|
本帖最后由 賈延安 于 2009-9-22 12:13 編輯 趙雪竹 王秀 朱學(xué)峰 華南理工大學(xué)自動(dòng)化科學(xué)與工程學(xué)院 2009-09-08 來(lái)源:電子產(chǎn)品世界 引言 眨眼是一種睜閉眼睛的生理活動(dòng)，眨眼的速度會(huì )受疲勞程度、情感壓力、行為種類(lèi)、睡覺(jué)數量、眼睛受傷程度、疾病等因素影響[1~2]。眨眼識別是駕駛員疲勞檢測的基礎，本文采用 Adaboost算法[3][4][5]訓練和檢測眼睛睜閉狀態(tài)，把睜眼和閉眼圖片分類(lèi)出來(lái)。 Adaboost算法 Adaboost是一種自適應 boosting算法，它的原理就是將一些簡(jiǎn)單的弱分類(lèi)器 (矩形特征 )通過(guò)特定的訓練需求 (一般為檢測率和誤檢率的要求)組合成為一個(gè)強分類(lèi)器，在訓練和檢測時(shí)每一個(gè)強分類(lèi)器對待檢測的矩形特征進(jìn)行判決，將這些強分類(lèi)器級聯(lián)起來(lái)就可以生成一個(gè)準確的、快速的分類(lèi)器。它的特點(diǎn)就是檢測速度快，因為每一個(gè)強分類(lèi)器都可以否決待檢測的矩形特征，所以前面的強分類(lèi)器就可以把大部分錯誤的特征給排除掉。 下面介紹Adaboost算法對強分類(lèi)器的訓練。本文正樣本為包含各種姿態(tài)人眼的圖片(睜眼、閉眼、帶眼鏡)，負樣本為不包含眼睛的任意圖片。設輸入的n個(gè)訓練樣本為:{(x1,y1)，(x2,y2)，......(xn,yn)}，其中xi是輸入的訓練樣本，yi∈{0,1}分別表示正樣本和負樣本，其中正樣本數為 l，負樣本數m。n=l+m，具體步驟如下： (1) 初始化每個(gè)樣本的權重w1,i∈D(i); (2)對每個(gè)t=1,..., T(T為弱分類(lèi)器的個(gè)數) �、侔褭嘀貧w一化為一個(gè)概率分布 
�、趯γ總�(gè)特征f，訓練一個(gè)弱分類(lèi)器hj計算對應所有特征的弱分類(lèi)器的加權錯誤率
�、圻x取最佳的弱分類(lèi)器ht(擁有最小錯誤率)：et �、馨凑者@個(gè)最佳弱分類(lèi)器，調整權重
其中ei=0表示被正確地分類(lèi)，ei=1 表示被錯誤地分類(lèi)
(3)最后的強分類(lèi)器為：
基于A(yíng)daboost算法的眨眼識別 要保證視頻流中圖像處理的實(shí)時(shí)性就必須采用特定的算法。Adaboost算法由于它特殊的算法模式，可以進(jìn)行快速的目標檢測，因此我們的人眼狀態(tài)檢測的定位，系統就選擇了 Adaboost算法�；贏(yíng)daboost的眨眼識別系統主要包含兩個(gè)模塊:訓練和檢測。其中訓練過(guò)程起著(zhù)決定性的作用。 訓練 樣本的選擇至關(guān)重要，包括兩個(gè)方面，首先是樣本源，本文采用BioID-EyeDatabase和AR人臉庫(來(lái)源于網(wǎng)絡(luò ))[6]，樣本庫提供了人臉圖片和人眼坐標，根據人眼坐標用Matlab編程來(lái)提取人眼。正樣本從截取出的人眼圖片中選取閉眼圖片，負樣本為剩下的睜眼圖片。樣本的訓練過(guò)程就是按第2部分算法所闡述的方法選擇弱分類(lèi)器, 形成強分類(lèi)器, 再由強分類(lèi)器級聯(lián)成為一個(gè)有效的分類(lèi)器。在訓練時(shí)給出檢測率和誤檢率的要求，如檢測率為0.99，誤檢率為0.3，若一共有n個(gè)強分類(lèi)器，則最終的檢測率為0.99n，最終的誤檢率為0.3n。 檢測 檢測就是根據訓練所得到的分類(lèi)器特征一般存儲為.xml文件對輸入圖片進(jìn)行檢測。分類(lèi)器是一個(gè)有若干個(gè)強分類(lèi)器組成的級聯(lián)分類(lèi)器，檢測結果是一系列的目標矩形，也就是圖像中目標所在的位置。 實(shí)驗結果分析 本文采用三種不同的負樣本選擇方法，進(jìn)行了三次對比實(shí)驗。 實(shí)驗一：正樣本582張閉眼圖片，歸一化為24×24，負樣本1285張睜眼圖片，正負樣本如圖1、圖2所示，實(shí)驗結果如圖3所示。
從實(shí)驗結果可以看出睜眼圖片中把眉毛誤檢為閉眼圖片，原因是負樣本數量和種類(lèi)少，導致誤檢率高。
本文提出了一種新的負樣本選擇方法，這樣給我們擴展訓練樣本量提供了很大的幫助，就是在Opencv[7]中修改程序，利用已經(jīng)訓練好的分類(lèi)器，來(lái)檢測大量視頻圖片，把誤檢的圖片保存下來(lái)加入到負樣本中來(lái)作為下次訓練的新的負樣本，并繼續訓練，然后利用下次訓練好的新的分類(lèi)器來(lái)繼續添加負樣本。負樣本截取軟件界面如圖4所示。
實(shí)驗二：正樣本582張閉眼圖片，與實(shí)驗一相同，負樣本2300張，其中除了實(shí)驗一中的負樣本，還包括從負樣本截取軟件中收集到的誤檢圖片。添加的負樣本如圖5所示。
實(shí)驗結果如圖6所示。
從實(shí)驗結果可以看出睜眼圖片中把兩內眼角以外一定范圍誤檢為閉眼，說(shuō)明負樣本的種類(lèi)還是沒(méi)有達到要求。所以繼續利用負樣本截取軟件收集誤檢到的圖片作為負樣本。 實(shí)驗三：正樣本582張閉眼圖片，與實(shí)驗一相同，負樣本為2965張，其中除了實(shí)驗二中的負樣本，還包括從負樣本截取軟件中收集到的誤檢圖片。添加的負樣本如圖7所示。
實(shí)驗結果如圖8所示。
從實(shí)驗結果中可以看出利用最終的負樣本訓練生成的分類(lèi)器能有效的區分出睜眼和閉眼狀態(tài)，誤檢率大大降低，說(shuō)明這樣的負樣本選擇方法行之有效。 三個(gè)實(shí)驗結果誤檢率比較如表1所示。誤檢率為錯誤檢測的圖片數除以圖片總數。
結語(yǔ) 本文通過(guò)實(shí)驗，提出了一種新的負樣本選擇方法，這樣給我們擴展訓練樣本量提供了很大的幫助，即應用一個(gè)負樣本截取軟件，通過(guò)載入先前訓練好的分類(lèi)器，不斷的收集誤檢的部分來(lái)添加進(jìn)負樣本中，作為下次訓練的新的負樣本，訓練新的分類(lèi)器。不斷循環(huán)重復這個(gè)步驟，直到達到能產(chǎn)生有滿(mǎn)意效果的分類(lèi)器。從三個(gè)實(shí)驗結果看出誤檢率逐漸減少，證明了方法的有效性。在以后的實(shí)驗中繼續采用層層迭代的方式，不斷利用訓練好的新的分類(lèi)器來(lái)增加負樣本，直到訓練出更加精確的分類(lèi)器，為后續判斷汽車(chē)駕駛員疲勞檢測做鋪墊。 參考文獻： [1] Karson C, Spontaneou eye-blink rates and dopaminergic systems[J].Brain, vol. 106, pp.643-653, 1983 [2] Tsubota K, Tear Dynamics and Dry Eye[J]. Progress inRetinal and EyeResearch, vol.17, no.4,pp565-596, 1998 [3] Viola P, Jones M. Rapid object detection using a Boosted cascade of simple features[C]. Proc. of IEEE Conf. on CVPR 2001. 511- 518 [4] Yong Ma, Xiaoqing Ding, Zhenger Wang, Ning Wang. Robust precise eye location under probabilistic framework[C]. Proceedings of the sixth IEEE International Conference on Automatic Face and Gesture [5] 趙江,徐魯安. 基于 AdaBoost算法的目標檢測 [J]. 計算機工程,2004(2) [6] Martinez A.M. and Benavente R. The AR Face Database[R]. CVC Technical Report #24, June 1998 [7] Gao W, Cao B, Shan S G, Zhou D L, Zhang X H, Zhao D B. The CAS-PEAL large-scale Chinese face database and evaluation protocols[R]. Technical report No.JDLTR04 F R001, Joint Research & Development Laboratory, CAS, 2004 [8]Gang Pan,Lin Sun,Zhaohui Wu,Shihong Lao.Eyelink-based Anti-spoofing in Face Recognition from a Generic Webcamera[R].The 11th IEEE International Conference on Computer Vision(ICCV’07),Rio de Janeiro,Brazil,October 14-20,2007 |
