[发明专利]一种基于信息融合的固定岗位人员疲劳检测方法

权利要求书

1.一种基于信息融合的固定岗位人员疲劳检测方法，其特征在于，包括如下步骤：

步骤1，对输入图像进行预处理；

步骤2，采用基于HOG特征级联分类器的人脸检测算法实现人脸的检测；

步骤3，在人脸检测的基础上，采用核相关滤波KCF目标跟踪算法实现人脸的跟踪，获得跟踪区域图像；

步骤4，对于获得的跟踪区域图像，利用回归树集合算法，对人脸进行标定和分割；

步骤5，对分割的人脸采用基于级联卷积神经网络人眼特征点定位技术对人眼以及嘴部特征点进行检测；

步骤6，根据检测到的人眼部和嘴部特征点计算此时的闭合程度，根据设定阈值判断这一帧图像中人脸眼睛闭合状态和嘴部打哈欠状态；

步骤7，在步骤4中人脸标定的基础上，采用基于ASM局部定位和人脸特征三角形的方法实现头部姿态估计，从而判断出此时头部点头状态；

步骤8，每隔x分钟统计眨眼频率、哈欠频率、点头频率以及PERCLOS参数，对这四个参数采用基于粗糙集理论的信息融合算法实现疲劳状态检测；

步骤1包括：

步骤1-1，对输入的大小为1280*960的图像进行尺度缩放操作，将其缩小为原图的二分之一，即640*480；

步骤1-2，采用直方图均衡化的方法对图像进行增强；

步骤1-3，采用高斯滤波的方法对增强后的图像进行去噪；

步骤1-2包括：

步骤1-2-1，列出输入图像和缩小后图像的灰度级，L是灰度级的个数；

步骤1-2-2，统计输入图像中各灰度级的像素个数；

步骤1-2-3，计算输入图像直方图P(i)＝Ni/N，其中P(i)为灰度分布密度，Ni为每一个灰度级对应的像素个数，N为输入图像总的像素个数；

步骤1-2-4，计算累计直方图P(j)＝P(1)+P(2)+P(3)+…+P(i)，其中P(i)为灰度分布密度，P(j)为累计灰度分布密度；

步骤1-2-5，利用灰度值变换函数j＝int[(L-1)P(j)+0.5]，其中，int为取整操作，计算变换后的灰度值j，并四舍五入取整；

步骤1-2-6，确定灰度变换关系i→j，据此将输入图像的灰度值f(m,n)＝i修正为g(m，n)＝j，其中，i为输入图像灰度值，j为步骤1-2-5变换后的灰度值，m，n为输入图像的横，纵坐标，f(m,n)为原输入灰度函数，g(m，n)为变换后灰度函数；

步骤1-2-7，统计变换后个灰度级的像素个数Nj；

步骤1-2-8，计算变换后图像的直方图P(j)＝Nj/N，其中，Nj为步骤1-2-7中变换后个灰度级的像素个数。

2.根据权利要求1所述的方法，其特征在于，步骤2包括：

步骤2-1，对输入图像做灰度化处理；

步骤2-2，采用Gamma校正法对输入图像进行归一化处理；

步骤2-3，计算输入图像像素的梯度，采用[-1,0,1]梯度算子对输入图像做卷积运算得到水平方向梯度分量，然后采用[1,0,-1]^T梯度算子对图像做卷积运算得到垂直方向的梯度分量，同时将输入图像划分成元胞，每8*8的像素组成一个元胞，统计每个元胞的梯度直方图；

步骤2-4，将3*3个元胞组成一个小块，每一个小块内所有的元胞特征描述子串联得到小块的HOG特征描述子；

步骤2-5，将输入图像内所有的小块的HOG特征描述子串联即得到整幅输入图像的HOG特征描述子；

步骤2-6，采用Adaboost级联分类器训练人脸正负样本生成的HOG特征级联分类器，利用训练好的分类器对当前帧输入图像进行人脸检测，并将其作为人脸跟踪的初始模板。

3.根据权利要求2所述的方法，其特征在于，步骤4包括：当获得跟踪区域图像后，回归树集合算法会生成一个初始估计特征点，采用梯度增加的算法减小初始估计特征点和背景的平方误差总和，用最小二乘法来最小化误差，得到每一级的级联回归因子，最后，根据检测到的人脸特征点得到精确人脸分割；

其中，回归树集合算法的公式如下：

其中为当前级回归器的特征标记点，t表示级联序号，r_t表示当前级的回归器，回归器的输入参数为输入图像I和上一级回归器的特征标记点