[发明专利]一种多姿态下的疲劳及非正常姿态驾驶检测方法

权利要求书

1.一种多姿态下的疲劳及非正常姿态驾驶检测方法，其特征在于，包括：

步骤1：图像采集，采集驾驶员图像信息；

步骤2：图像识别，对采集到的图像进行实时人脸检测；

步骤3：面部特征点标定，包括：对检测到的人脸进行眼睛和嘴巴的特征点标定；

步骤4：眼睛和嘴巴状态判断，包括：对特征点采用基于面部宽度信息的眼睛状态检测方法分析人眼与嘴巴的闭合状态；

步骤5：头部三维姿态检测，包括：利用几何特征对头部三维姿态进行检测；

步骤6：疲劳及非正常姿态驾驶状态判断，包括：根据人眼与嘴巴的闭合状态判断驾驶员是否处于疲劳，并根据头部三维姿态判断驾驶员是否处于非正常驾驶状态。

2.根据权利要求1所述的多姿态下的疲劳及非正常姿态驾驶检测方法，其特征在于，步骤2中，包括：采用统计分析与机器学习的方法归纳出人脸样本与非脸样本各自的统计特征；

构建区分各自特征的分类器，用分类器实现人脸定位检测。

3.根据权利要求2所述的多姿态下的疲劳及非正常姿态驾驶检测方法，其特征在于，使用AdaBoost算法检测出人脸位置。

4.根据权利要求1所述的多姿态下的疲劳及非正常姿态驾驶检测方法，其特征在于，步骤3中，采用监督梯度下降法进行面部特征点标定，监督梯度下降法主要分为训练和检测两个环节；

训练部分在系统运行之前进行操作与计算，并获得人脸特征点定位部分的回归迭代参数，以实现对人脸中眼睛、鼻子、嘴巴特征点进行定位，包括：

对所有训练库中的人脸图像手工标记眼睛嘴巴鼻子等特征点，并得到一个平均脸；

求出平均脸的扰动参数，即缩放和平移的均值和标准差，针对每一幅图像以该均值和标准差做高斯分布采样，得到特征值点的训练初始值x₀，并计算所有初值点的sift特征φ₀，

通过公式(1)即可求出特征值点的梯度下降方向及其偏差因子，其中，{dⁱ}训练库中的人脸图像集，是人脸图像集中所有手工标记的特征点真值。是训练特征值点xⁱ和真值点间的差值矩阵，φⁱ是特征值点的sift特征，R是梯度下降方向，b是偏差因子，k表示迭代次数；

arg minRk,bkΣdiΣxki||Δx*ki-Rkφki-bk||2---(1)]]>

通过公式(2)对每一幅人脸图像中的特征点x进行更新，并重新计算更新后特征点的sift特征，

x_k＝x_k-1+R_k-1φ_k-1+b_k-1   (2)

最后，对公式1和公式2进行迭代求解，特征值点x_k收敛于真值点x_*，此时训练结束，最终求得的每次迭代过程当中的梯度下降方向R_k和偏差因子b_k即检测所需要的回归迭代参数。