论文研究-基于ICA和HMM的疲劳驾驶眼部状态识别算法.pdf

所需积分/C币:10 2019-09-11 00:39:36 670KB .PDF
收藏 收藏
举报

汽车司机疲劳驾驶是引发交通事故的一个重要原因。驾驶员在正常驾驶、瞌睡驾驶及疲劳驾驶3种状态下的眼睛张开程度有一定的区别。提出了一种ICA结合隐马尔可夫模型(HMM)识别眼部状态的识别算法,首先对彩色图像进行二值化处理,然后利用ICA算法进行眼部状态特征提取,为了加快特征提取的速度,这里采用FastICA算法;然后通过HMM进行眼部状态识别。实验结果表明,该算法可快速有效地识别出驾驶员眼部状态。
杨秋芬,桂卫华,胡豁生,等:基于ICA和HMM的疲劳驾驶眼部状态识别算法2008,44(27)7 单个眼部状态图像经过 FascIa4组基向量特征提取后的分优化参数表示人眼疲劳状态中的某个类别。 离结果。 4.3HMM人眼疲劳状态识别 ICA方法能够有效地降低光照、拍摄角度及噪声等外界因 在疲劳状态识别阶段,首先对待分类的人眼图像进行 素对表情图像特征提取的干扰,能够提取并利用多像素间隐藏 FastIca处理,并将得到的特征值作为眼部状态图像的特征向 的信息,得到像素间高阶统计独立的基图像,能够最大程度上量,形成一组观测序列O,然后使用前向-后向算法计算每个训 表示眼部状态,这一特性使得它可以和隐马尔可夫模型结合使练模型入(1≤i≤3)产生该序列的概率P(O.),最大值所对应 用。隐马尔可夫模型(HMM)可以跟踪眼部状态图像中隐含的的模型就是待识别眼部状态所属的类别,可以用公式表达为 状态转移特性,因此利用它会有较好的识别效果,本文据此将 -arg max POI: (11) 使用HMM作为眼部状态特征提取后的后续识别方法,由于本 文的系统实时性要求高,所以,采用一维HMM结构。 即如果第n个模型φn产生序列O的概率最大,则将眼部状态 归入第n类 4HMM模型 4.1基本概念 实验结果及分析 隐马尔可夫模型(HMM)是一种用参数表示的,用于描述 实验全部在实验室内进行,要求CCD固定安装在显示器上 随机过程统计特性的概率模型叫。它由两部分组成:一个是隐方,通过实验室内的同学作为测试人员进行测试,将其头部调整 含的马尔可夫链称为隐含层;另一个是实际的观测量称为观到镜头的中央并占据大部分画面。本文共拍摄150幅图像,图像 测层。 大小均为256×256(像素)。实验分两组进行,一组30幅作为 HMM是极为成熟的匹配技术,一个HMM可以记为 HMM训练用,另一组120幅作为测试用,每种状态各40幅。 A=(N,M,丌,A,B) (7) 眼部状态图像的概率分布信息对于图像信号多数是亚高 式(6)中,N表示隐含状态数,M表示观测序列的长度,π为初斯分布。因此,在人脸表情识别中,ICA分析处理有更好的效 始状态概率分布,A为状态转移概率矩阵,B为观测值概率果,CA的基向量选取与识别率之间的关系见图5。 矩阵。 4.2HMM训练 HMM训练就是要为每个类别确定一组经过优化的HMM 参数,每个模型可以用单幅或多幅图像进行训练,训练步骤 540 如下 (1)对待分类的眼部状态图像进行 FastIca处理,并将得 到的特征值作为眼部状态图像的特征向量,形成一组观测序列 Number of basis vectors (2)建立一个通用的模型λ=(N,M,丌,A,B),确定模型的 图5ICA的基向量选取对识别率的影响 状态数、允许的状态转移和高斯混合概率成分的个数。 由图5可知,ICA基向量数目过多或者过少都会使识别率 (3)将训练数据均匀分割,与N(t时刻)个状态对应,计算降低,因为基向量数目过多时包含了大量的干扰信号,基向量 模型的初始参数。对于状态转移矩阵A={an,可以使a1=0,当数目过少时丢失了较多的表情图像的特征信息。实验结果表 j或+1。对于初始概率分布π(m,m2,…,m、),可以使m=明,基向量数目为4时,识别效果最佳。 1,1=0(i≠1),即HMM从第一个状态开始。 该算法在PC机上进行 Matlab仿真,处理速度可以达到12fs, 概率分布矩阵B采用高斯概率密度函数,B=b(0)可依能实时地跟踪和识别测试人员的疲劳状态。测试人员的眼睛图 像检测和识别准确率识别率如表1所示。 据下面的公式计算: 表1基于 FastIca与HMM眼部状态识别率 b,(O.)= 1cxp-1(04)2(0-)(8) 正常驾驶∫(%)疲劳驾驶/(%)瞌睡驾驶/(%) V(2m)2 正常驾驶 疲劳驾驶 其中和∑分别为高斯概率密度函数的均值和协方差矩阵 瞌睡驾驶 92.5 6结论 4=720 (9) 3种状态中,由于瞌睡状态的界定标准无法统一,所以识 ∑=∑(0)(O) (10)别率较低,这可通过增加训练样本的数量及种类加以改进。在 实际应用中,可通过两种方法提高识别率:第一,把睁眼、合眼 (4)用 Viterbi分割取代均匀分割叫,并利用分段κ均值聚状态界定更加明确,在加上纹理信息,识别率会相对提高;第 类方法求岀高斯混合模型的参数,迭代调整初始模型参数,求二,要求摄像机拍摄彩色图像,这是由于摄像机角度变化或者 出HMM的最优状态序列。 环境光线变化,根据Y分量的变化及时更新 Gaussian模型参 (5)采用Baum-welh算法对参数进行重新估计,确定数,从而提高了识别跟踪的准确率和稳定性 个λ=(N,M,π,A,B),使P(Oλ)最大,并用最后得到的模型 (下转11页)

...展开详情
试读 3P 论文研究-基于ICA和HMM的疲劳驾驶眼部状态识别算法.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
抢沙发
一个资源只可评论一次,评论内容不能少于5个字
weixin_38743481 你的留言是对我莫大的支持
2019-09-11
  • 至尊王者

    成功上传501个资源即可获取
关注 私信 TA的资源
上传资源赚积分,得勋章
最新推荐
论文研究-基于ICA和HMM的疲劳驾驶眼部状态识别算法.pdf 10积分/C币 立即下载
1/3
论文研究-基于ICA和HMM的疲劳驾驶眼部状态识别算法.pdf第1页

试读结束, 可继续阅读

10积分/C币 立即下载 >