牟　亞,聶亞洲,付發(fā)威,周銀平（華北電力大學,北京　昌平　102206）

基于模式識別的自適應燈具

牟亞,聶亞洲,付發(fā)威,周銀平
（華北電力大學,北京昌平102206）

摘要：模式識別技術自20世紀60年代提出以來，一直都因為其巨大的發(fā)展?jié)摿ξ吮姸嘌芯空叩纳钊胩剿骱脱芯?。這些年來，模式識別在人臉識別、疲勞檢測、人機交互等領域取得了巨大進展。本文研究的目的是設計一套可以自動檢測人眼狀態(tài)并作出相應調光反饋的燈光系統(tǒng)，這套系統(tǒng)可以最大程度上減輕視疲勞，保護眼睛。當光有微小的變化，眼睛就會做出相應的變化。當眼睛處于一個舒適的狀態(tài)，光就處于一個合適的值。本文使用的軟件主要是VS2013與OpenCV相結合，通過調用OpenCV庫函數，建立該燈具系統(tǒng)。本文采用了級聯(lián)Adaboost算法，用于人臉檢測、人眼檢測和瞳孔定位。對輸入圖像進行人臉檢測，在人臉檢測的基礎上進行人眼檢測并定位瞳孔，從而找到瞳孔直徑以及虹膜直徑。通過串口，把瞳孔直徑與虹膜直徑的比值按照一定的映射關系傳給數模轉換模塊，輸出不同的電壓來控制LED的亮度。再輔以反饋調節(jié)機制，確保燈具發(fā)出的光照是最符合人眼需求的光照。

關鍵詞：模式識別；級聯(lián)Adaboost算法；OpenCV ；人眼檢測

1　作品背景

信息大數據時代，由于人們經常在不合適的光線下過度使用電子產品，導致眼部疾病發(fā)病率直線上升。解決問題的根源在于將不合適的光線調節(jié)為適合眼睛的光線。而目前世界上關于適合光照還沒有一個公認的標準，在這種狀況下，人為地界定一個光線亮度，光線被動的調節(jié)，并不能改善目前電子產品過度使用，眼部疾病發(fā)病率逐年攀升的現(xiàn)狀。我們立足于健康生活的理念，將模式識別技術運用到燈具上，致力于研究自適應性燈具。臺燈可以根據環(huán)境光線的變化和人眼的狀態(tài)來自動調節(jié)，達到使人眼感到舒適的狀態(tài)，從而減少對眼睛的傷害，提高眼睛的健康狀況。

2　總體設計

在實現(xiàn)燈光自適應調節(jié)的過程中，主要應用了模式識別領域中的Adaboost算法和級聯(lián)分類器。

2.1模式識別

模式識別是一個樣本的類別屬性（模式類）的確定過程，即把某一個樣本歸屬于多個類型中的某個類型，從20世紀20年代發(fā)展至今，目前它已經運用到生物認證、指紋識別、聲紋識別、語音識別、數字水印等領域。模式識別技術是人工智能的基礎，我們利用攝像頭拍攝出的照片，通過Adaboost算法和級聯(lián)分類器識別出眼睛的狀態(tài)，確定眼睛對光照的需求。

2.2Haar積分圖

將紅外背光攝像頭拍攝的照片轉化為灰度圖，為了得到灰度圖的特征值，需要對輸入圖像進行逐點掃描。設i(x,y)為輸入圖像中像素點(x,y)的像素灰度值，那么假定一個圖像，在某一點(x,y)處，求該點像素的灰度值之和，要計算縱坐標小于等于Y的所有像素點。定義該像素灰度值的和為s(x,y)，利用遞推公式，求取待測圖像的積分圖:

圖1　具體點積分圖

其中x和y從0開始，s(x,y-1)=0，ii(x-1,y)=0?？梢酝ㄟ^積分圖快速求得矩形特征區(qū)域內的所有像素點的灰度積分。點1處的積分圖ii1為：ii1=sum(A)，具體積分范圍如圖1所示。

根據上圖可以按順序分別計算點2，點3，點4的特征值：

根據上式，在積分圖示例中計算出的每個端點處的值代表一個矩形特征值，再將每個端點處的值做加減運算。所要計算的矩形大小和位置都與計算時間無關，即這個計算時間是一個常數，這是積分圖計算的最大優(yōu)點。

2.3Adaboost算法與級聯(lián)分類器

Adaboost算法是一種分類器算法，在1995年由Freund和Robert E.Schapire提出的，其主要思想是利用大量分類能力較弱的簡單分類器(weakerclassifier)通過一定方法疊加(boost)起來，構成一個具有強分類能力的強分類器。

2.3.1由擴展的Haar特征生成弱分類器

將紅外背光攝像頭拍攝出的照片轉化為灰度圖，利用灰度圖的特征值訓練弱分類器。弱分類器可以使一個任何單一特征或組合特征的分類器，它的主要功能是對候選區(qū)域做二值判斷。具體定義如下：

其中x為檢測窗口，f(x)為計算矩形特征值的函數，θ為通過訓練的弱分類器的閾值，p用來表示不等式的方向，取值為+1。對圖中的每個特征f，訓練得到對應的一個弱分類器h(x,f,p,θ)，確定得到最優(yōu)閾值，使得這個弱分類器h(x,f,p,θ)對所有的訓練樣本的分類誤差率最低。

弱分類器訓練的過程大致如下:

（1）計算每個特征f1（i=1...m為特征總數）對應的訓練樣本的特征值；

（2）將所有特征值排序；

（3）對排好序的每個元素：

計算全部正例的T+和權重;

計算全部負例的T_和權重;

（4）選取當前元素的特征值Fki和它前面的一個特征值Fki-1之間的值作為閾值，該分類器的分類誤差為：

（5）計算最小的弱分類器誤差，同時記錄此時若分類器的方向符號和閾值以及分類器的矩形特征。

特別說明：在前期準備訓練樣本的時候，需要將樣本歸一化和灰度化到20*20的大小，這樣每個灰度圖像樣本大小一致，保證了每一個Haar特征都在一個樣本內。

2.3.2訓練強分類器

在訓練強分類器的過程中，T表示的是強分類器中包含的弱分類器的個數。當然，如果是采用級聯(lián)分類器，強分類器中的弱分類器的個數可能會比較少，多個強分類器再級聯(lián)起來。訓練強分類器的步驟如下：

給定一系列訓練樣本(x1,y1).(x2,y2).....(xn,yn)，其中yi=0表示負樣本（非人臉），yi=1表示正樣本（人臉），為總共的訓練樣本數。

（1）初始化權重wt,i；

（2）對t=1....T歸一化權重，

（3）對每個特征f，訓練一個弱分類h(x,f,p,θ)：計算對應特征的若分離器的加權（q1）錯誤率εi。

（4）計算最小的弱分類器誤差εj，并且記錄此時弱分類器的方向符號p和閾值θ以及分類器的矩形特征。

經過T次迭代后，獲得了T個最佳弱分類器h1(x)....hT(x)，可以按照下面的方式組合為一個強分類器：

那么，這個強分類器對待一副待測圖像時，相當于讓所有弱分類器投票，再對投票結果按照弱分類器的錯誤率加權求和，將投票加權求和的結果和平均投票的結果相比較，大于則算在強分類器里，小于就排除，得到最終的結果。

平均投票結果，即假設所有的弱分類器投“贊同”票和“反對”票的概率相等，求出平均概率，

2.3.3構建級聯(lián)AdaBoost算法

級聯(lián)AdaBoost的核心是在算法進行T次迭代訓練過程中，從每次的迭代訓練過程中的弱分類器中挑選出T個弱分類器，按照一定的準則將其連接起來，構建成一個強分類器。如果弱分類器的正確率只提高一點點，那么強分類器的正確率就能夠大幅提高。連續(xù)AdaBoost算法的輸出值遍布整個實數域。因此，幾乎能夠模擬全部分類器類型的概率分布。

級聯(lián)分類器是由連續(xù)AdaBoost算法每層訓練的分類器組合成的強分類器，最后將選取的弱分類器按照自身的分類性能自動將他們組合在一起。

一般來講，在對視頻中的圖像進行檢測時，所要檢測的目標只占待測圖像的一個很小的部分，但在待測圖像中，有很多干擾阻礙了目標的檢測。需要我們極快地去除這些干擾或者非目標區(qū)域，留下大部分的時間去檢測除去干擾后的目標窗口，這樣不僅提高了目標檢測速度，并且提高了目標檢測的準確率。構建級聯(lián)AdaBoost算法是我們所需要的算法。

2.4調光原理

圖2　設備連接圖

利用高清的紅外背光攝像頭，拍攝人的面部照片，借助Intel公司提供的計算機視覺庫OPEN-CV，通過近來提出的具有高精度和快速特點的adaboost算法和級聯(lián)分類器首先找到人臉，進一步找到眼睛，最后找到瞳孔。虹膜的大小不隨光照而變化，圖片中虹膜與瞳孔的相對大小不隨人眼與燈光的距離而改變，因此可以用虹膜為參照物計算出瞳孔的相對大小。根據瞳孔大小和所需光照的對應關系，輸出一個合適的值給電壓源模塊，進而改變電阻兩端的電壓，改變通過電阻的電流，通過三極管對電流的放大作用，實現(xiàn)LED臺燈的合理發(fā)光。此外，為了能反映桌面的絕對光照強度，LED燈光下還有一個光敏電阻，光敏電阻感應此時的光照，會得到一個相應的電阻值，與光敏電阻并聯(lián)的電壓表會將這個值通過數模轉換模塊傳給電腦，電腦判斷是否達到了眼睛舒適光照的要求，如果沒達到，再微調光強，直到達到最適合人眼的光照需求。

3　測試與性能分析

3.1數值照度關系

按照實驗電路圖連接好線路，在無環(huán)境光照的條件下，保持臺燈到桌面距離一定，打開電腦，打開照度儀，運行相應的程序，從600-4000每隔100輸入數值，記錄相應數據，可以得出LED燈發(fā)出的光的強度值y/lux與輸入數模轉換器的數值x成正相關的關系，計算機擬合二者對應關系函數為y=361.1ln(x）-2217.8。LED燈發(fā)出光的強度值y/lux與通過LED燈珠的電流數值x/mA成正相關的關系，計算機擬合二者對應關系函數表達式為y=2.7975x+48.092。

3.2瞳孔直徑與照度

瞳孔的作用就是改變通光量，而光通量是照度的函數，于是照度和瞳孔直徑之間建立了聯(lián)系，瞳孔直徑R是眼睛處光照度L0的函數，即R=f（L0）。保持燈光與眼睛距離為50cm不變，以燈光為唯一光源，打開照度儀與瞳孔檢測儀器，連續(xù)調節(jié)燈光，使瞳孔處照度從100lux-780lux按每40lux為單位遞增，記錄對應的瞳孔直徑于表格，得到相應曲線。

從瞳孔直徑與照度關系圖中可以看到，瞳孔的直徑與LED燈發(fā)出光的強度成負相關的關系，計算機擬合二者對應關系函數表達式為。

保持燈光與光敏電阻距離為不變，以燈光為唯一光源，打開照度儀，運行相應的程序，連續(xù)調節(jié)燈光，使光敏電阻所處照度從按每為單位遞增，關系如圖4所示。

從照度與數值關系圖中可以看到，數值y與LED燈發(fā)出光的強度負相關，計算機擬合二者對應關系函數表達式為。

圖3　　瞳孔直徑與照度關系圖

圖4　光照度與反饋數值關系

4　總結與展望

對自適應燈具的研究邁出了模式識別應用的第一步。人性化的設計讓它可以根據眼部的狀態(tài)實現(xiàn)光照強度的自動調節(jié)，適合的光照使人眼達到最舒適的狀態(tài)，更好的保護眼睛，防止眼部疾病。同樣的原理和算法，可以運用到電子產品的屏幕亮度控制中。目前市面上的屏幕亮度調節(jié)主要通過光敏原件和光敏感應器感應，但本論文中提出的構想可以實現(xiàn)了屏幕亮度針對眼部的自適應調節(jié)，是現(xiàn)有的產品所不能比擬的。

參考文獻：

[1]杭海濱.虹膜定位與識別的算法研究與實現(xiàn)[D].上海交通大學,2013.

[2]田啟川,潘泉,程詠梅,張洪才.基于局部邊緣檢測的虹膜編碼算法研究[J].計算機應用研究,2005(08):230-232+257.

[3]苑瑋琦,徐露,林忠華.一種基于人眼圖像灰度分布特征的虹膜定位算法[J].光電子·激光,2006(02):226-230.

[4]張錚,王艷平.數字圖像處理及其視覺[M].人民郵電出版社,2010.

[5]張宏林.Visual C++數字圖像模式識別技術及工程實踐[M].人民郵電出版社,2003.