[发明专利]一种面部关键部位的疲劳检测方法

摘要

一种面部关键部位的疲劳检测方法。首先，利用肤色模型检测到人脸区域为AAM提供初始定位，然后基于AAM进行局部人眼和嘴巴跟踪获得眼睛与嘴巴区域，再利用Canny算子对两个区域精确定位，获得疲劳检测参数，最后根据PERCLOS方法实现疲劳检测。考虑到基于HSV颜色模型的人脸检测不受姿势和角度的影响，但容易受到背景干扰，而AAM的优点是人脸关键点跟踪效果好，但初始定位困难，将二者结合实现了眼睛与嘴巴精确定位与跟踪。本发明避免了身体的直接接触，采用AAM局部纹理搜索，降低搜索时间，得到的效果相对ASM算法更加准确。同时给出驾驶员精神评估模型，更容易对驾驶员状态进行明确判断。

主权项

1.一种面部关键部位的疲劳检测方法，其特征是包括以下步骤：(1)将采集的视频流转化为帧图像，对源图像进行图像预处理，通过直方图均值化方法提高对比度，用参白法对图像进行光照补偿，计算图像中像素点的灰度值并按照大小进行统计分布，设置亮度值在前5％的像素的灰度值为255；(2)肤色模型检测人脸区域：将预处理完成的图像转换到HSV色彩空间后，利用最佳阈值分割的方法进行类肤色与背景的区分，肤色在色度取值范围设定为7<H<29时呈现良好的聚类特性，据此色度根据色度阈值将图像二值化，然后利用图像形态学中的腐蚀运算把图像中的一些非人脸的有可能影响检测效果的像素点过滤掉，最后再利用图像处理中的开运算，去除类肤色块中那些像素点少于1000的区域，最终分割出一片或若干类人脸区域；(3)图像采集及数据的标注：采集N组用户不同程度的闭眼图片M张，图片包括从闭眼到睁眼的各种状态，以及头部旋转45度范围内的照片；对采集到的人脸图片进行手工方法标注图像中被跟踪的面部特征的相应位置，选择标注眉毛、眼睛、鼻子和嘴巴四个地方，共37个点，眉毛特征点标记为1‑6和20‑25，眼睛标记为7‑11和26‑30，嘴巴为12‑19，鼻子为31‑37；(4)对标记好的图片进行训练，建立形状模型和纹理模型，并组合形成表观模型，然后进行AAM搜索，以达到输入纹理与最终达到的纹理的最佳匹配；为了缩短搜索时间初始化位置由肤色模型提供，旋转因子θ：肤色模型分割出的肤色区域为U(n*m)，面积为V，此区域的中心坐标为：再通过下列公式求得旋转因子θ：其中：其中：x、y分别是肤色区域像素的坐标值；缩放因子s：假设训练图像大小w*h，要进行人脸定位的图像的大小为w’*h’，令s₁＝w/w’，s₂＝h/h’，若s₁＝s₂，则s＝s₁＝s₂；若s₁≠s₂，则s＝(s₁+s₂)/2；平移因子t：设置人脸长和宽之比为1.2，忽略脖子的影响，则t＝肤色区域的中心坐标‑平均模板的中心坐标；AAM搜索完成后得到人脸的局部图像，初步确定了眼睛和嘴巴的位置；然后，利用Canny算子对眼睛和嘴巴两个区域精确定位，提取疲劳数据：哈欠数据、眨眼数据；为了对驾驶员状态进行判断，综合哈欠数据和眨眼数据，建立了一个状态评估模型：将眼睛特征和嘴巴特征分别划分为4个等级，两个疲劳状态利用加权平均法进行综合即：W＝A*p+B*q，其中p和q分别表示眼睛和嘴巴两种疲劳状态，A＝0.8，B＝0.2，A，B系数的取值根据检测准确率、眨眼和哈欠与疲劳的相关性确定的；综合结果分为四种情况：正常，轻度疲劳，中度疲劳，严重疲劳。