[发明专利]利用相对覆盖元约简进行人脸疲劳状态识别的方法及系统

说明书

技术领域

本发明涉及图像识别技术领域，具体涉及人脸疲劳状态识别的系统及方法。

背景技术

在很多实际应用问题中，往往需要根据以往的经验对一个事物(通常称为样本)作出一个正确的判断，当对此问题空间中样本的真实分布特点无法全面了解，或者说所拥有的样本数目并不充分的时候，抑或所面临的问题是一个高维稀疏的样本空间中的分类问题时等等，在上述这些情形下，一般要解决两个问题，一是要对样本进行特征提取和表示，第二依据一定的原则来对新的样本进行分类。最近邻分类器和k-近邻分类器是解决此类问题的有效办法，但这两种方法的缺点是决策过程需要与全部带标签样本进行逐一距离计算后才能做出决策，计算量大，导致分类速度慢。C4.5决策树分类器也是一个有效办法，但提取规则数量较多，泛化性能受到影响，而基于支持向量机的分类方法训练过程比较复杂。人脸疲劳表情的识别就属于这样的问题，构造与此高维稀疏样本空间相适应的分类方法是解决此类问题的关键。

粗糙集先天具有对于目标问题强大的逼近能力，目前被广泛应用在机器学习与数据挖掘领域当中。上世纪80年代，波兰著名学者Pawlak提出了粗糙集理论，并利用该理论成功解决了名义数据的属性约简以及规则学习问题。但Pawlak的理论框架并不能适用于数值数据，更不能处理包含名义数据、数值数据以及模糊数据的复杂情况。经过十几年的发展，粗糙集理论及其应用取得了长足的发展，在处理不完备和不一致数据上，粗糙集理论成为一种强大且重要的工具。早期Pawlak粗糙集模型中的等价关系也逐步进化出相似关系、邻域关系和优势关系。这些关系所诱导出来的子集族本质上构成了对于论域的覆盖，而不再是划分。因此，这些模型也被纳入覆盖粗糙集的范畴。并且相关模型被提出并用来模拟人类某种方式的推理和决策过程。

覆盖粗糙集约简方法可以分为两大类：一类称为覆盖族约简，另一类称为覆盖元约简。覆盖族约简是要通过对一族覆盖的约简达到特征选择的目的，而覆盖元约简则是为了寻找对象的最小描述。基于覆盖元约简的方法一直都没有把决策属性考虑进来，仅是从保持覆盖近似空间的区分能力方面来加以考虑进行研究与应用。这样，就无从利用覆盖元约简的角度来构造分类器。本发明则利用决策属性(样本标签)作为指导，提出了一种行之有效的基于粗糙集覆盖元约简的分类器构造方法，可以广泛用于各种实际分类任务中，并且特别适合像人脸疲劳表情识别这类高维稀疏样本空间的分类问题。

粒化和逼近是粗糙集理论体系的两个核心支撑。从认知的角度来说，粒化是形成概念的抽象过程，而逼近则是认知的推理过程。因此，粗糙集在对于问题域进行细致刻画以及构造分类器方面理应具有显著的优势，但是，一直以来都没有办法独立基于粗糙集相关理论来创建分类器，自然也无从利用粗糙集的上述优势形成相应的分类器实现一个人脸疲劳表情识别装置。

发明内容

本发明为了解决利用现有技术进行人脸疲劳表情识别存在的计算量大或规则多的问题以及目前无法通过覆盖元约简进行人脸疲劳表情识别的问题。

利用相对覆盖元约简进行人脸疲劳状态识别的方法，包括以下步骤：

一、训练一个相对覆盖元分类器：

步骤1、获取视频摄录装置中视频图像的人脸视频帧；

步骤2、检测出每幅人脸视频帧中人脸核心区域；

步骤3、提取人脸核心区域的特征；

步骤4、基于每幅人脸视频帧中人脸的状态，对每帧图像进行类别标注；

步骤5、将人脸核心区域的特征结合对应的标注形成带标签的训练样本，并构成训练样本集合；

步骤6、对训练样本集合中每一个样本生成一个邻域覆盖元，并对邻域覆盖元所覆盖的样本进行计数；

以当前样本到最近异类样本的欧氏距离减去当前样本到最近同类样本的欧氏距离作为当前样本的覆盖元半径，如果此覆盖元半径小于0则置此覆盖元半径为0；或者采用当前样本到最近异类样本的距离作为当前样本的覆盖元半径；

步骤7、保留覆盖元半径大于0的邻域覆盖元，并记录半径大于0的邻域覆盖元的总数H；

步骤8、从所有邻域覆盖元中找到一个包含样本数目最多的邻域覆盖元产生规则(x_k,r(x_k),y)并加入规则集R中；

其中，表示样本x_k的邻域覆盖元(x_k,r(x_k),y)表示进行分类的规则；r(x_k)表示样本x_k的覆盖元半径；y是决策类别，表示人脸是否为疲劳状态；