[发明专利]一种疲劳表情识别方法

说明书

本发明公开了一种基于局部二进制模式与重构的方向梯度直方图融合的疲劳表情识别方法，该方法是在Adaboost算法检测面部以及卡尔曼滤波追踪定位面部的基础上进行的有效疲劳表情识别。首先，使用重构的方向梯度直方图算子进行结构信息和边缘信息提取；然后，利用局部二进制模式，即原始模式、等价模式、旋转不变模式、旋转不变等价模式这四种模式之一进行面部纹理信息提取。随后，将提取得到的特征融合，以构成具有纹理信息、结构信息以及边缘信息的新特征。最后，在自建的疲劳表情数据库下利用支持向量机技术对所得的特征值进行疲劳与非疲劳表情的分类训练。结果表明：该方法计算复杂度低，识别率高，能够很好地识别疲劳状态。

技术领域

本发明涉及智能驾驶员驾驶姿态识别技术领域，具体涉及一种基于局部二进制模式与重构的方向梯度直方图融合的疲劳表情识别方法。

背景技术

驾驶员疲劳识别的研究可分为三类：1)基于车辆的方法；2)基于行为的方法；3)基于生理信号的方法。在生理学方法中，驾驶员疲劳是通过使用身体的生理信号来检测的，例如脑电图(EEG)用于监测大脑活动，眼电图(EOG)用于监测眼球运动，心电图(ECG)用于监测心率。最近的研究表明，与其他方法相比，利用生理信号(尤其是EEG信号)进行疲劳检测更加可靠和准确。然而，生理信号的侵入性测量会阻碍驾驶，特别是在长期驾驶期间。基于车辆的方法从车辆传感器收集信号数据(例如，方向盘角度、车道位置、速度、加速度和制动)以评估驾驶行为。虽然采集车辆信号比较方便，但是这些方法对于检测驾驶员疲劳并不实时。基于行为的方法使用车载照相机捕捉驾驶员的脸，并依靠视觉分析来监视驾驶员的行为，包括闭眼、眨眼、打哈欠、头部姿势、手势、面部表情等。

面部表情识别是最常见的基于视觉的行为分析系统之一。它与人们的心理状态密切相关，如愤怒、悲伤、疲劳等。人脸表情识别能有效、准确地检测驾驶员疲劳。现有的人脸表情识别方法主要是基于外观的算法。

基于外观的方法考虑面部外观变化，例如皱纹。目前最流行的方法包括：局部二进制模式(Local Binary Patterns，LBP)，方向梯度直方图(Histogram of OrientedGradients，HOG)，时空定向能量直方图(Histogram of Spatiotemporal OrientationEnergy，HOE)和Gabor Wavelets等特征提取方法。其中，LBP最初由T.Ojala，M.和D.Harwood于1994年提出用于纹理特征提取，它可以用来描述图像的局部纹理特征，具有旋转不变性和灰度不变性的优点，但LBP(局部二值模式)描述符提取的纹理特征是有限的，不能有效地描述图像的边缘和方向信息；HOG是用于计算机视觉和图像处理中的对象检测的特征描述符，它通过计算和计算图像局部区域的梯度方向直方图来构造特征，可以很好地提取图像结构信息和边缘信息，但HOG对于噪点敏感，不具有旋转不变性，特征维数高，数据冗余，图像大小固定等。

发明内容

本发明的目的是针对现有疲劳表情识别方法在疲劳表达识别中的两个技术问题：(1)由LBP描述符提取的纹理特征是有限的，不能有效地描述图像的边缘和方向信息；(2)HOG描述符提取的结构特征不具有旋转不变性，而且特征维数高计算复杂度相对较高，提出了一种基于局部二进制模式与重构方向梯度直方图融合的疲劳表情识别方法。该方法不仅融合了图像的纹理信息，结构信息和边缘信息，而且通过重构HOG算子，在不丢失图像信息的情况下，降低特征维数，降低计算复杂度。此外，本方法中用于训练的图像的大小可以不固定。

本发明的目的可以通过采取如下技术方案达到：

一种基于局部二进制模式与重构的方向梯度直方图融合的疲劳表情识别方法，所述的疲劳表情识别方法包括以下步骤：

S1、预处理人脸面部图片，其中，预处理包括滤波与灰度化；