基于A(yíng)daboost算法的駕駛員眨眼識別

發(fā)布時(shí)間:2009-9-22 12:08    發(fā)布者:賈延安
關(guān)鍵詞: Adaboost , 駕駛員 , 算法
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
本文地址:http://selenalain.com/thread-4383-1-1.html     【打印本頁(yè)】

本站部分文章為轉載或網(wǎng)友發(fā)布,目的在于傳遞和分享信息,并不代表本網(wǎng)贊同其觀(guān)點(diǎn)和對其真實(shí)性負責;文章版權歸原作者及原出處所有,如涉及作品內容、版權和其它問(wèn)題,我們將根據著(zhù)作權人的要求,第一時(shí)間更正或刪除。
您需要登錄后才可以發(fā)表評論 登錄 | 立即注冊

相關(guān)視頻

關(guān)于我們  -  服務(wù)條款  -  使用指南  -  站點(diǎn)地圖  -  友情鏈接  -  聯(lián)系我們
電子工程網(wǎng) © 版權所有   京ICP備16069177號 | 京公網(wǎng)安備11010502021702
快速回復 返回頂部 返回列表
午夜高清国产拍精品福利|亚洲色精品88色婷婷七月丁香|91久久精品无码一区|99久久国语露脸精品|动漫卡通亚洲综合专区48页