孟令軍，于 磊，郭雄飛，2

(1.中北大學(xué) 電子與計算機科學(xué)技術(shù)學(xué)院，山西 太原 030051；2. 中科院微電子所 昆山分所，江蘇 昆山 215300)

疲勞檢測中人眼定位方法研究

孟令軍1，于 磊1，郭雄飛1，2

(1.中北大學(xué) 電子與計算機科學(xué)技術(shù)學(xué)院，山西 太原 030051；2. 中科院微電子所 昆山分所，江蘇 昆山 215300)

針對疲勞檢測系統(tǒng)應(yīng)用環(huán)境背景簡單的問題，提出一種人眼定位方法。該方法使用Adaboost算法對人眼樣本進行訓(xùn)練，將訓(xùn)練結(jié)果用于人眼定位。相比于其他疲勞檢測方法，該算法不必首先定位人臉，有更高的檢測速度和檢測率，同時對光照和人臉姿勢有更好的魯棒性。

疲勞檢測；Adaboost算法；人眼定位

近年來，我國汽車保有量日漸增加，安全駕駛逐漸引起了人們的重視。其中，疲勞駕駛已成為影響安全駕駛的一個重大隱患?；诟黝愒?，例如腦電圖法、肌電圖法、心電圖法、PERCLOS法、視線跟蹤法等的疲勞檢測系統(tǒng)也相繼出現(xiàn)。

國外具有代表性的研究成果有：ASCI研制的頭部位置傳感器，通過計算駕駛員頭部位置變化規(guī)律判斷司機是否疲勞；卡內(nèi)基梅隆大學(xué)的Copilot系統(tǒng)[1]，根據(jù)人體視網(wǎng)膜對不同波長的紅外光有不同的反射量研制而成；美國Electronic Safety Products公司開發(fā)的方向盤見識裝置S.A.M。國內(nèi)的研究成果有：周玉斌等[2]采用頭戴式攝像機采集駕駛員眼部圖像來分析駕駛員是否疲勞；中國農(nóng)業(yè)大學(xué)的鄭培、宋正河等[3]利用人臉皮膚色彩的相關(guān)知識研究人眼參數(shù)；中南大學(xué)的李衡峰、夏利民等[4]利用攝像頭和PC機，將攝像頭獲取的圖像先進行人臉定位，再根據(jù)先驗知識定位人眼。

現(xiàn)有方法各有不足，Copilot系統(tǒng)對人眼有損傷，周玉斌等的系統(tǒng)使用不方便，鄭培等的系統(tǒng)對光照敏感。市場上現(xiàn)有的一些疲勞檢測系統(tǒng)對人臉姿勢要求嚴(yán)格，駕駛員一旦疲勞，姿勢就會扭曲，就可能造成系統(tǒng)檢測失敗。

本文針對疲勞檢測系統(tǒng)使用環(huán)境背景單一的問題，跳過人臉定位，直接利用Adaboost算法定位人眼，為后續(xù)的PERCLOSE算法疲勞檢測做準(zhǔn)備。

1 人眼定位法

在車輛駕駛過程中，駕駛員頭部不可能長時間保持一種姿勢，也不可能大幅扭轉(zhuǎn)，車內(nèi)光照環(huán)境也會發(fā)生變化，要求人眼定位算法對光照和姿勢有一定程度的魯棒性。Adaboost算法正是符合這一要求，但是訓(xùn)練樣本的選取是影響Adaboost算法的決定因素。近年來，Adaboost算法被廣泛應(yīng)用于人臉識別領(lǐng)域，主要也是因為國內(nèi)外已有幾種權(quán)威人臉數(shù)據(jù)庫以供選擇。

1.1 訓(xùn)練樣本選擇

中國科學(xué)院自動化研究所建立的CASIA虹膜數(shù)據(jù)庫，最初是用于研究個人身份的認(rèn)證技術(shù)。嚴(yán)格來講，虹膜庫不適合用來人眼定位，因為該數(shù)據(jù)庫中一部分?jǐn)?shù)據(jù)過于集中在虹膜區(qū)域，而非整個人眼區(qū)域。所以在CASIA虹膜數(shù)據(jù)庫中，去除那些集中在虹膜區(qū)域(見圖1a)或有遮擋(見圖1b)的數(shù)據(jù)，選擇合適的數(shù)據(jù)(見圖2)作為訓(xùn)練的正樣本，負樣本可以任意選取。

圖1 不合適的正樣本

圖2 適合的正樣本

1.2 Haar-like特征

選擇合適的矩形特征對人眼檢測的正確性至關(guān)重要，出于魯棒性和實時性的考慮，本文使用如圖3所示的一組Haar-like矩形特征對圖像進行訓(xùn)練。矩形特征分為3種：邊緣特征、對稱特征和中心特征。

圖3 Haar-like矩形特征

為了避免每次計算特征值都要統(tǒng)計矩形內(nèi)所有像素之和，采用由Paul Viola[5]提出的圖像表示方法——積分圖像，這樣可以大大降低訓(xùn)練時間。

1.3 構(gòu)造強分類器

1.3.1 Adaboost算法

Adaboost算法是Freund和Schapire首先提出來的，其實質(zhì)是通過不斷地改變訓(xùn)練集中樣本的權(quán)重分布，將弱分類器提升為具有更強分類能力的強分類器。

最簡單的弱分類器[5-6]形式如下

(1)

Adaboost算法的每次迭代過程是不斷降低被正確分類的樣本權(quán)重，相應(yīng)的錯誤樣本的權(quán)重上升，在下次迭代過程中更加重視沒有被正確分類的樣本。隨著迭代次數(shù)的增加，組成的強分類器就有更小的錯誤率，而相應(yīng)的訓(xùn)練時間也會增加。

1.3.2 改進的Adaboost算法

在構(gòu)造強分類器前，必須對訓(xùn)練樣本集進行歸一化，大小歸一化為20×20，像素歸一化可以減小光照對訓(xùn)練結(jié)果的影響。

每一個矩形特征都對應(yīng)一個弱分類器，所以弱分類器數(shù)量是相當(dāng)龐大的，例如，經(jīng)過大小歸一化后的圖像，僅邊緣特征(圖3a的(1))數(shù)量就達到42 000個。為了提高訓(xùn)練效率，本文從樣本矩形特征搜索范圍入手減少特征數(shù)量。

對于邊緣特征來說，樣本訓(xùn)練的最優(yōu)弱分類器，最有可能出現(xiàn)在樣本的邊緣。所以，本文做了以下改進：把搜索范圍由圖4中的(1)分為(2)和(3)；對于中心特征，搜索范圍由圖5中的(1)變?yōu)?2)。矩形特征數(shù)量減少，訓(xùn)練效率明顯提高。

圖4 邊緣特征搜索范圍

圖5 中心特征搜索范圍

圖6 參數(shù)示意圖

以圖4中邊緣特征(1)為例，特征數(shù)量如表1所示。

建議0.25<λ1≤0.35，0<λ2≤0.30。

1.4 強分類器級聯(lián)

強分類器級聯(lián)算法采用Paul Viola和Michael J.Jones提出的級聯(lián)算法[5]。

表1 邊緣特征數(shù)量

在級聯(lián)強分類器之前，首先確定最終級聯(lián)系統(tǒng)的誤檢率Ftarget，每一層強分類器的最小檢測率d和最大誤檢率f。至此，就組成滿足初始參數(shù)設(shè)置的一個級聯(lián)強分類器。

2 實驗結(jié)果分析

本文在CASIA虹膜數(shù)據(jù)庫中選擇7 000個正樣本，7 000個負樣本，其中一半作為訓(xùn)練集，一半作為測試集。訓(xùn)練得到18級強分類器，233個弱分類器，本文算法搜索的特征值數(shù)量減少，相應(yīng)的訓(xùn)練用時為35 h，是傳統(tǒng)Adaboost算法的20倍以上。

在虹膜數(shù)據(jù)庫中隨機選取正樣本，任意非人眼樣本作為負樣本，進行人眼檢測實驗，實驗結(jié)果如表2所示。

表2 檢測精度實驗結(jié)果

文獻[7]對Adaboost算法的改進是以犧牲檢測性能來換取訓(xùn)練效率，而且文獻[7]算法中只用到邊緣特征中的一類，本文算法所用的特征種類多，對最終的檢測率和誤檢率基本沒有影響。

選取500個正樣本，500個負樣本，本文與CUI等[8]基于外觀的虹膜檢測算法相比，檢測結(jié)果如表3所示。

從以上的實驗結(jié)果分析可以看出，本文對傳統(tǒng)算法的改進，使得訓(xùn)練時間大幅減少，對檢測率和誤檢率基本沒有影響。

表3 檢測結(jié)果對比

3 結(jié)束語

針對疲勞檢測系統(tǒng)用于車內(nèi)環(huán)境背景比較單一的問題，本文首次提出直接定位人眼，引入搜索系數(shù)對傳統(tǒng)Adaboost算法進行改進。下一步對算法進行優(yōu)化用于疲勞檢測系統(tǒng)中。

[1]GRACE R，BYRNE V E，LEGRAND J M. A machine vision based drowsy driver detection system for heavy vehicles[EB/OL].[2014-01-17].http://citeseerx.ist.psu.edu/showciting?cid=4007209.

[2]周玉斌.駕駛員瞌睡的視頻檢測研究[J].北京生物醫(yī)學(xué)工程，2003，22(1)：30-33.

[3]鄭培，宋正河，周一鳴.基于PERCLOS的機動車駕駛員駕駛疲勞的識別算法[J].中國農(nóng)業(yè)大學(xué)學(xué)報，2002，1(2)：104-109.

[4]李衡峰，夏利民，葉劍波.一種新穎的眼部狀態(tài)識別方法[J].計算機工程，2005，31(6)：166-170.

[5]VIOLA P，JONES M. Robust real-time face detection[J].International Journal of Computer Vision，2004，57(2)：137-154.

[6]VIOLA P，JONES M. Rapid object detection using a boosted cascade of simple features [C]//Proc. IEEE Conf. on Computer Vision and Pattern Recognition. Kauai，Hawaii，USA：IEEE Press，2011：511-518.

[7]錢志明，徐丹. 一種Adaboost快速訓(xùn)練算法[J].計算機工程，2009，35(20)：187-188.

[8]CUI Jiali，MA Li，WANG Yunhong，et al. An appearance-based method for iris detection[C]//Proc. 6th Asian Conference on Computer Vision. Jeju，Korea：ACCV，2004：1091-1096.

責(zé)任編輯：任健男

央視將與中移動合作建設(shè)4G視頻傳播中心

12月24日，中央電視臺與中國移動通信集團公司在北京正式簽署戰(zhàn)略合作框架協(xié)議，合作建設(shè)4G視頻傳播中心，全面開展4G業(yè)務(wù)合作。

據(jù)介紹，在項目合作中，央視將建設(shè)4G手機電視內(nèi)容聚合與集成播控平臺，負責(zé)信源的聚合與播控，中移動負責(zé)建設(shè)4G手機電視分發(fā)平臺及運營支撐系統(tǒng)，發(fā)揮前者的信息、內(nèi)容和品牌優(yōu)勢，以及后者的渠道、平臺、服務(wù)優(yōu)勢，以優(yōu)秀的視頻內(nèi)容，弘揚社會主義核心價值觀，傳遞正能量，更好滿足人民群眾在4G時代對網(wǎng)絡(luò)視頻的新需求、新期待。

目前，中國手機視頻用戶增長迅猛，4G的廣泛應(yīng)用將為移動視頻帶來巨大的發(fā)展空間和廣闊前景。中央電視臺臺長胡占凡在簽約儀式上表示，建設(shè)4G視頻傳播中心，開展全面4G戰(zhàn)略合作，是央視積極適應(yīng)4G發(fā)展的新形勢，利用新技術(shù)、發(fā)展新業(yè)態(tài)、提供新服務(wù)、占領(lǐng)新陣地，構(gòu)建立體多樣、融合發(fā)展的現(xiàn)代傳播體系的重要舉措。

中國移動董事長奚國華表示，4G視頻傳播中心將極力保證內(nèi)容的安全和綠色，充分傳播正能量；同時，將積極探索合作模式，大力推進創(chuàng)新，創(chuàng)造更多的業(yè)務(wù)形態(tài)，吸引更多的用戶關(guān)注；此外，還將帶動產(chǎn)業(yè)上下游共同發(fā)展，助力國民經(jīng)濟的健康發(fā)展。

Research on Eyes Positioning in Fatigue Detection

MENG Lingjun1，YU Lei1，GUO Xiongfei1，2

(1.SchoolofElectronicsandComputerScienceTechnology，NorthUniversityofChina，Taiyuan030051，China；2.KunshanDepartment，InstituteofMicroelectronicsofChineseAcademyofSciences,JiangsuKunshan215300，China)

Due to the simple background of fatigue detection，a way to locate eyes is described. This method firstly uses the Adaboost algorithm to train eye sample，and then positions the eyes using the train-result. Compared with other methods，this algorithm does not require locating face at first，and it has a greater speed and detection rate, and a better robustness to light and face pose.

fatigue detection；Adaboost algorithm；eyes location

國家科技重大專項基金項目(2012ZX03005018)；中國科學(xué)院戰(zhàn)略性先導(dǎo)科技專項(XDA06040300)

TN957

B

10.16280/j.videoe.2015.01.033

2014-05-17

【本文獻信息】孟令軍，于磊，郭雄飛.疲勞檢測中人眼定位方法研究[J].電視技術(shù),2015，39(1).