[发明专利]一种基于RGB-I的昼夜行车驾驶人员人脸实时检测方法

摘要

本发明公开了一种基于RGB‑I的昼夜行车驾驶人员人脸实时检测方法，包括模型训练的步骤和驾驶员脸部识别的步骤；模型训练的步骤包括：S1，驾驶员人脸库的预处理：将驾驶员人脸图片分成两组大小分别为40*40和28*28，之后进行灰度化；S2，建立基于RGB图像训练的R‑Convnet模型和基于Infrared图像训练的I‑Convnet模型，R‑Convnet模型分为R40‑Convnet模型和R28‑Convnet模型，I‑Convnet模型分为I40‑Convnet模型、I28‑Convnet模型，4种Convnet模型是在CNN的基础上去掉全连接层得到；驾驶员脸部识别的步骤包括：S3，利用RGB摄像头、Infrared摄像头分别在白天和夜间采集驾驶员图像；S4，白天用训练好的级联的R40‑Convnet模型、R28‑Convnet模型进行识别，夜间使用训练好的级联的I40‑Convnet模型、I28‑Convnet模型进行识别。本发明提高了在夜间或者恶劣驾驶环境下，驾驶员脸部检测的时间和精度。

主权项

1.一种基于RGB-I的昼夜行车驾驶人员人脸实时检测方法，其特征在于，包括模型训练的步骤和驾驶员脸部识别的步骤；/n所述模型训练的步骤包括：/nS1，驾驶员人脸库的预处理；/nS2，建立基于RGB图像训练的R-Convnet模型和基于Infrared图像训练的I-Convnet模型；/n所述驾驶员脸部识别的步骤包括：/nS3，运用RGB-Infrared摄像头获取昼夜的驾驶员图像，在白天，实时获取驾驶员的RGB图像，在夜间实时获取驾驶员的Infrared图像；/nS4，在白天使用训练好的R-Convnet模型进行识别，在夜间则使用训练好的I-Convnet模型进行识别；所述R-Convnet模型为级联的R40-Convnet模型和R28-Convnet模型；所述I-Convnet模型为级联的I40-Convnet模型和I28-Convnet模型；/n所述步骤S1中预处理包括驾驶员的RGB人脸库预处理和驾驶员的Infrared人脸库预处理；/n所述驾驶员的RGB人脸库预处理包括：将驾驶员人脸的RGB人脸图片分成两组：一组将图片的大小调整为40*40，之后进行灰度化；另一组将图片大小调整为28*28，之后进行灰度化；/n所述驾驶员的Infrared人脸库预处理包括：将驾驶员人脸的Infrared人脸图片分成两组：一组将图片的大小调整为40*40，之后进行灰度化存；另一组将图片大小调整为28*28，之后进行灰度化；/n所述步骤S2中所述的R40-Convnet模型的训练方法为：首先对Convnet检测器进行参数设置，其中卷积核大小分别为5*5和3*3，卷积核数量为2和5，学习效率为0.01，batch大小为200，训练次数为100，之后将步骤S1预处理得到的RGB人脸图片输入到Convnet检测器中，达到训练次数，得到R40-Convnet模型；/n所述R28-Convnet模型的训练方法为：首先对Convnet检测器进行参数设置，其中卷积核大小分别为5*5和3*3，卷积核数量为3和2，学习效率为0.01，batch大小为100，训练次数为50，之后将S1预处理得到的RGB人脸图片输入到Convnet检测器中，达到训练次数，得到R28-Convnet模型；/n所述步骤S2中所述的I40-Convnet模型的训练方法为：首先对Convnet检测器进行参数设置，其中卷积核大小分别为5*5和3*3，卷积核数量为2和5，学习效率为0.01，batch大小为200，训练次数为100，之后将步骤S2预处理得到的Infrared人脸图片输入到Convnet检测器中，达到训练次数，得到I40-Convnet模型；/n所述I28-Convnet模型的训练方法为：首先对Convnet检测器进行参数设置，其中卷积核大小分别为5*5和3*3，卷积核数量为3和2，学习效率为0.01，batch大小为100，训练次数为50，之后将步骤S2预处理得到的Infrared人脸图片输入到Convnet检测器中，达到训练次数，得到I28-Convnet模型；/n所述的Convnet检测器是在CNN基础上去掉了全连接层得到的；/n所述步骤S4的实现包括：/n在白天，对RGB视频中的每一帧，用40*40的窗口滑动，步长为2，滑动窗口得到的图像输入到R40-Convnet模型进行检测是否人脸，如果是人脸，则调整该图像的大小为28*28，输入到下一个级联的R28-Convnet模型，如果判定还是人脸，则保存此刻窗口的位置，否则不保存，接下来继续滑动窗口，直至检测完整张测试图片后，对图片以0.8的比例进行缩放，重复以上步骤，直到图片小于40*40截止；此时，人脸位置处重叠了很多窗口，通过非极大值抑制算法将其校准为一个窗口，即可得到驾驶员人脸；/n在夜间，对Infrared视频中的每一帧，用40*40的窗口滑动，步长为2，滑动窗口得到的图像输入到I40-Convnet模型进行检测是否人脸，如果是人脸则调整该图像的大小为28*28继续输入到下一个I28-Convnet模型，如果是人脸，则保存此刻窗口的位置，否则不保存，接下来继续滑动窗口，直至检测完整张测试图片后，对图片以0.8的比例进行缩放，重复以上步骤，直到图片小于40*40截止；此时，人脸位置处重叠了很多窗口，通过非极大值抑制算法将其校准为一个窗口，即可得到驾驶员人脸。/n