[发明专利]一种基于显著性检测的SVM模型工人疲劳精准判别方法

说明书

本发明公开了一种基于显著性检测的SVM模型工人疲劳精准判别方法，涉及疲劳判别技术领域该方法包括：利用FT显著性检测方法分别对正训练样本和负样本进行检测，若显著性区域面积不足整幅图像的1/4，直接将样本予以删除，反之则予以保留；分别对保留的正训练样本及负训练样本进行SIFT特征提取；利用SVM模型对表征后的训练样本进行训练，得到疲劳决策模型；利用疲劳决策模型对待检测图像进行分数判别；这样的方法，利用了显著性检测挑选了更加精良的训练样本，工人疲劳检测模型的鲁棒性和精度都会得到显著提升；充分考虑了SVM模型边缘结果判断不精准的问题，利用K‑means模型有针对性地解决了边缘结果判断不精准的问题，从而有效地提升了工人疲劳检测的精度。

技术领域

本发明涉及疲劳判别技术领域，具体而言，涉及一种基于显著性检测的SVM模型工人疲劳精准判别方法。

背景技术

在工作节奏较快的现代社会，很多工作人员短时间内往往需要完成大量的工作。在工作的过程中，极易产生过度疲劳的现象。过度疲劳的工作人员往往会出现工作效率低下、出错频率较高甚至引发严重的疾病。如果我们可以利用采集到的工人脸部图像对工人进行疲劳判别有很好的实际应用价值，它往往可以较好地对疲劳工作人员进行预警，让他们及时休息，更合理地配置工人资源。

针对上述问题，传统的方法往往依赖于多幅图像甚至是一段视频，不能够对单幅图像有很好的判别效果，漏检、错检是经常出现的情况，会直接产生较为严重的后果。因此，如何建立一个基于单幅图像的工人疲劳判别方法，能够较为精准地判别工人是否疲劳是一项非常有意义且亟待解决的工作。

发明内容

为了克服上述问题或者至少部分地解决上述问题，本发明实施例提供一种基于显著性检测的SVM模型工人疲劳精准判别方法，能够较为精准地判别工人是否疲劳。

本发明的实施例是这样实现的：

一种基于显著性检测的SVM模型工人疲劳精准判别方法，包括以下步骤：

选取多个非疲劳工人的面部图像作为正训练样本，选取多个疲劳工人的面部图像作为负训练样本；

利用FT显著性检测方法分别对正训练样本和负样本进行检测，若显著性区域面积不足整幅图像的1/4，直接将样本予以删除，反之则予以保留；

分别对保留的正训练样本及负训练样本进行SIFT特征提取，从而实现对图像的表征，得到待检测图像；

利用SVM模型对表征后的训练样本进行训练，得到疲劳决策模型；

利用疲劳决策模型对待检测图像进行分数判别；

当基于SVM模型的得分超过预设值时，将其判定为非疲劳图像；

当基于SVM模型的得分低于预设值，将其判定为疲劳图像；

当基于SVM模型的得分在预设值边缘时，利用K-means聚类算法进行二次判定。

这样的方法，利用了显著性检测挑选了更加精良的训练样本，工人疲劳检测模型的鲁棒性和精度都会得到显著提升；充分考虑了SVM模型边缘结果判断不精准的问题，利用K-means模型有针对性地解决了边缘结果判断不精准的问题，从而有效地提升了工人疲劳检测的精度。

在本发明的一些实施例中，利用K-means聚类算法进行二次判定的步骤包括：

将得分在预设值边缘的待检测图像、多个正样本、多个负样本放入一起；

随机选取2个初始聚类中心；

计算每个样本到各聚类中心的距离，将每个样本归到其距离最近的聚类中心；

对每个簇，以所有样本的均值作为该簇新的聚类中心；

重复上述步骤,直到聚类中心不再变化或不显著变化；

若得分在预设值边缘的待检测图像被聚类为正样本类别，将其判定为非疲劳图像；

若得分在边缘部分的待检测图像被聚类为负样本类别，将其判定为疲劳图像。