蔣丹丹，馮曉毅

（西北工業(yè)大學(xué) 電子信息學(xué)院，陜西 西安 710129）

民航運(yùn)輸中跨時(shí)區(qū)飛行、長線飛行以及夜間飛行引起的睡眠缺失和生物鐘錯(cuò)亂帶來的累積效應(yīng)會(huì)導(dǎo)致內(nèi)源性節(jié)律失調(diào)，形成飛行中疲勞駕駛[1]。疲勞狀態(tài)的監(jiān)控可以防止航空器陷入不可控狀態(tài)，保障生命和財(cái)產(chǎn)安全。作為疲勞征兆的一種直接表象，人眼檢測和定位成為非侵入式疲勞檢測的主要判別方式。

常用的人眼定位算法有兩種思路：一是直接人眼定位算法，如基于模板匹配算法的人眼檢測和定位[2]，基于二值化連通域的閾值夾逼算法的人眼定位[3]等，此思路在算法實(shí)現(xiàn)上簡單，但計(jì)算量大，不穩(wěn)定；二是先檢測出人臉，然后在人臉圖像區(qū)域內(nèi)再檢測人眼，其中人臉檢測的算法常用的主要有：基于知識(shí)的人臉檢測方法[4]、基于特征的人臉檢測方法[5-6]、基于模板匹配的人臉檢測方法[7]、基于統(tǒng)計(jì)理論的人臉檢測方法[8]，人眼部分的檢測常用的算法有基于灰度積分投影的算法來檢測人眼[9]、基于統(tǒng)計(jì)方法的人眼檢測[10]等，此思路在保證存在人眼區(qū)域的情況，能夠?qū)⒂?jì)算量減小，并且定位能力增強(qiáng)。

與汽車疲勞駕駛相比，民用航空器本身運(yùn)行的環(huán)境差異（快速的地域轉(zhuǎn)換、高度變換、云層影響等）很大，尤其是空中巡航階段，單一的外部視角，更容易造成視覺疲勞，感染為生理疲勞和精神疲勞；同時(shí)，現(xiàn)代大型客機(jī)的座艙管理更加智能化、數(shù)字化，計(jì)算機(jī)的工作負(fù)荷很大。針對(duì)這些特點(diǎn)，飛行座艙的疲勞檢測更趨于使用快速、低復(fù)雜度、高精確度算法進(jìn)行人眼狀態(tài)檢測。因此，飛行疲勞檢測的難點(diǎn)和重點(diǎn)在于怎樣快速、精確的實(shí)現(xiàn)人眼定位和狀態(tài)判斷。本文研究是基于人眼定位的第二種思路，即先人臉，再人眼。工作重點(diǎn)將放在尋找一種能快速、精確提高人眼定位的算法——基于Hough與梯度直方圖的人眼定位的算法，提出了Hough檢測的“可能圓”的簡化梯度直方圖，并與SVM結(jié)合的改進(jìn)方法來排除多余的“虛圓”，提高人眼定位的正確率，有效解決飛行座艙疲勞監(jiān)測的主要問題。

1 算法描述

1.1 Adaboost人臉檢測

Adaboost算法因其準(zhǔn)確性高、計(jì)算量小、速度快等優(yōu)點(diǎn)成為目前最常用的人臉檢測算法。其基本原理是：依據(jù)圖像的積分圖計(jì)算出圖像的Haar-Like特征；接著利用Adaboost算法篩出重要的圖像（人臉檢測）分類特征，構(gòu)成一簇弱分類器，通過一定的權(quán)重比例使它們組合，構(gòu)成一個(gè)強(qiáng)分類器；重復(fù)步驟，篩選出多個(gè)強(qiáng)分類器，級(jí)聯(lián)構(gòu)成檢測人臉的終極分類器[11]。

1.2 Hough檢測人眼

從上述Adaboost訓(xùn)練分類器選定的檢測目標(biāo)區(qū)域，進(jìn)行人眼定位。人眼的瞳孔輪廓是近似精確的圓形，假若可以在感興趣圖像區(qū)域 （這里定義為在人臉圖像區(qū)域的1/4高度至1/2高度，寬為 1/6至 5/6處，即圖 6的（e）、（f）中小矩形區(qū)域）中找到它的圓心（瞳孔坐標(biāo)），自然就可以精確的定位人眼。

Hough變換是一種基于灰度圖像的以輪廓作為特征的算法，同時(shí)融合梯度信息，以投票的方式進(jìn)行識(shí)別物體，并且其隱蔽情況下的圓檢測有抗干擾能力，能夠得到檢測目標(biāo)的位置等完整參數(shù)信息。這是提出用Hough變換檢測圓的一個(gè)重要原因。

假設(shè)所檢測圓在一般坐標(biāo)系內(nèi)的圓心坐標(biāo)為 （a，b），半徑為r，則符合該圓上的任意一點(diǎn)（x，y）滿足下列方程：

將X-Y平面上的圓轉(zhuǎn)換到a-b-r參數(shù)空間，則圖像空間中任意過點(diǎn)（x，y）的圓對(duì)應(yīng)到參數(shù)空間中都是高度r變化下的一個(gè)三維錐面，如下圖：

圖1 X-Y平面轉(zhuǎn)換為A-B-R參數(shù)平面坐標(biāo)系Fig.1 X-Y plane converted into A-B-R parameter plane coordinate system

Hough變換檢測圓可以概括如下：

1）在a，b和r的合理的最大值和最小值之間建立一個(gè)離散的參數(shù)空間；

2）建立一個(gè)累加器 A（a，b，r），并置其為 0；

3）在X-Y圖像空間，對(duì)目標(biāo)檢測的候選區(qū)域內(nèi)每一點(diǎn)做Hough 變換，計(jì)算出所有的（a，b，r）的值，并在相應(yīng)的累加器加 1，即：

4）④累加結(jié)束，根據(jù) A（a，b，r）的值，投票可知有多少點(diǎn)是共圓的，即 A（a，b，r）的值就是在（a，b，r）處共圓的點(diǎn)的個(gè)數(shù)。 同時(shí)（a，b，r）也給出了共圓點(diǎn)所在圓的參數(shù)，得出圓的位置[12]。

1.3 梯度直方圖提取特征

梯度直方圖（HOG）是用于目標(biāo)檢測的特征描述子，統(tǒng)計(jì)局部圖像中的方向梯度出現(xiàn)的次數(shù)。HOG特征的原理[13]是：將整幅圖象分割成若干個(gè)cells（比如一個(gè)cell為8×8像素），計(jì)算每個(gè)cell的方向梯度直方圖，并將幾個(gè)cells組成一個(gè)block區(qū)間（比如一個(gè)block為64×64像素），最終形成的特征向量與block有關(guān)，在與其大小一樣的窗口中檢測。

文獻(xiàn)[14]提出了一種正面人臉圖像中檢測人眼的方法：對(duì)整幅圖像進(jìn)行Hough圓檢測，得到可能的人眼中心之后；利用這些檢測得到的可能人眼的某一矩形區(qū)域內(nèi)的梯度直方圖（HOG）特征信息和支持向量機(jī)，訓(xùn)練得到SVM人眼分類器來判斷準(zhǔn)確的人眼。但是該方法在整幅圖像進(jìn)行Hough圓檢測，帶來了大的計(jì)算量和內(nèi)存占用空間，同時(shí)也耗用了較長的人眼檢測時(shí)間；另外，Hough圓檢測得到的“可能圓”區(qū)域較小，劃分blocks增加了小區(qū)域梯度直方圖的提取復(fù)雜度，且特征提取不明顯。從計(jì)算量、實(shí)時(shí)性以及復(fù)雜度等方面來講，該算法適用性不強(qiáng)。

2 改進(jìn)之處

梯度的計(jì)算對(duì)Hough圓的結(jié)果影響很大，容易將某些邊界誤檢為圓，這些圓分布不規(guī)律，不能通過簡單的雙眼距離等來判斷和排除。

本文在HOG算法的基礎(chǔ)上，提出了簡化梯度直方圖的方法：不再劃分blocks，直接對(duì)梯度方向角進(jìn)行統(tǒng)計(jì)，得到梯度直方圖信息。Hough檢測之后的可能圓的區(qū)域面積不大，并且在梯度方向上存在著明顯、強(qiáng)烈的變化，即白—黑—白，從梯度方向出發(fā)，提取人眼的梯度方向信息，通過SVM尋找最優(yōu)線性分類器，準(zhǔn)確判斷人眼。

簡化的梯度直方圖具體算法步驟如下：

1）計(jì)算一個(gè)矩形區(qū)域作為提取樣本的區(qū)域。將Hough圓檢測之后的“可能圓”，以其圓心為中心，在其某一鄰域（該鄰域與“可能圓”的半徑有關(guān)）范圍為長和寬，做一個(gè)規(guī)定的矩形區(qū)域。將所有的Hough檢測的“可能圓”的矩形區(qū)域保存為正負(fù)樣本，；

2）進(jìn)行歸一化操作。即將保存好的樣本歸一化到尺寸大小相同的圖像區(qū)域；

3）利用梯度算子（如圖2）計(jì)算該區(qū)域內(nèi)X方向和Y方向上的梯度，求出其梯度角的值。在一幅數(shù)字圖像中，一階導(dǎo)數(shù)可以表示邊緣點(diǎn)，像素點(diǎn)（x，y）在X方向上有Gx：

在Y方向上有Gy：

則梯度方向角α表示為：

4）劃歸bins。梯度的范圍為0度-180度，根據(jù)特征需求，平均劃歸為N個(gè)bins，對(duì)相應(yīng)bins里的梯度方向角的個(gè)數(shù)進(jìn)行統(tǒng)計(jì)作為特征值；

5）訓(xùn)練分類器。用標(biāo)簽將眼睛區(qū)域和非人眼區(qū)域標(biāo)注，如眼睛區(qū)域的標(biāo)簽為1，非眼睛和閉眼區(qū)域的標(biāo)簽為0，利用SVM對(duì)提取的眼睛梯度直方圖特征信息以及標(biāo)簽進(jìn)行訓(xùn)練，得到最優(yōu)的線性分類器；

6）對(duì)經(jīng)Hough檢測出的多個(gè)“可能圓”的規(guī)定鄰域范圍內(nèi)的圖像的梯度信息進(jìn)行提取，并送入訓(xùn)練好的支持向量機(jī)進(jìn)行預(yù)測，判別并得出圖像區(qū)域的分類標(biāo)簽，即1或0。

通過SVM結(jié)合了眼睛區(qū)域的簡化HOG信息進(jìn)行訓(xùn)練和預(yù)測，將Hough檢測出的“可能圓”中的非人眼點(diǎn)給排除出去。

另外，在Hough圓檢測算法運(yùn)行中，對(duì)累加器計(jì)數(shù)最大的點(diǎn)可能存在重復(fù)的圓心問題，我們對(duì)這些點(diǎn)采取如下操作：

其中（c0，c1）是已知檢測確定的圓心點(diǎn)，（cx，cy）是累加器計(jì)數(shù)最大的點(diǎn)，min_dist是設(shè)置的閾值 （兩圓之間最小的距離）。當(dāng)兩點(diǎn)之間的距離小于閾值時(shí)，即可認(rèn)為此圓心與已確定的圓心為同一圓心。這樣就避免了同一圓心的鄰近區(qū)域內(nèi)重復(fù)性圓檢測，形成簇圓，無法提取圓形輪廓和精確定位人眼。

綜上所述，改進(jìn)的Hough與梯度直方圖的人眼定位算法可以用如下圖示流程簡要表示：

圖2 梯度算子示意圖Fig.2 Schematic diagram of gradient operator

3 實(shí)驗(yàn)結(jié)果及分析

本文將提出改進(jìn)的Hough與梯度直方圖算法分別用實(shí)拍的飛行員實(shí)際飛行視頻的圖像數(shù)據(jù)庫、實(shí)驗(yàn)室隨機(jī)采集視頻的圖像數(shù)據(jù)庫和網(wǎng)絡(luò)下載圖像庫進(jìn)行了實(shí)驗(yàn)，在粗提取的感興趣區(qū)域內(nèi)的實(shí)際檢測定位（灰度圖像）效果如下圖所示：

圖3 改進(jìn)的Hough與梯度直方圖的人眼定位算法流程圖Fig.3 The flowchart of Improved Hough and gradient histogram for eye location algorithm

上述實(shí)驗(yàn)結(jié)果可以證明：Hough變換的方法檢測圓具有魯棒性，其抗干擾的能力很強(qiáng)，對(duì)背景和實(shí)驗(yàn)環(huán)境要求不高。

本文通過基于Opencv和C++結(jié)合的編程在自建的圖像庫和來自MIT的FACEREC數(shù)據(jù)庫中的圖像實(shí)現(xiàn)了Hough變換、Hough+HOG、改進(jìn)算法的人眼實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如下：

圖4 不同實(shí)驗(yàn)環(huán)境下改進(jìn)的新型結(jié)合算法人眼定位結(jié)果Fig.4 The results of improved eye location algorithm under different experimental environment

圖5 三種算法的檢測結(jié)果Fig.5 The detection results of three algorithms

從上圖的3組實(shí)驗(yàn)結(jié)果對(duì)比可以看出，檢測出的圓主要分布在邊緣梯度變化大的地方，同時(shí)，從（a）、（c）和（e）圖來看，簡化的HOG信息作為人眼的特征在經(jīng)SVM訓(xùn)練的分類器來檢測人眼的方法是可行的。（c）和（d）圖中還存在著誤檢情況，其中鼻孔、嘴唇因?yàn)樵谄溆?jì)算梯度特征的矩形區(qū)域內(nèi)邊緣像素點(diǎn)灰度變化較大而被誤檢；而（e）和（f）圖則首先經(jīng)過Adaboost人臉檢測，加上一個(gè)粗定位的感興趣區(qū)域和改進(jìn)的Hough+HOG分類器，檢測范圍在減小，同時(shí)分類器又能保證正確分類。經(jīng)過實(shí)驗(yàn)結(jié)果的數(shù)據(jù)對(duì)比，Hough人眼檢測率保持在97.2%，而Hogh+HOG算法的認(rèn)假率仍然比較高（30%左右），改進(jìn)的Hough與梯度直方圖的算法則將認(rèn)假率降到了3.2%。

另外，從算法的檢測時(shí)間上來看，Hough圓檢測本身因?yàn)閷⒍S空間轉(zhuǎn)變到了三維空間，計(jì)算量和內(nèi)存占用很長時(shí)間，所以Hough圓檢測和Hough+HOG算法在計(jì)算量和復(fù)雜度上耗用檢測時(shí)間較長，大約平均一幀640×480大小的圖像耗用200 ms左右；而改進(jìn)的Hough與梯度直方圖算法因?yàn)镠ough檢測的范圍小，計(jì)算量小，檢測時(shí)間短，大約平均一幀640×480大小的圖像僅耗用40 ms左右。通用攝像頭的傳輸速度為30幀/秒，用來做疲勞檢測，在實(shí)時(shí)性方面，本文提出的改進(jìn)算法在人眼檢測與定位上更有優(yōu)勢(shì)。

4 結(jié)束語

本文主要針對(duì)用于飛行座艙行為的疲勞狀態(tài)檢測的快速、低復(fù)雜度、高精確度的特點(diǎn)，通過Adaboost和Hough算法檢測人眼，提出了眼睛的簡化梯度直方圖（HOG）信息作為提取特征，通過SVM訓(xùn)練的分類器，再進(jìn)行人眼的判斷和定位。Adaboost算法的快速檢測人臉為整個(gè)檢測程序贏得了時(shí)間；Hough圓檢測精確的定位人眼位置，它對(duì)噪聲和邊緣間斷有魯棒性；簡化的梯度直方圖信息能夠反映眼睛的梯度信息，作為SVM的訓(xùn)練特征，降低了誤檢率，提高了檢測率。針對(duì)實(shí)時(shí)性方面，今后工作將放在對(duì)本文提出的算法的優(yōu)化上。

[1]Zongmin WEI，Damin ZHUANG，Xiaoru WANYAN，et al.Prediction and Analysis of the Human Errors in the Aircraft Cockpit[C]//2012 5th International Conference on Biomedical Engineering and Informatics （BMEI 2012）.2012:1285-1288.

[2]Ruiming LIU，Qi JIANG，Yanhong LU，et al.Eye Localization in Face Image Based on a Novel Template Matching Method[EB/OL].（2002-05）.http://dx.doi.org/10.1117/1.OE.51.2.027203.

[3]Ping WANG，Lin SHEN.A method of detecting driver drowsiness state based on multi-features of face[C]//2012 5th International Congress of Image and Signal Processing（CISP）.2012:1171-1175.

[4]Jiang J，Gong J，Zhang G L.Fast hierarchical knowledgebased approach for human face detection in color images[C]//Proceedings of the society of photo-optical instrumentation engineers（SPIE），2001（4550）:202-210.

[5]Ando T，Moshnyaga V G.A low complexity algorithm for eye detection and tracking in energy-constrained applications[C]//Communications ，Signal Processing ，and Their Applications （ICCSPA），2013 1st International Conference ，2013:1-4.

[6]AMANDEEP SINGH，JASPREET KAUR.Driver Fatigue Detection Using Machine Vision Approach [C]//2013 3rd IEEE International Adance Computing Conference（IACC）.2013:645-650.

[7]TAO WANG，JIA-JUN BU，CHUN CHEN.A color based face detection system using multiple templates[J].Journal of Zhejiang University SCIENCE A，2003，4（2）:162-165.

[8]HONG-MO JE，DAIJIN KIM，SUNG YANG BANG.Human Face Detection in Digital Video Using SVM Ensemble[J].Neural Processing Letters，2003，17（3）:239-252.

[9]許璐.基于眼睛檢測與視線估計(jì)的駕駛員疲勞檢測[D].南京:南京理工大學(xué)，2008.

[10]JIA Ming-xing，DU Jun-qiang，CHENG Tao.An improved detection algorithm of face with combining adaboost and SVM [C]//2013 25th Chinese Controland Decision Conference，2013:2459-2463.

[11]Inalou Sania Arijomand，Kasaei Shohreh.Adaboost-based face detection in color images with false alarm[C]//2010 International Conference on Computer Modeling and Simulation.2010:107-111.

[12]陳勝勇，劉盛.基于OPENCV的計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn)[M].北京：科學(xué)出版社，2008（5）:186-189.

[13]Dalal Navneet，Triggs Bill.Histograms of oriented gradients for human detection[C]//Conference on Computer Vision and Pattern Recognition，CVPR，2005:886-893.

[14]Ito Y，Ohyama W，Wakabayashi T，et al.Detection of eyes by circular Hough transform and histogram of gradient[C]//2012 21st International Conference on Pattern Recognition（ICPR）.Tsukuba，Japa，2012:1795-1798.