[发明专利]一种结构特征层次化的疲劳表情识别方法

说明书

技术领域

本发明属于图像处理技术领域，特别涉及一种疲劳识别方法，可用于疲劳驾驶。

背景技术

随着社会的发展加快，脑力劳动占据着绝大多数的比例，在如今高压的生活下，很容易导致人的精神疲劳。人的疲劳会导致人的工作能力降低，主要表现在注意力涣散、呆滞、健忘、头脑昏沉、一直打呵欠、眨眼频繁等。疲劳的这些表现特征会导致很多的负面影响。如何检测出一个人的疲劳程度，成为图像处理领域研究的热门问题。

稀疏编码来源于神经科学，是一种模拟哺乳动物视觉系统主视皮层V1区简单细胞感受野人工神经网络方法。该方法具有空间的局部性、方向性和频域的带通性，是一种自适应的图像统计方法。

根据以上特点，稀疏编码方法被广泛应用于图像处理领域中，各种基于稀疏表示的识别方法也被研究者提出和公开。稀疏编码方法的实现仅依靠自然环境的统计特性，并不依赖于输入数据的性质，因而是一种自适应的图像统计方法。

Wright等人提出了基于稀疏表示的人脸识别算法，并且取得了很好的效果。稀疏表示方法中，字典的构建是最重要的，因为字典的好坏直接导致实验好坏。目前K-SVD算法是比较经典的字典学习算法。Yang等提出费舍尔判别字典学习算法，其算法对字典添加了判别性，也在构建字典过程中考虑了编码的判别性。Zhou等人提出了Joint Dictionary learning算法，该算法利用了目标对象之间的视觉相关性，从而构建结构字典。因为稀疏字典学习的方法并不需要提取特征，而且在少样本的情况下，就能保证很好的性能，故稀疏方法广泛应用于识别领域之中。

发明内容

本发明为了解决传统稀疏表示算法构建的字典不具备判别性的问题，结合疲劳表情的实际，提出了一种新的基于结构特征层次化的疲劳表情识别方法。同时，采取本算法进行稀疏字典的构建，使其具备判别性，识别准确率也相应的提高。

本发明的目的通过如下技术方案实现：

S1：收集疲劳表情数据集，对疲劳数据集进行裁剪，然后分成三个部分：眼眉部分、脸颊部分和嘴部。如图1和图2所示。

S2：对各类训练样本分割之后提取Gabor特征。

S3：利用K-SVD算法得到各个Gabor特征的块字典向量。

S4：利用层次分析法以及对应的权重赋值方法构建各程度疲劳表情的子字典，构建初始化字典D。

S5：利用结构化字典算法以及OMP算法求解，求出结构化字典D＝[D[1],D[2],D[3]]以及目标函数的最优解x^T＝(x[1]^T,x[2]^T,x[3]^T)。其中D[i]表示第i类疲劳表情的结构化字典，x[i]表示第i类疲劳表情的稀疏系数。

S6：最后根据如下公式对测试样本进行最后的分类。

D[i]表示第i类疲劳表情的结构化字典，x[i]表示第i类疲劳表情的稀疏系数。y表示当前的测试样本。

本发明的优点在于构建的稀疏字典具有很良好的判别行，同时根据层次分析法，把人脸疲劳表情的纹理特征进行优化，对传统的稀疏表示求解分类而言，在时间复杂度和空间复杂度上都有一定的提升。

附图说明

图1是采集的数据库，分为三类：正常，轻度疲劳和重度疲劳。

图2是原始数据库图像的分割示意图。

图3是疲劳表情的Gabor特征的八个方向的幅值响应。

图4是疲劳表情的Gabor特征提取之后的合成图。

图5是本发明算法的详细流程图。

具体实施方式

1、提取Gabor特征

Gabor小波是一种加窗短时的傅里叶变化，是信号处理中在时间域和空间域变化的一个重要的工具，在模式识别中有很广泛的应用。Gabor小波的正交相位的特性以及在空间频率、位置和方向上捕捉信息的选择性，逼近的二维Gabor小波函数示意图和人视觉皮层细胞感受也极其相似。二维Gabor小波滤波器的核函数定义的公式为：