[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

摘要

本发明公开了一种基于信息融合的固定岗位人员疲劳检测方法，解决了单路视频下疲劳特征检测及决策级信息融合问题。首先采用回归树方法对输入图像进行人脸标定，实现高精度的人脸检测；然后，对检测到的人脸采用基于级联卷积神经网络人眼特征点定位技术，实现眼部和嘴部特征点的精确检测，通过对视频的多帧图像特征点进行分析，分别计算PERCLOS参数，眨眼频率以及哈欠频率。接着，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，从而计算点头频率。最后，采用基于粗糙集理论的信息融合算法实现固定岗位人员的疲劳检测。

主权项

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。