柳露艷，王直杰

（東華大學(xué) 信息科學(xué)與技術(shù)學(xué)院，上海 201600）

目前交通事故中有相當(dāng)一部分是由于司機(jī)疲勞駕駛所造成的，因此對(duì)駕駛員的疲勞狀態(tài)進(jìn)行檢測(cè)，對(duì)減少由疲勞駕駛引發(fā)的交通事故，有著重要的現(xiàn)實(shí)意義。在疲勞駕駛檢測(cè)中，對(duì)人眼高效、實(shí)時(shí)、準(zhǔn)確的檢測(cè)是其關(guān)鍵的步驟之一。到目前為止，人眼檢測(cè)用到的方法主要有以下幾種：基于模板匹配法、Hough變換法、灰度投影法、基于統(tǒng)計(jì)學(xué)習(xí)的方法和特種光源法。雖然這些方法在不同的場(chǎng)景下均取得了不錯(cuò)的效果，但由于眼睛在人臉?biāo)急壤皇呛艽螅瑫r(shí)受到眉毛、眼鏡框、眼睛大小、傾斜、光線等多種因素的影響，要精確的定位人眼不是一件容易的事情。本文提出一種改進(jìn)的人眼定位算法，該算法的核心是基于頂點(diǎn)鏈碼和離散格林[1]相結(jié)合的最小外接矩形算法，實(shí)驗(yàn)結(jié)果證明本文的該進(jìn)算法可以有效的提高人眼檢測(cè)的精度和速度。

1 改進(jìn)的人眼定位算法流程

由圖1所示的本文的算法流程圖可知，在進(jìn)行人眼精確定位之前，要對(duì)圖像進(jìn)行人臉定位和人眼粗定位。本文選用YCbCr空間的膚色分割[2]和灰度積分投影相結(jié)合的算法來(lái)實(shí)現(xiàn)人臉定位和人眼粗定位。圖像處理中最常用、最基礎(chǔ)的顏色空間是RGB空間，攝像機(jī)采集的圖像也是在RGB空間存儲(chǔ)的。由RGB空間向YCbCr空間[3]的轉(zhuǎn)換如式（1）所示：

圖1 算法流程圖Fig.1 Algorithm flowchart

轉(zhuǎn)換好顏色空間之后，我們需要為膚色建立數(shù)學(xué)模型，從數(shù)學(xué)角度來(lái)推出閾值，根據(jù)此閾值將膚色和非膚色分離。本文采用了基于相似度的方法檢測(cè)輸入圖像的膚色像素。定義 r=R/（R+G+B），b=B/（R+G+B）， 這樣就把三維的 RGB 降為二維。相似度的計(jì)算公式如式（2）所示：

在得到膚色區(qū)域后，本文利用垂直灰度投影和水平灰度投影，并結(jié)合人臉的幾何特征[4]分別確定出人臉的左右邊界和上下邊界，依此定位出人臉區(qū)域；然后，對(duì)人臉區(qū)域進(jìn)行水平灰度投影便能確定出人眼的大致搜索范圍，從而實(shí)現(xiàn)了人眼的粗定位。本文在人眼精確定位部分，提出了一種利用頂點(diǎn)鏈碼與離散格林理論相結(jié)合的快速提取目標(biāo)圖像的最小外接矩形算法，為了能將該算法較好的應(yīng)用于人眼精確定位，本文根據(jù)實(shí)際應(yīng)用需求提出了一系列約束條件。最后，將本文的算法與其他算法進(jìn)行了比較，證明本文的算法在速度和準(zhǔn)確度上都有很大的改進(jìn)。

2 人眼精確定位

本文重點(diǎn)研究圖1中的人眼精確定位。本文提出了一種頂點(diǎn)鏈碼與離散格林理論相結(jié)合的最小外接矩形算法，并利用該算法改進(jìn)了一種人眼精確定位方法，最終提高了人眼定位的速度和準(zhǔn)確度。

圖2 人眼定位效果圖Fig.2 Effect drawings of eye coarse location

2.1 基于頂點(diǎn)鏈碼和離散格林的最小外接矩形算法

頂點(diǎn)鏈碼[5]就是沿著圖像邊界像素的頂點(diǎn)行走一周，依次記錄圖像邊界像素頂點(diǎn)的代碼。圖像f（x，y）的像素頂點(diǎn)矩陣 M 為像素頂點(diǎn)（u，v）的鏈碼值 g（u，v）所構(gòu)造成的（w+2）×（h+2）矩陣。本算法在獲取圖像頂點(diǎn)矩陣[6]的基礎(chǔ)上同時(shí)獲取了圖像的邊界坐標(biāo)鏈和行走方向鏈，然后，通過(guò)將目標(biāo)曲面積分轉(zhuǎn)變?yōu)槟繕?biāo)曲線積分的方式減少了求取目標(biāo)圖像的形心、面積、圖像主軸的計(jì)算量，從而大大提高了下文中人眼精確定位的速度。設(shè)圖像大小為H×W，頂點(diǎn)矩陣為M；第i個(gè)頂點(diǎn)的行走方向?yàn)椤蕒0，1，2，3}，頂點(diǎn)碼值 ci∈{6，l，2，3}，凸鏈存放凸點(diǎn)的坐標(biāo)值。 假設(shè)當(dāng)前頂點(diǎn) Pi（xi，yi），在 Pi的行走方向?yàn)椋乱豁旤c(diǎn)Pi+1的編碼為Ci+1，行走方向變化規(guī)則為：

方向鏈的坐標(biāo)遷移規(guī)則如為：

根據(jù)離散格林，在垂直方向即Direction=l，Direction=3上有：

目標(biāo)圖像的主軸為：

其中，u11=M11-y×M10，u20=M20-x×M10，u02=M02-y×M01；α 為主軸與X軸所成的方向角。

在本文中我們以形心為坐標(biāo)原點(diǎn)，圍繞主軸旋轉(zhuǎn)X軸，旋轉(zhuǎn)大小為方向角α，則新舊坐標(biāo)系的轉(zhuǎn)換關(guān)系為：

圖3 求取MER的算法流程圖Fig.3 Algorithm flowchart of calculating the MER

2.2 基于頂點(diǎn)鏈碼和離散格林的人眼精確定位算法實(shí)現(xiàn)

本文通過(guò)分析統(tǒng)計(jì)樣本和訓(xùn)練樣本，給出了能夠精確定位人眼的約束條件，并在VS2008上仿真實(shí)現(xiàn)。通過(guò)分析眼睛的候選區(qū)域我們可以發(fā)現(xiàn)，定位眼睛的主要干擾項(xiàng)來(lái)自于與眼睛位置接近的眉毛區(qū)域，對(duì)于戴眼鏡的個(gè)體還需要區(qū)分眼鏡邊框。為剔除眼睛邊框和眉毛區(qū)域，精確定位人眼，本文根本人臉面部的幾何特征進(jìn)行樣本訓(xùn)練[7]，制定出以下約束規(guī)則：

1）眼睛形心在人臉圖像中的位置范圍：

橫坐 標(biāo)：0.15～0.82 W （W 為 圖 片 的 寬 度 ）， 縱 坐 標(biāo) ：20.284～/2（H 為圖片的高度）

2）眼睛最小外接矩形所含像素的個(gè)數(shù)：5～724；

3）眼睛最小外接矩形的寬高比：0.95～7.24；

4）眼睛最小外接矩形的面積：13～1 100；

5）眼睛的寬度應(yīng)小于所在候選人臉區(qū)域?qū)挾鹊?/3；

6）在滿足以上條件下，若兩個(gè)最小外接矩形滿足：形心橫坐標(biāo)之差＜14，縱坐標(biāo)之差＞0.077 L，則這兩個(gè)矩形中縱坐標(biāo)較小的為眉毛區(qū)域需剔除。

其中，圖4中的8副圖分別為不戴眼鏡時(shí)人正臉、側(cè)臉、旋轉(zhuǎn)、低頭和戴眼鏡的情況下人正臉、側(cè)臉、旋轉(zhuǎn)和低頭時(shí)的檢測(cè)情況。實(shí)驗(yàn)結(jié)果顯示，本算法對(duì)于頭部有一定偏轉(zhuǎn)和側(cè)移的情況也有較好的識(shí)別效果。

圖4 人眼精確定位效果圖Fig.4 Effect drawings of eye precise location

3 實(shí)驗(yàn)測(cè)試結(jié)果

測(cè)試在自用PC機(jī)上，采用 C++語(yǔ)言編程并用VS2008仿真實(shí)現(xiàn)。表1為本文在ORL數(shù)據(jù)庫(kù)和自建人臉數(shù)據(jù)庫(kù)的180副人臉圖像中對(duì)以往的算法（表中稱(chēng)算法1）和文中采用的算法（表中稱(chēng)算法2）進(jìn)行人眼檢測(cè)測(cè)試的測(cè)試結(jié)果對(duì)比。

表1 不同算法人臉識(shí)別率和計(jì)算速度的對(duì)比Tab.1 Comparisons of average recognition rate and calculation speed of different methods

圖5 ORL數(shù)據(jù)庫(kù)和自建人臉庫(kù)的部分圖像Fig.5 Partial images of ORL library and self built database

4 結(jié)束語(yǔ)

人眼定位是構(gòu)建疲勞駕駛檢測(cè)系統(tǒng)的前提條件。為了提取有用的人眼狀態(tài)信息，經(jīng)常要求能夠精確的定位人眼。本文在傳統(tǒng)人臉識(shí)別YCbCr模型基礎(chǔ)上，進(jìn)行了由粗到精的兩次人眼定位，并提出了一種基于最小外接矩形的快速人眼定位算法。雖然只是在最小外接矩形人眼定位方法的基礎(chǔ)上，進(jìn)行了一個(gè)小的改進(jìn)，但是實(shí)驗(yàn)表明，該方法有效的提高了圖像處理的速度，并且在戴眼鏡的情況下也有很好的定位效果，可以實(shí)時(shí)準(zhǔn)確地定位人眼。

[1]Brlek S，Labelie G，Lacasse A．The discrete green theorem and some applications in discrete geometry[J]．Theoretical Computer Science，2005，346（2）：200-225．

[2]唐立峰，何東健．基于膚色分割的人臉檢測(cè)算法研究[J]．計(jì)算機(jī)工程與設(shè)計(jì)，2009，30（19）：4461-4464．TANG Li-feng，HE Dong-jian.Research on face detection algorithm based on complexional segmentation[J].Computer engineering and design，2009，30（19）:4461-4464.

[3]何慶楠，張雪峰．一種基于YCbCr色彩空間的人臉檢測(cè)方法[J]．軟件導(dǎo)刊，2011（10）：162-164．HE Qing-nan，ZHANG Xue-feng.Research on face detection technology based on YCbCr color space[J].Software guide，2011（10）：162-164.

[4]張強(qiáng)．基于幾何特征的目標(biāo)識(shí)別及跟蹤技術(shù)的研究[D]．長(zhǎng)春：長(zhǎng)春理工大學(xué)，2008．

[5]陳優(yōu)廣．邊界跟蹤、區(qū)域填充及鏈碼的應(yīng)用研究[D]．上海：華東師范大學(xué)，2006．

[6]Bribiesca E.A new chain code[J].Pattern Recognition，1999（32）：235-251．

[7]楊環(huán)．人臉檢測(cè)及人眼定位算法的研究[D]．山東：山東大學(xué)，2010．YANG Huan.Research on face detection and eye location algorithm[D].Shandong:Shandong University，2010.

[8]袁佐云．基于最小外接矩形的稻米粒型檢測(cè)方法[J]．糧食與飼料工業(yè)，2006（9）：7-8．YUAN Zuo-yi.A study on inspection of rice kernel with minimum enclosing rectangle method[J].Cereal and Feed Industry，2006（9）:7-8.

[9]李太白，唐萬(wàn)梅.一種改進(jìn)的SVM多類(lèi)分類(lèi)算法在入侵檢測(cè)中的應(yīng)用[J].重慶師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2012（5）：63-66.LI Tai-bai，TANG Wang-mei.An improved multi-class SVM classification algorithm in intrusion detection[J].Journal of Chongqing Normal University:Natural Science，2012 （5）：63-66.