[发明专利]基于区域最匹配特征点的头部状态监测方法

说明书

本发明公开了一种基于区域最匹配特征点的头部状态监测方法，本方法包括如下步骤：步骤1、采集红外视频帧并进行人脸检测；步骤2、在最大人脸框的基础上规划特征点检测区域；步骤3、选取正确头部状态时的人脸作为模板，提取模板检测区域的所有SURF特征点；步骤4、提取监测帧检测区域的SURF特征点，选出与模板最匹配的三对特征点；步骤5、通过最匹配的三对特征点的位置信息判断监测帧的头部状态。其特征在于：1）实时性好，仅需单帧红外图像，仅采用三对最匹配特征点进行计算，降低了算法的复杂度；2）可靠性高，规划特征点检测区域可以减少误匹配，提取三对最匹配特征点可避免单一匹配带来的随机性，并有效避免特征点丢失的情况。

技术领域

本发明属于计算机视觉领域，特别涉及一种基于区域最匹配特征点的头部状态监测方法。

背景技术

随着计算机视觉技术的发展，智能视频监控技术可逐步实现汽车辅助驾驶的应用，疲劳驾驶的监测是行车辅助驾驶系统的重要部分，引起了国内外众多研究机构和人员的广泛关注，并已取得部分研究成果。比如比亚迪装备的“疲劳驾驶预警系统”、大众汽车的“疲劳识别系统”、奔驰“注意力辅助系统”、沃尔沃“驾驶员安全警告系统”。这些疲劳监测方法总体分为两种：（1）通过摄像头基于机器视觉监测人的面部、表情、行为等活动；（2）通过传感器监测驾驶员的心率、车的行驶路线等参数。但在实际的测试和使用过程中，暴露出诸如漏检率和误检率过高、对环境的适应性差、实时性不足等问题，难以满足实际的需求，因此对其进一步的研究具有重要意义。

在疲劳驾驶的监测中，对驾驶员的行为监测是一个很重要的参考指标。驾驶员长时间的偏头、低头等不正确状态会造成对路况判断不全面，容易导致交通事故的发生。头部状态的监测可用于监测驾驶员的注意力是否集中，对保障行车安全具有重要的作用。

目前基于视频对驾驶员行为的监测有以下几种方法：贝叶斯分类器方法、神经网络方法、结合运动目标的投影信息的PCA方法、肤色模型方法等。贝叶斯分类器及神经网络的方法样本需求量大，样本量及样本代表性对识别准确度的影响很大，且达不到实时更新的要求；PCA方法及肤色模型等方法也存在识别准确度不够高、实时性不好、算法复杂、鲁棒性及适应性不够好的问题。

发明内容

为了实时可靠地监测驾驶员的头部状态，本发明提出了一种基于区域最匹配特征点的头部状态监测方法，该方法基于主动红外视频，在人脸检测的基础上规划出头部的检测区域，实时提取检测区域的SURF特征点，然后与正确头部状态下的人脸（模板）检测区域中的SURF特征点做匹配，并选出三对最匹配的SURF特征点，根据它们之间的位置关系建立一种判别头部状态正确与否的方法，判别的可靠性高，速度能满足实时性要求。

本发明的技术解决方案包括如下步骤：

步骤1、采集红外视频帧，利用AdaBoost算法进行人脸检测，提取最大人脸框；

步骤2、在最大人脸框的基础上进行特征点检测区域的规划，排除大部分干扰信息，得到所需的重点检测区域；

步骤3、选取正确头部状态时的人脸作为模板，提取模板检测区域的所有SURF特征点；

步骤4、提取监测帧检测区域的SURF特征点，选出与模板最匹配的三对特征点；

步骤5、通过最匹配的三对特征点的位置信息判断监测帧的头部状态。

步骤1中的红外视频相对于可见光视频受光照的影响较小。在相同条件下，红外视频的特征点少于可见光视频，因此特征点间的匹配次数减少，有利于提高计算速度。