[发明专利]一种基于显著性检测的SVM模型工人疲劳精准判别方法

权利要求书

1.一种基于显著性检测的SVM模型工人疲劳精准判别方法，其特征在于，包括以下步骤：

选取多个非疲劳工人的面部图像作为正训练样本，选取多个疲劳工人的面部图像作为负训练样本；

利用FT显著性检测方法分别对正训练样本和负样本进行检测，若显著性区域面积不足整幅图像的1/4，直接将样本予以删除，反之则予以保留；

分别对保留的正训练样本及负训练样本进行SIFT特征提取，从而实现对图像的表征，得到待检测图像；

利用SVM模型对表征后的训练样本进行训练，得到疲劳决策模型；

利用疲劳决策模型对待检测图像进行分数判别；

当基于SVM模型的得分超过预设值时，将其判定为非疲劳图像；

当基于SVM模型的得分低于预设值，将其判定为疲劳图像；

当基于SVM模型的得分在预设值边缘时，利用K-means聚类算法进行二次判定。

2.根据权利要求1所述的一种基于显著性检测的SVM模型工人疲劳精准判别方法，其特征在于，利用K-means聚类算法进行二次判定的步骤包括：

将得分在预设值边缘的待检测图像、多个正样本、多个负样本放入一起；

随机选取2个初始聚类中心；

计算每个样本到各聚类中心的距离，将每个样本归到其距离最近的聚类中心；

对每个簇，以所有样本的均值作为该簇新的聚类中心；

重复上述步骤,直到聚类中心不再变化或不显著变化；

若得分在预设值边缘的待检测图像被聚类为正样本类别，将其判定为非疲劳图像；

若得分在边缘部分的待检测图像被聚类为负样本类别，将其判定为疲劳图像。

3.根据权利要求1所述的一种基于显著性检测的SVM模型工人疲劳精准判别方法，其特征在于，SIFT特征提取包括：

构建尺度空间；定义图像的尺度空间为：

；

其中，G是高斯函数：

；

其中，G(x，y，σ)是尺度可变高斯函数，（x，y）是空间坐标，σ是尺度空间因子，是高斯正态分布的标准差，反映了图像被模糊的程度，其值越大图像越模糊，对应的尺度也就越大，L(x，y，σ)对应高斯尺度空间。

4.根据权利要求1所述的一种基于显著性检测的SVM模型工人疲劳精准判别方法，其特征在于，所述预设值为60-80分。

5.根据权利要求1所述的一种基于显著性检测的SVM模型工人疲劳精准判别方法，其特征在于，预设值边缘为预设值前加减5分的范围内。

6.根据权利要求1所述的一种基于显著性检测的SVM模型工人疲劳精准判别方法，其特征在于，非疲劳工人的面部图像的数量与疲劳工人的面部图像的数量一致。

7.根据权利要求1所述的一种基于显著性检测的SVM模型工人疲劳精准判别方法，其特征在于，所述非疲劳工人的面部图像的数量或疲劳工人的面部图像的数量大于100个。

8.根据权利要求2所述的一种基于显著性检测的SVM模型工人疲劳精准判别方法，其特征在于，所述将得分在预设值边缘的待检测图像、多个正样本、多个负样本放入一起的步骤中，正样本和负样本的数量为100个。

9.根据权利要求1所述的一种基于显著性检测的SVM模型工人疲劳精准判别方法，其特征在于，所述选取多个非疲劳工人的面部图像作为正训练样本，选取多个疲劳工人的面部图像作为负训练样本的步骤中，选取的方式为人工选取。

10.根据权利要求1所述的一种基于显著性检测的SVM模型工人疲劳精准判别方法，其特征在于，所述选取多个非疲劳工人的面部图像作为正训练样本，选取多个疲劳工人的面部图像作为负训练样本的步骤中，选取的方式为机器选取。