一种基于albp与src算法的疲劳检测方法与系统的利记博彩app
【专利摘要】本发明公开了一种基于ALBP与SRC算法的疲劳检测方法与系统，通过对人脸的整个面部表情进行处理判断驾驶员是否处于疲劳状态，可以避免仅分析脸部的眼、鼻或嘴等单一部位而造成失误；本发明利用了WLD算法对人脸部位进行提取，可以最大程度减少人脸部位提取的误差；本发明利用了ALBP算法进行特征提取，可以充分防止脸部细小特征量的丢失；本发明利用SRC算法计算残差并判断类别，可以精确地实现对驾驶员的状态进行判断。
【专利说明】—种基于ALBP与SRC算法的疲劳检测方法与系统
【技术领域】
[0001]本发明涉及数字图像处理和模式识别【技术领域】，尤其是一种基于ALBP与SRC算法的疲劳检测方法与系统。
【背景技术】
[0002]目前，随着社会的发展和人民生活水平的不断提高，汽车走进了千家万户，交通事故也随之增多。在众多交通事故中，疲劳驾驶是一个重要原因，这已引起了人们的重视。过去几十年中，国内外专家在积极展开疲劳检测的研究，而国内对疲劳驾驶监测系统的研制与开发仍处于初始阶段。2006年到2011年间，由于我国机动车辆安全性能的提高和推出的各项交通法规，使我国在这期间的交通事故与死亡人数有了一定的下降，但仍然有许多交通事故的发生给人民带来了大量的人身伤害和财产损失。交通安全是保证和谐社会快速发展的重要基石，并且安全与技术之间的关系更是紧密相联的。近年来，随着安全技术的不断创新与突破，驾乘安全保障有了长足的发展。2007到2009年我国由于疲劳驾驶而导致的死亡人数非常大，约为每年9000人，分别占到了机动车交通肇事总死亡人数的11.35%、10.91% 和 12.5%O
[0003]随着计算机图像处理技术的飞速发展，各国研究人员已经从各个领域开始深入研究驾驶员疲劳检测，这期间有基于人眼睁闭状态的研究，基于SVM的支持向量机的疲劳检测等。
[0004]在先申请号为CN201010197051.0的专利，首先获得人脸的区域，再对眼睛的区域进行精确的定位，之后对眼睛区域进行处理并分析，从而判断驾驶员的状态。这种方式对眼睛定位的精确度存在一定的误差，有时仅通过对眼睛判很难确定驾驶员的状态。
[0005]在先申请号为CN200910077436.X的专利，利用视频图像处理技术对驾驶员图像进行人脸检测、人眼跟踪、疲劳判断等处理，通过对人脸的眼、鼻和嘴的局部特征得出的PERCL0S值来判断驾驶员是否处于疲劳状态。但由于人脸丰富的表情变化，从不同的角度获取的人脸图像，就可以提取到不同的人脸局部特征，上述专利仅通过一种方式获得的特征值进行判断很容易导致失误，使计算的PERCL0S值失效；并且，眼、鼻和嘴是人脸的部分特征，提取并分析这些特征时很容易造成失误。
[0006]基于上述所述，考虑到人脸面部表情的丰富变化，通过单一或某些局部特征来判断驾驶状态的疲劳检测方法无法解决现有的问题。
【发明内容】
[0007]为解决上述问题，本发明的目的在于提供一种基于ALBP与SRC算法的疲劳检测方法与系统，通过对人脸全局的面部表情进行处理，最大程度地提高疲劳检测的正确率。
[0008]本发明解决其问题所采用的技术方案是:
[0009]一种基于ALBP与SRC算法的疲劳检测方法，包括训练样本图像库，所述训练样本图像库包含固定数目的列向量，所述每一个列向量由对应的一张处于清醒或疲劳状态的人脸灰度图像样本经WLD算法和ALBP算法计算获取，且每个列向量代表的人脸状态与对应的一张人脸灰度图像保持一致，所述方法包括以下步骤:
[0010]步骤A，采集驾驶员上半身的RGB视频流，并将采取的RGB视频流转换为对应的灰度图像；
[0011]步骤B，对步骤A中所述灰度图像进行人脸检测追踪，获得对应的人脸测试图像，如果没有成功获取人脸测试图像，则返回步骤A，重新采集驾驶员的上半身图像；
[0012]步骤C，通过SRC算法计算步骤B中所述人脸测试图像与训练样本图像库之间的最小残差，依此最小残差确定人脸测试图像与训练样本图像库中相似度最接近的一个列向量，以此列向量所代表的状态即为驾驶员的状态；
[0013]步骤D，通过ALBP算法获取步骤B中所述人脸测试图像的特征信息，并通过SRC算法计算此特征信息与训练样本图像库之间的最小残差，依此最小残差确定特征信息与训练样本图像库中相似度最接近的一个列向量，以此列向量所代表的状态即为驾驶员的状态；
[0014]步骤E，若步骤C与步骤D所判断驾驶员的驾驶状态相同，则这个相同的状态即为驾驶员的驾驶状态；若步骤C与步骤D所判断驾驶员的驾驶状态不同，则通过步骤C计算出人脸测试图像与训练样本图像库之间的倒数第二小残差与最小残差的比值m，通过步骤D计算出特征信息与训练样本图像库之间的倒数第二小残差与最小残差的比值n，如果m大于n，则确认步骤C中判断出的驾驶状态即为驾驶员的驾驶状态，否则，则确认步骤D中判断出的驾驶状态为驾驶员的驾驶状态；步骤F，对处于疲劳驾驶状态的驾驶员进行报警。
[0015]进一步，所述步骤B中，采用具有鲁棒性的WLD算法对步骤A中所述灰度图像进行人脸检测追踪，获得对应的人脸测试图像。
[0016]进一步，所述步骤D中，通过ALBP算法获取步骤A中所述人脸测试图像的特征信息包括以下步骤:
[0017]步骤D1，人脸测试图像通过U/f算子得到对应的响应图像；
[0018]步骤D2，把所得的响应图像划分为3行5列共计15个不重叠且大小相同的方格，把每一方格的图像进行直方图统计；
[0019]步骤D3，人脸测试图像通过从算子得到对应的U/仏响应图像；
[0020]步骤D4，把所得的』Μ/=响应图像分为3行5列共计15个不重叠且大小相同的方格，把每一方格的图像进行直方图统计；
[0021]步骤D5，把步骤D2和步骤D4共计30个方格的统计直方图进行串联，作为人脸测试图像的特征信息。
[0022]进一步，所述每一个列向量由对应的一张处于清醒或疲劳状态的人脸灰度图像样本经WLD算法和ALBP算法计算获取包括以下步骤:
[0023]步骤Η1，利用WLD算法对人脸灰度图像样本进行人脸检测追踪，获得对应的人脸测试图像；
[0024]步骤Η2，利用ALBP算法获取步骤Hl中所得人脸测试图像的特征信息；
[0025]步骤Η3，把步骤Hl中获得的人脸测试图像与步骤Η2中获取的特征信息进行串联，形成对应的一个列向量
[0026]进一步，步骤Η2中，利用ALBP算法获取步骤Hl中所得人脸测试图像的特征信息包括以下步骤:
[0027]步骤H21，人脸测试图像通过算子得到对应的^?8^响应图像；
[0028]步骤H22，把所得的响应图像划分为3行5列共计15个不重叠且大小相同的方格，把每一方格的图像进行直方图统计；
[0029]步骤H23，人脸测试图像通过』/.鮮七算子得到对应的向应图像；
[0030]步骤H24，把所得的响应图像分为3行5列共计15个不重叠且大小相同的方格，把每一方格的图像进行直方图统计；
[0031]步骤H25，把步骤H22和步骤H24获取的共计30个方格的统计直方图进行串联，作为人脸测试图像的特征信息。
[0032]一种基于ALBP与SRC算法的疲劳检测系统，其特征在于，包括:样本图像存储单元，用于存储包含固定数目人脸灰度图像样本的训练样本图像库；
[0033]人脸图像获取模块，用于采集驾驶员的上半身RGB视频流，并将采取的RGB视频流转换为对应的人脸测试图像；
[0034]图像特征采集模块，用于对人脸测试图像进行ALBP运算，提取特征信息；
[0035]SRC运算分析模块，用于通过SRC算法分别计算特征信息、人脸测试图像与训练样本图像库之间的残差，并依据此残差对驾驶员驾驶状态进行分析对比判断；
[0036]报警模块，用于对处于疲劳驾驶状态的驾驶员进行报警。
[0037]进一步，所述人脸图像获取模块进一步包括:
[0038]视频图像采集模块，用于采集驾驶员上半身的RGB视频流；
[0039]灰度转换模块，用于将采集的驾驶员上半身的RGB视频流转换为对应的灰度图像；
[0040]WLD人脸检测模块，用于对所述灰度图像进行人脸检测追踪，并处理为对应的人脸测试图像。
[0041]进一步，所述图像特征采集模块进一步包括:
[0042]ALBP第一运算单元，用于对人脸测试图像进行算子运算，获得对应的响应图像；
[0043]ALBP第二运算单元，用于对人脸测试图像进行子运算，获得对应的ALBP^响应图像；
[0044]直方图统计单元，用于拆分ζ?/./?/Κ响应图像和响应图像，分别把它们拆分为3X5个不重叠相同大小的方格,并分别对每一个方格进行直方图统计；
[0045]特征获取单元，用于串联所述每一个方格统计后的直方图，并以串联后的数据作为人脸测试图像的特征信息。
[0046]进一步,所述SRC运算分析模块进一步包括:
[0047]SRC第一运算分析单元，用于分别计算特征信息、人脸测试图像与训练样本图像库之间的最小残差；
[0048]SRC第二运算单元，用于分别计算特征信息、人脸测试图像与训练样本图像库之间的倒数第二小残差；
[0049]状态对比模块，用于对比由SRC第一运算单元得出的两个最小残差确定的驾驶员的驾驶状态是否一致，若一致时，则确认驾驶员的驾驶状态即为此一致状态，若不一致时，计算人脸测试图像与训练样本图像库之间的倒数第二小残差与最小残差之间的比值m，同时计算特征信息与训练样本图像库之间的倒数第二小残差与最小残差之间的比值n，对比分析m与η的大小，以比值较大的一方最小残差所对应的驾驶员的状态即为驾驶员的驾驶状态。
[0050]本发明的有益效果是:
[0051]本发明采用一种基于ALBP与SRC算法的疲劳检测方法与系统，首先采集驾驶员的RGB视频流，并转换为对应的灰度图像，利用WLD算法进行人脸检测追踪，获得人脸测试图像；第二，用SRC算法计算人脸测试图像与训练样本图像库之间的最小残差并依此判断驾驶员的状态；第三，利用ALBP算法对人脸测试图像进行处理，获得对应的特征信息，用SRC算法计算此特征信息与训练样本图像库之间的最小残差并依此判断驾驶员的状态；第四，两个状态相同时，则此一致状态即为驾驶员的驾驶状态，不一致时则进行对比判断确定驾驶员的驾驶状态。本发明通过人脸的整个面部表情判断驾驶员是否处于疲劳状态，可以避免仅分析脸部的眼、鼻和嘴等单一部位而造成失误；本发明利用了 WLD算法对人脸部位进行提取，可以最大程度减少人脸部位提取的误差；本发明利用了 ALBP算法进行特征提取，可以充分防止脸部细小特征量的丢失；本发明利用SRC算法计算残差进行状态判断，可以精确地对驾驶员的状态进行判断。
【专利附图】
【附图说明】
[0052]下面结合附图和实例对本发明作进一步说明。
[0053]图1是本发明所述方法的流程图。
[0054]图2是本发明利用WLD算法获取WLD 二维直方图的流程图。
[0055]图3是本发明由图2中WLD 二维直方图获取一维直方图的流程图。
[0056]图4是本发明ALBP算法提取特征的流程图。
[0057]图5是本发明SRC算法流程图。
[0058]图6是本发明系统结构组成框图。
【具体实施方式】
[0059]参照图1至图5所示本发明的一种基于ALBP与SRC算法的疲劳检测方法，包括训练样本图像库，具体流程图参照图1所示:
[0060]步骤Α，图像采集。
[0061 ] 本步骤中，采集驾驶员的上半身的RGB视频流，并将采取的RGB视频流转换为对应的灰度图像。
[0062]步骤B，用WLD算法进行人脸检测追踪。
[0063]本步骤中，对步骤A中所述灰度图像用WLD算法进行人脸检测追踪，获得对应的人脸测试图像，如果没有成功获取人脸测试图像，则返回步骤Α，重新采集驾驶员的上半身图像。
[0064]步骤C,用SRC算法计算残差。
[0065]通过SRC算法计算步骤B中所述人脸测试图像与训练样本图像库之间的最小残差，并依此最小残差判断驾驶员的驾驶状态。
[0066]步骤D，用ALBP算法进行特征提取并用SRC算法对特征信息进行运算。
[0067]本步骤中，通过ALBP算法获取步骤B中所述人脸测试图像的特征信息，并通过SRC算法计算此特征信息与训练样本图像库之间的最小残差，依此最小残差判断驾驶员的驾驶状态。
[0068]步骤E,融合分析。
[0069]本步骤中，若步骤C与步骤D所判断驾驶员的驾驶状态相同，则这个相同的状态即为驾驶员的驾驶状态。
[0070]步骤F,分析计算。
[0071 ] 本步骤中，若步骤C与步骤D所判断驾驶员的驾驶状态不同，则通过步骤C计算出人脸测试图像与训练样本图像库之间的倒数第二小残差与最小残差的比值m，通过步骤D计算出特征信息与训练样本图像库之间的倒数第二小残差与最小残差的比值n，如果m大于n，则确认步骤C中判断出的驾驶状态即为驾驶员的驾驶状态，否则，则确认步骤D中判断出的驾驶状态为驾驶员的驾驶状态。
[0072]步骤G，报警。
[0073]本步骤中，对处于疲劳状态的驾驶员进行报警。
[0074]参照图2所示本发明利用WLD算法获取WLD 二维直方图的流程图，WLD算法由两部分组成:差励和方向。差励通过中心像素和邻域像素的灰度值进行计算，如图所示，差励算子fc?有方形和圆形两类，本发明中，采用圆形进行计算，这样可以更好地减小误差。首先计算出一个圆形算子中邻域像素和中心点像素灰度值差的总和，利用公式(I):
【权利要求】
1.一种基于ALBP与SRC算法的疲劳检测方法，其特征在于，包括训练样本图像库，所述训练样本图像库包含固定数目的列向量，每一个列向量由对应的一张处于清醒或疲劳状态的人脸灰度图像样本经WLD算法和ALBP算法计算获取，每个列向量代表的人脸状态与对应的一张人脸灰度图像保持一致，所述方法包括以下步骤: 步骤A，采集驾驶员上半身的RGB视频流，并将采取的RGB视频流转换为对应的灰度图像； 步骤B，对步骤A中所述灰度图像进行人脸检测追踪，获得对应的人脸测试图像，如果没有成功获取人脸测试图像，则返回步骤A，重新采集驾驶员的上半身图像； 步骤C，通过SRC算法计算步骤B中所述人脸测试图像与训练样本图像库之间的最小残差，依此最小残差确定人脸测试图像与训练样本图像库中相似度最接近的一个列向量，以此列向量所代表的状态即为驾驶员的状态； 步骤D，通过ALBP算法获取步骤B中所述人脸测试图像的特征信息，并通过SRC算法计算此特征信息与训练样本图像库之间的最小残差，依此最小残差确定特征信息与训练样本图像库中相似度最接近的一个列向量，以此列向量所代表的状态即为驾驶员的状态； 步骤E，若步骤C与步骤D所判断驾驶员的驾驶状态相同，则这个相同的状态即为驾驶员的驾驶状态；若步骤C与步骤D所判断驾驶员的驾驶状态不同，则通过步骤C计算出人脸测试图像与训练样本图像库之间的倒数第二小残差与最小残差的比值m，通过步骤D计算出特征信息与训练样本图像库之间的倒数第二小残差与最小残差的比值n，如果m大于n，则以步骤C中判断出的驾驶状态即为驾驶员的驾驶状态，否则，以步骤D中判断出的驾驶状态为驾驶员的驾驶状态； 步骤F，对处于疲劳驾驶状态的驾驶员进行报警。
2.根据权利要求1所述的一种基于ALBP与SRC算法的疲劳检测方法，其特征在于:所述步骤B中，采用具有鲁棒性的WLD算法对步骤A中所述灰度图像进行人脸检测追踪，获得对应的人脸测试图像。
3.根据权利要求1或2所述的一种基于ALBP与SRC算法的疲劳检测方法，其特征在于:所述步骤D中，通过ALBP算法获取步骤B中所述人脸测试图像的特征信息包括以下步骤: 步骤D1，人脸测试图像通过算子得到对应的响应图像； 步骤D2，把所得的响应图像划分为3行5列共计15个不重叠且大小相同的方格，把每一方格的图像进行直方图统计； 步骤D3，人脸测试图像通过215^23算子得到对应的2￡￡?总响应图像； 步骤D4，把所得的MSP-响应图像分为3行5列共计15个不重叠且大小相同的方格，把每一方格的图像进行直方图统计； 步骤D5，把步骤D2和步骤D4共计30个方格的统计直方图进行串联，作为人脸测试图像的特征信息。
4.根据权利要求1或2所述的一种一种基于ALBP与SRC算法的疲劳检测方法，其特征在于，所述每一个列向量由对应的一张处于清醒或疲劳状态的人脸灰度图像样本经WLD算法和ALBP算法计算获取包括以下步骤: 步骤H1，利用WLD算法对人脸灰度图像样本进行人脸检测追踪，获得对应的人脸测试图像； 步骤H2，利用ALBP算法获取步骤Hl中所得人脸测试图像的特征信息； 步骤H3，把步骤Hl中获得的人脸测试图像与步骤H2中获取的特征信息进行串联，形成对应的一个列向量。
5.根据权利要求1或2所述的一种基于ALBP与SRC算法的疲劳检测方法，其特征在于，步骤H2中，利用ALBP算法获取步骤Hl中所得人脸测试图像的特征信息包括以下步骤: 步骤H21，人脸测试图像通过^44--2算子得到对应的ALBPi》响应图像； 步骤H22，把所得的响应图像划分为3行5列共计15个不重叠且大小相同的方格，把每一方格的图像进行直方图统计； 步骤H23，人脸测试图像通过算子得到对应的响应图像； 步骤H24，把所得的响应图像分为3行5列共计15个不重叠且大小相同的方格，把每一方格的图像进行直方图统计； 步骤H25，把步骤H22和步骤H24获取的共计30个方格的统计直方图进行串联，作为人脸测试图像的特征信息。
6.一种基于ALBP与SRC算法的疲劳检测系统，其特征在于，包括: 样本图像存储单元，用于存储包含固定数目列向量的训练样本图像库； 人脸图像获取模块，用于采集驾驶员的上半身RGB视频流，并将采取的RGB视频流转换为对应的人脸测试图像； 图像特征采集模块，用于对人脸测试图像进行ALBP运算，提取特征信息； SRC运算分析模块，用于通过SRC算法分别计算特征信息、人脸测试图像与训练样本图像库之间的残差，并依据此残差对驾驶员驾驶状态进行分析对比判断； 报警模块，用于对处于疲劳驾驶状态的驾驶员进行报警。
7.根据权利要求6所述的一种基于ALBP与SRC算法的疲劳检测系统，其特征在于，所述人脸图像获取模块进一步包括: 视频图像采集模块，用于采集驾驶员上半身的RGB视频流； 灰度转换模块，用于将采集的驾驶员上半身的RGB视频流转换为对应的灰度图像； WLD人脸检测模块，用于对所述灰度图像进行人脸检测追踪，并处理为对应的人脸测试图像。
8.根据权利要求6所述的一种基于ALBP与SRC算法的疲劳检测系统，其特征在于，所述图像特征采集模块进一步包括: ALBP第一运算单元，用于对人脸测试图像进行算子运算，获得对应的彪电响应图像； ALBP第二运算单元，用于对人脸测试图像进行算子运算，获得对应的响应图像； 直方图统计单元，用于拆分At&t〗响应图像和响应图像，分别把它们拆分为3X5个不重叠相同大小的方格，并分别对每一个方格进行直方图统计； 特征获取单元，用于串联所述每一个方格统计后的直方图，并以串联后的数据作为人脸测试图像的特征信息。
9.根据权利要求6所述的一种基于ALBP与SRC算法的疲劳检测系统，其特征在于，所述SRC运算分析模块进一步包括: SRC第一运算分析单元，用于分别计算特征信息、人脸测试图像与训练样本图像库之间的最小残差； SRC第二运算单元，用于分别计算特征信息、人脸测试图像与训练样本图像库之间的倒数第二小残差； 状态对比模块，用于对比由SRC第一运算单元得出的两个最小残差确定的驾驶员的驾驶状态是否一致，若一致时，则确认驾驶员的驾驶状态即为此一致状态，若不一致时，计算人脸测试图像与训练样本图像库之间的倒数第二小残差与最小残差之间的比值m，同时计算特征信息与训练样本图像库之间的倒数第二小残差与最小残差之间的比值n，对比分析m与η的大小，以比值较大的一方最小残差所对应的驾驶员的状态即为驾驶员的驾驶状态。
【文档编号】G06K9/64GK104166831SQ201310180867
【公开日】2014年11月26日 申请日期:2013年5月15日 优先权日:2013年5月15日
【发明者】应自炉, 赵从挺, 李佳伟, 甘俊英, 陈自荣, 陈盛权 申请人:五邑大学