每个普通顶点和这2个终端顶点之间都有连接，组成第二种边，这种边叫t-links。图1为一个图像对应的图割模型，也叫S-T图。在图像分割中，S一般表示前景目标，T一般表示背景。

步骤2）构造图割模型的能量函数：