一种抗眼镜墨镜干扰的鲁棒性疲劳驾驶检测方法(方案3)

1发明名称一种抗眼镜/墨镜干扰的鲁棒性疲劳驾驶检测方法摘要本发明公开了一种抗眼镜/墨镜干扰的鲁棒性疲劳驾驶检测方法，包括：利用各种眼镜及墨镜鼻架结构相似性所设计的特征分类器；在驾驶员面部区域中使用该特征分类器对图像进行分析，当驾驶员佩戴眼镜/墨镜时获取两镜框连接处鼻架结构图像区域，当驾驶员未佩戴眼镜/墨镜时则不获取任何搜索结果；当获取鼻架图像区域时，根据经验公式，通过平移缩放操作获取眼睛所在矩形区域，继而对驾驶员眼睛闭合状态与疲劳状态进行检测；当未获取该图像区域时，则通过人眼分类器在驾驶员面部区域内直接搜索眼睛区域，继而对驾驶员眼睛闭合状态与疲劳状态进行检测。本发明利用了不同眼镜/墨镜框架结构上的共同点，采用分类和间接方式进行人眼区域的搜索与定位，克服了传统的基于机器视觉的人眼搜索方法中直接搜索人眼操作极易受到眼镜/墨镜等物体干扰的缺陷，因此具有更好的适应性。210采集驾驶员头部图像定位鼻架/鼻梁区域220221230头部图像旋转预处理定位驾驶员面部区域222定位眼睛区域鼻架区域几何变换眼睛闭合状态检测对眼睛闭合状态进行统计，判断驾驶员是否处于疲劳状态240250260直接检测眼睛区域241242若搜索到鼻架区域若搜索到鼻架区域若未搜索到鼻架区域面部区域获取单元2权利要求书1.一种抗眼镜/墨镜干扰的鲁棒性疲劳驾驶检测方法，其特征在于包括：利用各种眼镜及墨镜鼻架结构相似性所设计的特征分类器；在驾驶员面部区域中使用该特征分类器对图像进行分析，当驾驶员佩戴眼镜/墨镜时获取两镜框连接处鼻架结构图像区域，当驾驶员未佩戴眼镜/墨镜时则不获取任何搜索结果；根据该特征分类器的检测结果，按照两种不同方案进行人眼区域的搜索。2．如权利要求1所述的方法，其特征在于，所述特征分类器利用了各种眼镜/墨镜框架结构上的相似性而设计、训练，将各种眼镜/墨镜框架中的两镜框连接处鼻架结构图像列入正样本训练集，同时将未戴眼镜/墨镜时同区域下鼻梁图像列入负样本训练集。3.如权利要求2所述的方法，其特征在于，对于获得的驾驶员面部图像区域，采用所述特征分类器对面部图像进行遍历分析，当驾驶员佩戴眼镜/墨镜时获取两镜框连接处鼻架结构图像区域，当驾驶员未佩戴眼镜/墨镜时则不获取任何图像区域；4.如权利要求3所述的方法，特征在于，当获取鼻架图像区域时，根据经验公式，通过平移缩放操作获取眼睛所在矩形区域，继而对驾驶员眼睛闭合状态与疲劳状态进行检测；当未获取任何图像区域时，则通过人眼分类器在驾驶员面部区域内直接搜索眼睛区域，继而对驾驶员眼睛闭合状态与疲劳状态进行检测。所述平移缩放操作所用参数来自于大量实际测试，具有较高的统计有效性。所述人眼分类器采用未戴眼镜/墨镜情况下人眼图像样本训练而成，对于未戴眼镜/墨镜的人眼区域具有很高的搜索准确度。3说明书一种抗眼镜/墨镜干扰的鲁棒性疲劳驾驶检测方法技术领域[0001]本发明涉及车辆的安全驾驶技术领域，尤其涉及疲劳驾驶的监控技术领域。背景技术[0002]先进汽车安全技术的发展方向是主动安全技术，即通过对驾驶员和车辆以及周边环境的检测，提前判断可能的危险，并采取措施预防。而驾驶员疲劳驾驶预警技术就是一种典型的主动安全技术。驾驶员处于疲劳状态时，对周围环境的感知能力、形势判断能力和对车辆的操控能力都有不同程度的下降，容易发生交通事故。因此，研究开发高性能的驾驶员注意力实时监测及预警技术，能够有效减少疲劳驾驶等行为带来的隐患，从而达到保障驾驶员人生安全和周边相关人员安全的目的。[0003]以驾驶员的眼部为检测对象的疲劳驾驶预警技术，其主要通过检测驾驶员眼睛状态来判断注意力不集中的程度，一般采用摄像头进行脸部和眼部图像采集，再通过图像分析、建模，确立眼部状态。其中一项重要环节就是驾驶员眼睛的鲁棒性定位。[0004]目前的疲劳监控方法多是通过准确定位眼睛所在区域，判断眼睛状态来判断驾驶员是否闭眼，这种方法的一个重要问题在于：对于面部无任何附加物体的驾驶员，传统的基于机器视觉的眼睛检测及定位方法虽然能够较好地工作，但是在保证低误报率的条件下，对于佩戴各种不同样式眼镜/墨镜的驾驶员，眼睛的精确定位受到了极大的干扰，从而使得眼部状态的检测结果失去有效性。[0005]由于以上缺陷，传统的基于机器视觉的疲劳监控方法在实际使用中存在着很明显的局限性，难以达到较好的鲁棒性要求。发明內容[0006]本发明要解决的主要技术问题是，提供一种能够抗眼镜/墨镜干扰的鲁棒性疲劳驾驶检测方法。[0007]根据本发明的一方面，提供一种疲劳驾驶检测方法，包括：[0008]在摄像头拍摄的驾驶员头部图像中使用矩形特征模板对图像进行分析，获取驾驶员面部图像区域；4[0009]在驾驶员面部图像区域使用矩形特征模板对面部区域进行分析，当驾驶员佩戴眼镜/墨镜时获取两镜框连接处鼻架结构图像区域，当驾驶员未佩戴眼镜/墨镜时则不获取任何图像区域；[0010]若搜索获取了鼻架结构图像区域，则根据经验公式，通过平移缩放等几何操作，得到驾驶员眼睛的图像区域；若未获取任何搜索结果，则在面部区域使用人眼特征模板进行分析，获得驾驶员眼睛的图像区域；[0011]用于对眼睛的闭合状态进行判断；[0012]对眼睛的闭合状态进行统计，根据统计结果判断驾驶员是否处于疲劳状态。[0013]根据本发明的另一方面，提供一种疲劳驾驶检测装置，包括：[0014]图像采集模块，利用摄像头拍摄驾驶员头部视频；[0015]面部区域获取模块，用于在摄像头拍摄的驾驶员头部图像中使用矩形特征模板对图像进行分析，获取最佳驾驶员面部图像区域；[0016]鼻架/鼻梁区域获取模块，用于在驾驶员面部图像区域使用矩形特征模板对面部区域进行分析，当驾驶员佩戴眼镜/墨镜时获取两镜框连接处鼻架结构图像区域，当驾驶员未佩戴眼镜/墨镜时则不获取任何图像区域；[0017]眼睛区域获取模块，其中眼睛区域获取单元1用于根据经验公式，通过平移缩放等几何操作，得到驾驶员眼睛的图像区域；眼睛区域获取单元2用于在面部区域使用人眼特征模板进行分析，获得驾驶员眼睛的图像区域；[0018]眼睛状态判断模块，用于对眼睛的闭合状态进行判断；[0019]疲劳状态判断模块，用于对眼睛闭合状态进行统计，根据统计结果判断驾驶员是否处于疲劳状态。[0020]在一种实施例中，疲劳驾驶检测装置还包括图像旋转模块，所述图像旋转模块用于对摄像头拍摄原始视频图像进行二维旋转处理，配合驾驶员面部区域获取模块进行工作，可以获得竖直姿态下驾驶员的面部图像，有效减少驾驶员因头部偏斜导致的检测错误；[0021]本发明使用矩形特征模板对驾驶员面部区域进行扫描，当驾驶员佩戴眼镜/墨镜时获取两镜框连接处鼻架结构图像区域，当驾驶员未佩戴眼镜/墨镜时不获取任何图像区域。若搜索获取了鼻架结构图像区域，则根据经验公式，通过平移缩放等几何操作，得到驾驶员眼睛的图像区域；若未获取任何搜索结果，则在面部区域使用人眼特征模板进5行分析，获得驾驶员眼睛的图像区域。本发明利用了各种眼镜/墨镜框架结构上的相似性，采用非直接方式进行人眼区域的搜索与定位，采用间接和分类方法搜索人眼区域，克服了传统的基于机器视觉的人眼搜索方法中直接搜索人眼操作极易受到眼镜/墨镜等物体干扰的缺陷，因此具有更好的适应性。附图说明[0022]图1为根据本发明的一种实施例中疲劳驾驶检测装置的结构示意图；[0023]图2为根据本发明的一种实施例中疲劳驾驶检测方法的流程图。具体实施方式[0024]下面结合附图和具体实例对本发明作进一步详细说明。[0025]请参考图1，在根据本发明的一种实施例中，通过图像采集模块110获得驾驶员头部图像。通过面部区域获取单元122在摄像头拍摄的驾驶员头部图像中使用矩形特征模板对图像进行分析，获取驾驶员面部图像区域；通过鼻架/鼻梁区域获取模块130在驾驶员面部图像区域使用矩形特征模板对面部区域进行分析，当驾驶员佩戴眼镜/墨镜时获取两镜框连接处鼻架结构图像区域，当驾驶员未佩戴眼镜/墨镜时则不获取任何图像区域；眼睛区域获取模块140中的眼睛区域获取单元141用于根据经验公式，通过平移缩放等几何操作，得到驾驶员眼睛的图像区域；眼睛区域获取单元142用于在面部区域使用人眼特征模板进行分析，获得驾驶员眼睛的图像区域；眼睛状态判断模块150用于对眼睛的闭合状态进行判断；在疲劳状态判断模块160中，则对眼睛的闭合状态进行统计，根据统计结果判断驾驶员是否处于疲劳状态。[0026]在另一实例中，添加图像旋转单元121与面部区域获取单元122共同组成面部区域获取模块120。图像旋转单元121用于对摄像头拍摄原始视频图像进行二维旋转处理，配合驾驶员面部区域获取单元122进行工作，可以获得竖直姿态下驾驶员的面部图像，有效减少驾驶员因头部偏斜导致的检测错误。[0027]如图2所示，基于以上疲劳驾驶检测装置的疲劳驾驶检测方法包括以下步骤：[0028]步骤210，采集驾驶员头部图像。例如采用安装在驾驶员签名或前下方的红外摄像头拍摄驾驶员的头部图像，得到驾驶员头部图像数据，然后执行步骤220。[0029]步骤220中的222，在头部图像中定位驾驶员的面部区域。可采用现有的各种定6位人脸区域的方案，本实施例中仅以举例方式说明一种检测面部区域的方法。例如，根据预先训练的人脸特征分类器定位人脸区域。在读取每帧视频图像后，根据人脸特征分类器文件中所记录的人脸Harr特征来分析脸部图像信息，然后再采用AdaBoost算法及相关人脸特征分类器对图像进行模式识别，对图像中的人脸区域进行标定。然后再人脸区域内根据鼻架/鼻梁所处的基本位置确定鼻架/鼻梁检测感兴趣区域，例如人脸区域的中上部分，以缩小搜索眼睛的检测范围，提高检测速度。确定感兴趣区域后转而执行步骤230。[0030]步骤230，在人脸区域中感兴趣区域中定位驾驶员的鼻架/鼻梁区域。可采用现有的各种物体检测方案，本实施例中仅以举例方式说明一种检测鼻架/鼻梁区域的方法。例如，根据预先训练的特征分类器定位鼻架/鼻梁区域。在读取每帧视频图像后，根据鼻架/鼻梁特征分类器文件中所记录的鼻架/鼻梁Harr特征来分析脸部图像信息，然后再采用AdaBoost算法及相关特征分类器对图像进行模式识别，对图像中的鼻架/鼻梁区域进行标定。该分类器在训练过程中将各种眼镜/墨镜鼻架同时列为训练正样本，将未戴眼镜/墨镜时同区域下鼻梁图像列入训练负样本，故当驾驶员佩戴眼镜/墨镜时获取两镜框连接处鼻架结构图像区域，当驾驶员未佩戴眼镜/墨镜时则不获取任何图像区域。[0031]步骤240，定位眼睛区域。若步骤230中获得了鼻架检测结果，则根据常识及大量试验获得的参数，在步骤241中将鼻梁/鼻架区域矩形通过平移缩放操作转换为眼睛所在的矩形区域；若230中未获得检测结果，则在步骤242中用人眼特征分类器直接在面部区域中搜索人眼区域。[0032]步骤250，根据眼睛矩形区域图像信息，判断眼睛开闭状态。[0033]步骤260，对眼睛闭合状态的历史数据进行统计，将统计结果和设定条件进行比较，从而判断驾驶员是否处于疲劳状态。[0034]在一种实施例中，为了减少驾驶员斜侧头部带来的检测误差，在步骤220中添加头部图像旋转预处理操作221。将头部原始图像顺时针/逆时针旋转若干固定角度，继而在222操作中进行处理。头部图像旋转预处理操作221用于对摄像头拍摄原始视频图像进行二维旋转处理，配合定位驾驶员面部区域操作222，可以获得竖直姿态下驾驶员的面部图像，有效减少驾驶员因头部偏斜导致的检测错误。[0035]上述模块或流程可以编制成程序，该程序可被安装在计算机中，包括各种处理器。[0036]上述模块或流程编制成的程序可以被存储在外部可读性存储介质中，这种存储介7质可以是软盘、CD-ROM、硬盘、磁带记录介质、IC卡的半导体存储器或其它的光学记录介质（例如DVD或PD）或磁记录介质。介质还包括电、光、声或其它形式的传播信号（例如，载波、红外信号、数字信号等）。[0037]以上内容是结合具体的实时方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所