[发明专利]基于面部视频特征的疲劳驾驶检测方法

权利要求书

1.基于面部视频特征的疲劳驾驶检测方法，其特征在于，包括以下步骤：

S1：采集人脸视频图像，对图像进行预处理；

S2：采用基于Haar特征的级联Adaboost人脸检测算法对人脸图像进行检测；

S3：利用Gabor滤波器增强面部局部特征的边缘信息，准确定位眼睛和嘴部；

S4：采用一种旋转不变的LBP金字塔特征对眼睛进行特征描述，训练线性SVM分类器判别眼睛的开闭状态；

S5：根据嘴部二值图像的张开面积及宽高比判断嘴部的开闭状态；

S6：采用多模态特征的距离测度学习算法判别驾驶员整体面部的疲劳表情；

S7：根据眼睛和嘴部的状态以及疲劳表情，计算出四个能够描述驾驶员状态的疲劳参数，利用模糊系统融合推理得出驾驶员的疲劳状态，并根据推理结果予以不同的预警措施。

2.根据权利要求1所述的疲劳驾驶检测方法，其特征在于，所述基于Haar特征的级联Adaboost人脸检测算法具体方法如下：

S2-1：对样本进行图像增强处理，将所有的样本转换到同一个亮度区间内；

S2-2：对人脸样本和非人脸样本提取Haar特征，再结合Adaboost算法训练一个人脸分类器；

S2-3：对于系统输入的图像，进行简单的预处理，然后就加载之前训练的好人脸分类器，再基于滑动窗口法在图片上搜索人脸。

3.根据权利要求1所述的疲劳驾驶检测方法，其特征在于，步骤S4中眼睛的开闭状态的判别方法如下：

1)采用的训练样本大小均为80*20，首先在原图像(80*20)上提取一次LBP特征作为金字塔的第一层；

2)然后采用高斯滤波器对图像平滑滤波，再对图像降采样缩放到40*10，再对图像提取一次LBP特征作为金字塔的第二层；

3)类似地，对上一层的图像作类似处理，再提取LBP特征作为金字塔的第三层；

4)最后，组合三个部分的特征，作为最后的描述特征，然后再通过SVM训练一个能够判断眼睛的状态的线性分类器。

4.根据权利要求1所述的疲劳驾驶检测方法，其特征在于，步骤S5中嘴部的开闭状态的判别方法如下：

1)当嘴部的二值图像的像素个数小于T1时，将其判断为闭合状态；

2)对于大于此阈值的样本，再根据其嘴部二值图像的长宽比来进一步判断，如果长宽比大于T2时，依然判断它是闭合状态，反之被判断是张开的。

5.根据权利要求1所述的疲劳驾驶检测方法，其特征在于，步骤S6中所述多模态特征的距离测度学习算法具体如下：

1)对训练样本提取多种特征，再分别对每种特征求测度矩阵M；

2)计算测试样本在该测度下与所有训练样本的距离，计算公式如下所示；

其中，z_i(i-1,2,...,N)表示训练样本，z表示测试样本，k表示提取的特征的种类，M_k表示该种特征对应的测度矩阵；

2)求其所有测度下的平均距离作为KNN分类器分类的依据，如果KNN分类器的近邻元素变量n＝5，则根据与之最近的五个样本的类别投票判断测试样本的类别，如果最近的五个样本有三个或三个以上的样本为疲劳，则判断该测试样本为疲劳状态，反之为正常状态。