[发明专利]一种基于心率和面部特征的非侵入式疲劳驾驶识别方法

权利要求书

1.一种基于心率和面部特征的非侵入式疲劳驾驶识别方法，其特征在于，该方法包括以下步骤：

S1、通过体感摄像机Kinect获取面部视频，根据面部视频使用独立量分析分离出R、G、B和红外四个通道；使用傅里叶变换计算出心率；

S2、使用体感摄像机Kinect人脸追踪开发工具包获取视频中面部区域图像及眼睛和嘴部区域的特征点；

S3、计算眼睛张开度，用于统计眨眼持续时间PERCLOS；利用支持向量机对嘴部区域图像分成打哈欠和未打哈欠两类，统计打哈欠频率；

S4 、将获得的心率统计特征、PERCLOS统计和打哈欠频率特征融合后进行疲劳识别，所述的特征融合后进行疲劳识别包括：

先将心率统计特征、PERCLOS和打哈欠频率这三种特征归一化，然后将这些归一化后的特征作为随机森林算法的输入，该算法输出结果为驾驶员精神状态，共有疲劳和未疲劳两种状态；

所述随机森林算法是一种特殊的集成学习方法，由多个决策树组成，选取分类回归树(Classification And Regression Tree)作为随机森林算法的分类决策树，具体是：使用训练集训练随机森林，所述归一化后的特征加上当前特征对应驾驶员疲劳状态即：{心率特征，PERCLOS，打哈欠频率，疲劳/未疲劳}，为训练集D的一个元素；模型构建过程中当前步骤所选择特征和划分子集的方法是，遍历目前还未选中的特征以及该特征所有划分情况， 然后计算划分后集合的基尼系数，最终选择让原来的集合的基尼系数Gini最小时所对应的特征以及划分方法；基尼系数越大总体内包含的类别越杂乱；集合D_ξ的基尼系数Gini(D_ξ)计算公式入下式所示，

其中，n是分类的个数，这里只有疲劳和不疲劳两种，所以n的值为2，p_k表示样本p＝(x_i，y_i)属于分类k的概率；

训练随机森林模型需要四步：

step1：从原始训练集D₀中随机有放回采样选出x个样本，样本是之前提到的，共进行y次采样，生成y个训练集，训练集个数就是随机森林所含有决策树的个数；然后将每个训练集划分为大小相同的K份；选择其中的K-1份来训练y个决策树模型，将用余下的那一份计算模型的预测值，这一份通常被称为交叉验证集；

step2：依次遍历每个特征A_j的可能取值A_j，η，对每一个划分点(A_j，A_j，η)计算并保存按照该划分点划分后所得集合的基尼系数Gini(D_ξ，A_j，η)，这些数据将会在step3使用；原先集合根据划分点(A_j，A_j，η)划分后的集合基尼系数计算公式如下所示：

其中D_ξ+1与D_ξ+2是原来的集合D_ξ根据划分点(A_j，A_j，η)划分所得到的两个互斥的子集；

step3：从step2所产生的所有划分情况中选取划分后集合基尼系数最小的情况作为最终决策树本次划分结果，此时原先集合被划分成两个互斥的子集；

step4：对上步切出的两个子集分别递归调用step1和step2，每棵树都一直这样分裂下去，直到子集合的样本个数小于预定阀值，或者训练集的基尼系数小于预定阀值或没有更多特征可以用来划分子集时停止划分；最后将生成的多棵决策树组成随机森林。

2.根据权利要求1所述的一种基于心率和面部特征的非侵入式疲劳驾驶识别方法，其特征在于，步骤S1中所述使用体感摄像机Kinect获取彩色图像和红外图像数据。

3.根据权利要求1所述的一种基于心率和面部特征的非侵入式疲劳驾驶识别方法，其特征在于，在步骤S1中，从Kinect中获取面部区域的RGB图像和红外图像，对此区域进行追踪；其次，从R、G、B和IR四个通道记录采集到的信号进行归一化；所述的使用傅里叶变换计算出心率，首先用基于特征矩阵联合近似对角化算法，对信号进行独立分量分析，然后对得到的分离矩阵进行傅里叶变换，从而与心率范围匹配，得到被测者实时心率；再从每段心率提取五个统计特征：平均值、均方根、最大值、最小值和幅度。