论文研究-驾驶员疲劳驾驶中的眼睛定位创新算法.pdf

所需积分/C币:37 2019-09-12 08:00:02 1.06MB .PDF
收藏 收藏 1
举报

通过人眼图像来检测驾驶员疲劳驾驶是目前的主流方向,面部及眼睛定位是其中关键的环节。提出了一种新颖的精确定位眼睛的方法。该方法由两部分组成:第一部分,通过肤色聚类分割算法将人脸区域分割,对分割图进行几何过滤,对得到的候选人脸区域中的孔洞计算质心点找到可能的人眼对;第二部分,在检测到人脸区域和眼睛大致位置的基础上,结合提出的眼睛模型,采用新的Hough变换椭圆检测算法精确定位人眼的位置。实验证明所提出的算法是快速可靠的。
222008,44(6) Computer Engineering and Applications计算机工程与应用 围的候选区域并置黑。 d (3)由于眉毛、眼睛(有时鼻孔及嘴部区域)的颜色和肤色 无论在色度还是亮度上都有着很大的差别,所以这些区域在脸 部肤色区域形成一个及以上孔洞,但其它肤色区域很少出现这 种情况,所以可以根据欧拉数准则滤除非人脸区域,设E为欧 R眼球 内角点 外角点 拉数,C为连通域数,H为孔洞数,则对人脸区域有:E=C-H≤ -1=0,舍弃E>0的区域并置黑。 图4眼球结构 图5纺锥形眼晴模型 (4)嘴唇区域暂时未作考虑。 用 Hough变换椭圆检测算法动态生成眼部曲线精确定位人眼 根据区域分割算法和几何过滤后的二值图如图3所示。 区域。 3.2椭圆检测算法 椭圆检测算法一直以来都是图像处理中的关键性冋题。正 因为如此,现今已有各种各样的椭圆检测方法。由于要完整定 义一个椭圆需要5个参数,因此需要5维参数空间来检测一个 椭圆,这是一件十分耗时的工作。文献14使用了一种新颖的椭 圆检测算法,该算法利用椭圆的长轴来快速有效地找到椭圆的 图3区域分割的二值图 参数,只需要一个一维累加数组来累加椭圆短轴的长度。这样 22人眼粗定位 所需要的计算存贮空间要比以前的算法少许多。对文献[4的 上述得到的候选人脸区域都包含一定数目的洞。对每一区方法应用到本系统中。 域中的洞进行两两组合则构成了所有可能的双眼对。定义一个 在图6的椭圆中,有5个椭圆参数:质心点(x0,y0),椭圆 方向角α,长轴和短轴长度(a,b)。给每个边界点附加额外的信 集合型数据结构 leyesleyes={L(x,y),R(x,y),d,)},对这些可能 双眼对进行描述。其中d表示两洞之间的距离,O表示两洞连 息或者使用特殊的边界点,就只需要较少的边界点来定位一个 椭圆位置。对于内角点(x1,y1),外角点(x2,y2)相当于长轴的 线和水平轴之间的夹角,同时这个角度也就是人脸的倾斜角 两个端点(只能是长轴的两个端点)。按如下方法计算椭圆的4 度,L和R分别表示两洞区域的质心坐标。质心坐标(x,y)按如个参数: 下公式计算 x1+x2 (5) ∑∑ji∑∑ 0=1+y2 (6) A A 2 +(y2-y1) 其中A=∑∑表示洞的面积 (7) 分别搜索每个候选人脸区域,找到所有(k<45°并且L(x)< c=arctan y2- (8) R(x)的可能双眼对,将其加入到上面的集合中。这里规定的大 小是考虑到正常情况下摄像头拍摄到的驾驶员图像的人臉倾 斜角度都不大,而且可以做到尽量使用正面图像,降低运算 d 力1 (x0,y0 f2 开销。 图6椭圆的几何特性 3人眼精确定位算法 设∩和尸2是该椭圆的两个焦点,(x,y)是椭圆上的任意第 在上述过程中,已经找到了真实的人脸区域,并在五官定三点,这样就用(x,y)计算该椭圆的第5个参数。显然(x,y)和 位中找到了双眼所在的大致位置。以下将使用一种新颖的(x0,30)之间的距离小于(x1,y1)和(0,y0)或(x2,y2)和(x0 Hough变换椭圆检测算法精确动态生成整个眼部曲线形状。 y0)之间的距离。 3.1人眼模型 这样短轴的计算公式 目前关于人眼定位的方法选择的定位点眼球中心或者虹 in 膜中心,眼球的结构见图4。眼球是一个半径为R的球形:虹膜 (9) d cos B 在眼球的前部,半径为r;眼球中心到虹膜中心的距离为d,有 R=r+d。根据文献13的阐述,眼球和虹膜的半径基本是一个 其中c093=+,d表示(x,y)和(0,0)的距离B表示( 常量,R/也是一个常数。那么,只要测得虹膜的半径r,R和dy)和(x0,y0)的夹角。 都可以得到。眼睛的正面结构定义为纺锤形,中间是虹膜,两边33 Hough变换椭圆检测 端点分别为内角点和外角点,上下圆弧分别是上眼睑和下眼 Hough变换是一种行之有效的形状分析方法,具有对随机 睑,如图5所示。 噪声不敏感的特点,被广泛应用于直线、圆形和椭圆的检测。其 在本算法中,取内角点和外角点,上眼睑和下眼睑,以及前基本思想是将图像的空间域变换到参数空间,用大多数边界点 面粗定位的人眼区域质心点作一纵向剖面图椭圆,所以不用定满足的某种参数形式来描述图像中的曲线(区域边界)。 Hough 位眼球或虹膜的精确位置,先对椭圆的5个参数进行分析,利变换检测技术根据局部度量来计算边界曲线参数,因此对于区 杨秋芬,桂卫华,胡豁生,等:驾驶员疲劳驾驶中的眼睛定位创新算法 2008,44(6) 域边界噪声T扰或被其它目标遮盖而引起边界发生间断的情 况,具有很好的容错性和鲁棒性吲 o國。 Hough变换解析曲线参数表示的一般形式是: (a)相对误差为0.018 f(X,a)=0 此时,点X=x,y为椭圆上的点,点a=d,B,b]对应椭圆 的参数。图像空间的椭圆对应着参数空间(d,B,b)中的一个点。 (b)相对误差为0.041 图8 JAFFE人脸库测试结果示例图 个给定点(x,y)约束了通过该点一组圆的参数(d,B,b),等价 于约束产生了一族椭圆的点的(d,B)的轨迹。点(x,y)沿图像空 间这一族椭圆移动时,对每一个椭圆边界上的点,相应参数空 间的参数变化形成了一个纺锥轨迹。这正好符合3.1节描述的 人眼模型。对 Hough变换参数空间适当量化,得到一个三维的 累加器阵列,阵列中的每一个立方小格对应(d,B,b)的参数离 散值。 (a)相对误差为0.022 (b)相对误差为0.034 利用以上椭圆检测算法,可以在上述人脸检测的基础上快 图9复杂背景中测试结果示例图 速稳定地进行人眼精确定位。实现的具体步骤如下: (1)对于彩色图像,先按肤色聚类色彩空间转换为灰度图。 由测试结果所得数据可以看出,利用上述算法可以快速精 (2)然后通过选取合适的门限值,将灰度图像进一步转变确地在人脸检测中精确定位人眼位置。在对用 Hough椭圆检 为二值图像。 测算法精确定位人眼的人眼图的测试中,所得的上、下眼敛极 (3)根据人脸的连通性和肤色的聚类特性使用本文的肤色值结果与实际位置的相对误差d(eye)的最大值为0.104。也就 聚类分割算法进行人脸区域分割,对分割图进行几何过滤,对是说用来检测的50幅图像,在相对误差为0.104以内都认为 得到的候选人脸区域中的孔洞计算质心点找到可能的人眼对。是精确定位了人眼,该算法的精确度可达到100%。同时在复杂 (4)用本文的 Hough变换椭圆检测算法精确定位人脸。对背景下用该文算法精确定位人眼的测试中,发现该算法也能快 图像空间所存在的椭圆边界进行形状检测时,先计算图像每点速精确定位,可看出该文算法具有较低的时间复杂度。 强度的梯度信息,然后根据适当阈值求出边缘,再计算与边缘 (d,B,b)立方小格的累加器加1。 5结论 疲劳驾驶一直是车祸事故的主要原因之一,因此对驾驶员 4实验结果分析 的疲劳状态进行检测,减少由疲劳驾驶引发的事故,有着重要 对于本文介绍的基于肤色聚类空间的Houφ变换椭圆检的现实意义。人眼定位是构建驾驶疲劳检测系统的前提条件, 测精确定位人眼曲线算法,从日本 Kush大学的 JAFFE本文提出了一种基于肤色聚类色彩空间和 Hough变换椭圆检 ( Japanese Female Facial Expression)数据库、因特网上共选测的眼睛精确定位创新方法,即先用基于聚类色彩空间的区域 取50幅(其中前者是20幅,后者是30幅)不同的人脸图进行分割发进行眼睛粗定位,再用基于椭圆检测的 Hough变换进行 人眼检测的测试。对于标准的人脸库,由于背景单一、姿势标眼睛的精确定位。使得眼睛定位的计算速度大幅提升,并且提 准,该算法快速找到人眼的位置;而后者存在多姿态、多背景,高了定位的精确度和鲁棒性。如何对已精确定位的人眼进行疲 有的甚至存在一定的噪音干扰,该算法也能精确定位人眼,但劳测试是下一步的研究任务。 存在一定的像素误差。测试方法如下 先从图3的值图中找到人眼对的质心点。如图7所示。参考文献: [1 Sanjay K S, Chauhan D S.A robust skin color based face detection algorithm[J]. Tamkang Journal of Scienc and Engineering, 2003, 6(4) [2 Kanungo T, Mount D M, Netanyahu N S,et al.An efficient K means clustering algorithm: analysis and implementation JIEEE Transactions on Pattern Analysis and Machine Intelligence 图7人脸特征部位的质心图 202,24(7):881-892 3 Zhou Z H, Geng XProjection functions for eye detection[J]. Pattern 先用手工从图7中找到左右人眼区域的质心点L(x,y)和 Recongnition,2004,37(5):1049-1056 R(x,y)坐标,在从图3的二值图中找到人眼区域的内角点和外(41 Reinders m, Koch r, Gerbrands. Locating facial features in image 角点,根据本文的算法精确定位人眼轮廓曲线。再用手工找到 sequences using neural networks[ C]/Proceedings of Automatic Face 上、下眼脸的极值点的实际位置坐标(以左眼为例)1(x上,y上), and Gesture Recongnition, 1996: 230-235 B(x下,y下),在用本算法得到的人眼精确定位图8中找到上、间6 Zhu w, Fujimura K K,iQ.Rel- time eye detection and track 下眼脸极值点的计算位置A'1(x',y),B'下(x'下,yr),分别 ing under various light conditions[C]/Proceedings of ACM SIGCHI Symposium on Eye Tracking Research and Applications, New Or- 计算它们之间的欧氏距离d和d′,那么计算相对误差 leams,LA,USA,2002:139-144. d(eye=max( (10) [7] Liu x, Xu F, Fujimura K Real-time eye detection and tracking for driver observation under various light conditions[Cp/ Intelligent 242008,44(6) Computer Engineering and Applications计算机工程与应用 Vehicle Symposium, Versailles, france, 2001: 18-20 法光电工程,2007,4:44-48 [8 Bala J, De Jong K, Huang J, et al. Visual routine for eye detection [17] Hemige V Object-oriented design of the groupware layer for the using hybrid genetic archtectures[Cy/Backer E, Gelsema E Proceed- ecosystem information system[D]. University of Montana, 1995 ings of the 13th International Conference on Pattern Recognition. [18 Rose A, Perez M, Clements P Modechart toolset users guide, NML Los Alamitos: IEEE CS Press. 1996: 606-610 MRD5540-94-7427R . Austin: University of Texas at Austin, 1994 9] Feng G C, Yuen P C Multi cues eye detection on gray intensity [19] Keene S E A programmer's guide to object-oriented programming image[J l. Pattern Recognition, 2001, 34(5): 1003-1046 in common LISP. Boston Addison -Wesley Longman Publishin [10] Huang J, Li D, Shao X, et al. Pose discrimination and eye detec- Co Inc, 1988 tion using support vector machines(svms )[C]/Proceeding of NA-[20] Guo L, Tang Z S Specification and verification of the triple-mod TO-ASI on Face Recognition: From Theory to Application, 1998: ular redundancy fault-tolerant system[J] Journal of Software, 2003 528-536 14(1):28-35 [11] Wenming C, Hao F. Study of an algorithm for face pose adjustment [21] Michael J L, Budynek J, Kamatsu S A Automatic classification of based on eye location Cy/Proceedings of the 5th World Congress on single facial images[JIEEE Transactions on Pattern Analysis and Intelligent Vontrol and Automation. 2004: 4190-4194. Machine Intelligence, 1999, 21(12): 1357-1362 [ 12] Wang Jian-gang, Sung E, Venkateswarlu R Eye gaze estimation from [22 Schutze H Dimensions of meaningICOL/Whitelock P. Proc of the a single image of one eye[ C]/Proceedings of the 9th IEEE Inter- Supercomputing92, Los Alamitos, 1992: 787-796 ftp: //parcftp parc ational Conference on Computer Vision Nice, France, 2003: 136-143 xerox. com/pub/qca/papers/. 13]王天擎,邢桂芬,江波基于区域分割的复杂背景中人脸检测于定[23]Wangⅹw. Research on quality-of- service management and group 位肌计算机工程与设计,2004,11:2090-2092 communication mechanisms in distributed multimedia systems DI [14 Sun Xing-hua, Chen Guo-yong, Zhao Chun-xia, et al. Gaze estimation Shenyang: Northeastern University, 1998 of human eye based on hough transform and gradient information[[24]张杰,杨晓飞,赵瑞莲基于 Hough变换圆检测的人眼精确定位方 Journal of Chinese Computer Systems, 2007,6: 1123-1128 去J计算机工程与应用,2005,41(27):43-4 5]钟威,刘智明周激流.人脸检测中眼睛精确定位的硏究卬计算机[5王丽萍,武姸.基于投影直方图和神经网络的人眼定位算法,人工 工程与应用,2004,4036):73-76. 神经网络与自然计算研究进展[M]合肥:合肥工业大学出版社 「16]向桂山,王宣银,梁冬泰基于人脸肤色和特征的实时检测跟踪算 2004:658-661 (上接8页) 参考文献 2.24降低降载所产生的代价 [1] Babcock B, Datar M, Motwani R Load shedding for aggregation 降载所产生的代价主要包括两个方面,一是由于周期性的 queries over data streams[C/20th International Conference on Data 估计系统负载而引起的代价,另一个是对所有non- active的降 Engineering, 2004: 350-361 载器分配所引起的开销。对于第一种情况所产生的开销,在输21 Tatbul N, Cetintemel U, Zdonik s, et al. Load shedding in a data 入速率比较稳定,且先前对系统负载的估计值与系统所能承受 stream manager [ Cp/Proc of the 29th International Conference on 的负载之间有很大的差距时,可以通过延长周期长度来减小开 Very Large Data Bases( VLDB ) September 2003 [3] Yun Chi, Wang Hai-xun, Yu P SLoadstar: load shedding in data 销。因此,当系统负载比较稳定时候或者系统本身负载不大,这 stream mining c/vLDB 2005, 2005 1303-1305 种所引起的费用是很小的。 [4 Viglas S, Naughton J Rate-based query optimization for streaming 为了减少由分配降载器所引起的开销,必须减少系统中降 information sources[ C/Proc of SIGMOD, 2002: 37-48 载器的数目。另外还要注意的是:使用降载器,其系统的获得应[5] Jiang Qing-chun, Chakravarthy S. Load shedding in a data stream 大于其损失,即单位时间内获得的周期数应大于卸载操作符本 management system eb/ol-2007-02 .httP: //berlin. uta edu/-qingchun/ 身的代价。 apers/LoadShedding. pdf I6 Golab L, Ozsu M T Processing sliding window Imlulli-joinis in col 3结束语 tinuous queries over data streams[Cy/Freytag J C, Lockemann P C Abiteboul S Proc of the 29th Int'I Conf on Very Large Data 降载技术最关键问题就是在何时、何处卸载以及丢弃多少 Bases. Berlin: Morgan Kaufmann Publishers, 2003: 500-511 负载。是使系统的输岀速率最大,或者是对答案的精确度影响7] Aynur r, Hellerstein J Eddies: ontinuously adaptive query process 最小。本文对降载技术中系统负载估计、降载器的最佳的放置 ing C/Proc ACM Int Conf on Management of Data, 2000: 261-272 位置、降载量的大小、降载器合并等关键问题进行了讨论。 8]王金栋,周良,张磊,等基于分枝路径分析的连续查询降载算法J 降载策略除了可以分为随机降载和语义降载两种之外,还 应用科学学报,2007,25(1):63-67 可分为基于CPU速率的降载策略和基于内存的降载策略,但9 Chandrasekaran S, Franklin M J Streaming queries over streaming 是已有的工作很少考虑这两种资源都不足的情况下的降载策 data[C/Proc Int Conf on Very Large Data Bases, 2002: 203-214 略。如何在CPU和内存资源不足的情况下,采取适当的降载策[10韩东红,王国仁数据流系统中卸载技术研究综述J计算机科学, 2005,32(8):102-105 略,尽可能减少由降载所引入的误差,从而使系统具有良好的 [11] Tatbul N QoS-driven load shedding on data streams[CV/LNCS 2490 适应性,这也是下·步研究所要考虑的。除此之外,卸载问题涉 EDBT 2002 Workshops, 2002: 566-57 及到降载算法、聚集査询、连接査询等。由于篇幅所限,卸载的口2]林钦仙林锦贤.数据流滑动窗口连接的自适应降载策略EBO 关键技术的细节将在下一篇文章讨论。 中国科技论文在线http://www.paper.edu.cn

...展开详情
试读 5P 论文研究-驾驶员疲劳驾驶中的眼睛定位创新算法.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_38744375 如果觉得有用,不妨留言支持一下
    2019-09-12
    • 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-驾驶员疲劳驾驶中的眼睛定位创新算法.pdf 37积分/C币 立即下载
    1/5
    论文研究-驾驶员疲劳驾驶中的眼睛定位创新算法.pdf第1页
    论文研究-驾驶员疲劳驾驶中的眼睛定位创新算法.pdf第2页

    试读已结束,剩余3页未读...

    37积分/C币 立即下载 >