專利名稱：一種電腦前疲勞狀態(tài)的檢測(cè)方法和裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及模式識(shí)別技術(shù)領(lǐng)域，特別是涉及一種電腦前疲勞狀態(tài)的檢測(cè)方法和裝 置。
背景技術(shù)：
目前，隨著信息技術(shù)和互聯(lián)網(wǎng)技術(shù)的發(fā)展，電腦已普及到千家萬(wàn)戶，給人們?cè)谏?和工作中帶來(lái)了很多便利。但是，部分自控能力較差的用戶(又稱電腦族)，會(huì)因受電腦上 互聯(lián)網(wǎng)信息的吸引，久坐在電腦前不肯離去；或者，很多電腦工作者需要長(zhǎng)期在電腦前伏案 工作。電腦族久坐電腦前，看東西較近，一方面，迫使眼睫狀肌處于收縮緊張狀態(tài)，從而 使晶體變凸以適應(yīng)視近物，眼睛長(zhǎng)期處于緊張狀態(tài)而得不到休息就會(huì)導(dǎo)致近視。另一方面， 視覺(jué)的過(guò)度疲勞會(huì)引起房水運(yùn)行受阻，進(jìn)而成為青光眼、干眼癥、白內(nèi)障等眼病的根源。如果能夠在處于電腦前疲勞狀態(tài)時(shí)，對(duì)電腦族進(jìn)行必要提醒，使其離開電腦，則能 夠避免對(duì)眼睛健康造成不利。但是，由于電腦族自身對(duì)電腦的吸引和依賴，加上電腦前疲勞狀態(tài)只會(huì)對(duì)自身的 眼睛健康造成危害，故目前電腦前疲勞狀態(tài)還未引起個(gè)人和社會(huì)的充分重視，與電腦前疲 勞狀態(tài)相關(guān)的研究尚不多見；因此，電腦族并不知道何時(shí)應(yīng)該離開電腦，以避免危害眼睛健康?？傊?，需要本領(lǐng)域技術(shù)人員迫切解決的一個(gè)技術(shù)問(wèn)題就是如何能夠檢測(cè)電腦前 疲勞狀態(tài)，以避免其對(duì)眼睛健康造成的危害。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種電腦前疲勞狀態(tài)的檢測(cè)方法和裝置，能夠 根據(jù)攝像頭捕獲的電腦前臉部圖像檢測(cè)電腦前疲勞狀態(tài)，以避免電腦前疲勞狀態(tài)對(duì)眼睛健 康造成的危害。為了解決上述問(wèn)題，本發(fā)明公開了一種電腦前疲勞狀態(tài)的檢測(cè)方法，包括獲取攝像頭捕獲的電腦前臉部圖像；對(duì)所述電腦前臉部圖像進(jìn)行人臉檢測(cè)，得到人臉圖像；依據(jù)所述人臉圖像得到眼睛區(qū)域圖像；對(duì)所述眼睛區(qū)域圖像進(jìn)行特征提取，得到特征向量；將所述特征向量輸入到疲勞狀態(tài)判別器中，輸出是否處于疲勞狀態(tài)的檢測(cè)結(jié)果， 其中，所述疲勞狀態(tài)判別器為依據(jù)包括疲勞狀態(tài)和非疲勞狀態(tài)的電腦前臉部圖像樣本所構(gòu) 造的分類器，且所述電腦前臉部圖像樣本為攝像頭捕獲得到，且所述電腦前臉部圖像樣本 與所述電腦前臉部圖像的捕獲位置處于相同的位置區(qū)間。優(yōu)選的，所述捕獲位置包括攝像頭與電腦屏幕之間的距離，電腦用戶與電腦屏幕 之間的距離，以及，電腦用戶的視線與電腦屏幕之間的距離；
所述位置區(qū)間為預(yù)置位置區(qū)間。

優(yōu)選的，所述依據(jù)所述人臉圖像得到眼睛區(qū)域圖像的步驟，包括對(duì)所述人臉圖像進(jìn)行瞳孔定位，得到眼睛位置；根據(jù)所述眼睛位置，對(duì)所述人臉圖像進(jìn)行歸一化操作；從歸一化后的人臉圖像中割取預(yù)設(shè)大小的裸眼圖像，作為眼睛區(qū)域圖像。優(yōu)選的，所述將所述特征向量輸入到疲勞狀態(tài)判別器中，輸出是否處于疲勞狀態(tài) 的檢測(cè)結(jié)果的步驟，包括將所述特征向量輸入到疲勞狀態(tài)判別器中，得到疲勞狀態(tài)判別器的數(shù)值；對(duì)該數(shù)值進(jìn)行判別分析，若該數(shù)值> 1，則輸出處于疲勞狀態(tài)的檢測(cè)結(jié)果；若該數(shù) 值< -1，則輸出處于非疲勞狀態(tài)的檢測(cè)結(jié)果；若-1 <該數(shù)值< 1，則根據(jù)計(jì)算得到的置信 值，輸出檢測(cè)結(jié)果。優(yōu)選的，在輸出處于疲勞狀態(tài)的檢測(cè)結(jié)果時(shí)，所述方法還包括發(fā)出語(yǔ)音提示，其中，該語(yǔ)音提示用于提醒電腦用戶休息。優(yōu)選的，所述疲勞狀態(tài)判別器為通過(guò)以下步驟構(gòu)造的分類器獲取攝像頭捕獲的包括疲勞狀態(tài)和非疲勞狀態(tài)的電腦前臉部圖像樣本；對(duì)所述電腦前臉部圖像樣本進(jìn)行人臉檢測(cè)，得到人臉圖像樣本；依據(jù)所述人臉圖像樣本得到眼睛區(qū)域圖像樣本；通過(guò)特征提取，得到所述眼睛區(qū)域圖像樣本的特征向量；依據(jù)所述特征向量構(gòu)造疲勞狀態(tài)判別器。優(yōu)選的，所述特征提取包括直接以所述眼睛區(qū)域圖像樣本的灰度值組成特征向量；或者，采用Gabor變換、主成分分析和線性判別分析的一種或多種，對(duì)所述眼睛區(qū)域圖 像樣本進(jìn)行特征提取，得到相應(yīng)特征向量。優(yōu)選的，所述依據(jù)所述特征向量構(gòu)造疲勞狀態(tài)判別器的步驟，包括構(gòu)造特征向量訓(xùn)練集{(Xi，yi)}，其中，i = 1，. . .，n，Xi為某一眼睛區(qū)域圖像樣本 的特征向量，Yi為該眼睛區(qū)域圖像樣本所屬的樣本類別，在其屬于疲勞狀態(tài)類別時(shí)yi = 1， 在其屬于非疲勞狀態(tài)類別時(shí)Yi = -1，η為眼睛區(qū)域圖像樣本的數(shù)量；針對(duì)所述特征向量訓(xùn)練集，訓(xùn)練獲得作為眼睛區(qū)域分類器的支持向量機(jī)模型
η
/(χ) = sgn{^a*yt(χ, ·χ) + δ*}其中，sgn為符號(hào)函數(shù)，b*為分類閾值，、*為訓(xùn)練得到 ‘=1 ,
的最優(yōu)分類參數(shù)。另一方面，本發(fā)明還公開了一種電腦前疲勞狀態(tài)的檢測(cè)裝置，包括捕獲模塊，用于獲取攝像頭捕獲的電腦前臉部圖像；人臉檢測(cè)模塊，用于對(duì)所述電腦前臉部圖像進(jìn)行人臉檢測(cè)，得到人臉圖像；瞳孔定位模塊，用于依據(jù)所述人臉圖像得到眼睛區(qū)域圖像；特征提取模塊，用于對(duì)所述眼睛區(qū)域圖像進(jìn)行特征提取，得到特征向量；及檢測(cè)模塊，用于將所述特征向量輸入到疲勞狀態(tài)判別器中，輸出是否處于疲勞狀 態(tài)的檢測(cè)結(jié)果，其中，所述疲勞狀態(tài)判別器為依據(jù)包括疲勞狀態(tài)和非疲勞狀態(tài)的電腦前臉部圖像樣本所構(gòu)造的分類器，且所述電腦前臉部圖像樣本為攝像頭捕獲得到，且所述電腦 前臉部圖像樣本與所述電腦前臉部圖像的捕獲位置處于相同的位置區(qū)間。優(yōu)選的，所述捕獲位置包括攝像頭與電腦屏幕之間的距離，電腦用戶與電腦屏幕 之間的距離，以及，電腦用戶的視線與電腦屏幕之間的距離；所述位置區(qū)間為預(yù)置位置區(qū)間。
優(yōu)選的，所述瞳孔定位模塊包括位置獲取單元，用于對(duì)所述人臉圖像進(jìn)行瞳孔定位，得到眼睛位置；歸一化單元，用于根據(jù)所述眼睛位置，對(duì)所述人臉圖像進(jìn)行歸一化操作；及割取單元，用于從歸一化后的人臉圖像中割取預(yù)設(shè)大小的裸眼圖像，作為眼睛區(qū) 域圖像。優(yōu)選的，所述檢測(cè)模塊包括輸入單元，用于將所述特征向量輸入到疲勞狀態(tài)判別器中，得到疲勞狀態(tài)判別器 的數(shù)值；及判別分析單元，用于對(duì)該數(shù)值進(jìn)行判別分析，若該數(shù)值> 1，則輸出處于疲勞狀態(tài) 的檢測(cè)結(jié)果；若該數(shù)值< -1，則輸出處于非疲勞狀態(tài)的檢測(cè)結(jié)果；若-1 <該數(shù)值< 1，則根 據(jù)計(jì)算得到的置信值，輸出檢測(cè)結(jié)果。優(yōu)選的，所述裝置還包括語(yǔ)音提示模塊，用于在輸出處于疲勞狀態(tài)的檢測(cè)結(jié)果時(shí)，發(fā)出語(yǔ)音提示，其中，該 語(yǔ)音提示用于提醒電腦用戶休息。優(yōu)選的，所述裝置還包括疲勞狀態(tài)判別器構(gòu)造模塊，包括樣本獲取單元，用于獲取攝像頭捕獲的包括疲勞狀態(tài)和非疲勞狀態(tài)的電腦前臉部 圖像樣本；樣本人臉檢測(cè)單元，用于對(duì)所述電腦前臉部圖像樣本進(jìn)行人臉檢測(cè)，得到人臉圖 像樣本；眼鏡區(qū)域樣本獲取單元，用于依據(jù)所述人臉圖像樣本得到眼睛區(qū)域圖像樣本；樣本特征提取單元，用于通過(guò)特征提取，得到所述眼睛區(qū)域圖像樣本的特征向量； 及構(gòu)造單元，用于依據(jù)所述特征向量構(gòu)造疲勞狀態(tài)判別器。優(yōu)選的，所述特征樣本特征提取單元，具體用于直接以所述眼睛區(qū)域圖像樣本的 灰度值組成特征向量；或者，采用Gabor變換、主成分分析和線性判別分析的一種或多種， 對(duì)所述眼睛區(qū)域圖像樣本進(jìn)行特征提取，得到相應(yīng)特征向量。優(yōu)選的，所述構(gòu)造單元包括訓(xùn)練集構(gòu)造子單元，構(gòu)造特征向量訓(xùn)練集{(Xi，yi)}，其中，i = 1，. . .，n，Xi為某 一眼睛區(qū)域圖像樣本的特征向量，Yi為該眼睛區(qū)域圖像樣本所屬的樣本類別，在其屬于疲 勞狀態(tài)類別時(shí)Yi = 1，在其屬于非疲勞狀態(tài)類別時(shí)Yi = -l，n為眼睛區(qū)域圖像樣本的數(shù)量； 及訓(xùn)練子單元，用于針對(duì)所述特征向量訓(xùn)練集，訓(xùn)練獲得作為眼睛區(qū)域分類器的支
η
持向量機(jī)模型/⑷二明對(duì)工巧 ,·^ + ^}其中，sgn為符號(hào)函數(shù)，b*為分類閾值，、*
‘=1 ,為訓(xùn)練得到的最優(yōu)分類參數(shù)。與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)首先，由于電腦用戶處于非疲勞狀態(tài)時(shí)，眼睛通常正常睜開，而處于疲勞狀態(tài)時(shí)， 眼睛往往半睜半合或者微閉、微睜，也即，處于疲勞狀態(tài)的眼睛與處于非疲勞狀態(tài)的眼睛在 形狀和大小上是存在細(xì)微差別的；因而，本發(fā)明針對(duì)包括疲勞狀態(tài)和非疲勞狀態(tài)的眼睛區(qū) 域圖像樣本進(jìn)行統(tǒng)計(jì)訓(xùn)練，得到的疲勞狀態(tài)判別器能夠具有這兩類眼睛區(qū)域圖像樣本的特 征描述能力，以及，這兩類眼睛區(qū)域圖像樣本之間細(xì)微差別的判別能力；其次，在對(duì)攝像頭捕獲的電腦前臉部圖像進(jìn)行電腦前疲勞狀態(tài)檢測(cè)時(shí)，僅需將所 述電腦前臉部圖像的特征向量輸入到疲勞狀態(tài)判別器中，即可輸出是否處于疲勞狀態(tài)的檢 測(cè)結(jié)果；不僅檢測(cè)速度可以得到保證，并且，由于所述電腦前臉部圖像與統(tǒng)計(jì)訓(xùn)練所應(yīng)用眼 睛區(qū)域圖像樣本的捕獲位置處于相同的位置區(qū)間，因此，能夠避免電腦用戶在電腦前的位 置幅度變化較大對(duì)統(tǒng)計(jì)模式識(shí)別精度產(chǎn)生的影響，從而可以有效提高檢測(cè)的準(zhǔn)確度。


圖1是本發(fā)明一種疲勞狀態(tài)判別器訓(xùn)練方法實(shí)施例的流程圖；圖2是本發(fā)明一種預(yù)置位置區(qū)間的示意圖；圖3是本發(fā)明一種瞳孔定位的示意圖；圖4是本發(fā)明一種電腦前疲勞狀態(tài)的檢測(cè)方法實(shí)施例的流程圖；圖5是本發(fā)明一種電腦前疲勞狀態(tài)的檢測(cè)裝置實(shí)施例的結(jié)構(gòu)圖。
具體實(shí)施例方式為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能夠更加明顯易懂，下面結(jié)合附圖和具體實(shí) 施方式對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說(shuō)明。參照?qǐng)D1，示出了本發(fā)明一種疲勞狀態(tài)判別器訓(xùn)練方法實(shí)施例的流程圖，具體可以 包括步驟101、獲取攝像頭捕獲的包括疲勞狀態(tài)和非疲勞狀態(tài)的電腦前臉部圖像樣 本；在實(shí)際中，可以采用統(tǒng)計(jì)模式識(shí)別方法，將攝像頭捕獲的處于疲勞狀態(tài)的含有正 面或準(zhǔn)正面人臉圖像作為正樣本，以及，將處于非疲勞狀態(tài)的含有正面或準(zhǔn)正面人臉圖像 作為反樣本，由于電腦用戶在電腦前的位置幅度變化較大，為避免位置幅度變化對(duì)統(tǒng)計(jì)模式識(shí) 別精度產(chǎn)生影響，在本發(fā)明的一種優(yōu)選實(shí)施例中，可以通過(guò)設(shè)置，使這些電腦前臉部圖像樣 本的捕獲位置在預(yù)置位置區(qū)間內(nèi)。其中，所述捕獲位置具體可以包括攝像頭與電腦屏幕 之間的距離，電腦用戶與電腦屏幕之間的距離，以及，電腦用戶的視線與電腦屏幕之間的距 罔； 參照?qǐng)D2，示出了本發(fā)明一種預(yù)置位置區(qū)間的示例，其中，攝像頭在電腦屏幕的正 上方，電腦用戶與電腦屏幕之間的距離區(qū)間為[50，70]cm，電腦用戶的視線與電腦屏幕之間 的距離為電腦熒屏第一行字在視線下約3cm，也即，視線在電腦屏幕上的投影與電腦熒屏 第一行字的距離為約3cm。
可以理解，上述預(yù)置位置區(qū)間只是作為示例，本領(lǐng)域技術(shù)人員可以根據(jù)實(shí)際情況， 設(shè)置其它預(yù)置位置區(qū)間，在電腦屏幕尺寸增加時(shí)，將電腦用戶與電腦屏幕之間的距離區(qū)間 變?yōu)閇60，80]，等等，本發(fā)明對(duì)具體的預(yù)置位置區(qū)間不加以限制。步驟102、對(duì)所述電腦前臉部圖像樣本進(jìn)行人臉檢測(cè)，得到人臉圖像樣本；人臉檢測(cè)是 指確定輸入圖像(所述電腦前臉部圖像樣本)中是否存在人臉，并在 存在時(shí)，確定所有人臉的位置、大小和位姿的過(guò)程。由于人臉檢測(cè)作為人臉信息處理中的一 項(xiàng)關(guān)鍵技術(shù)，近年來(lái)成為模式識(shí)別與計(jì)算機(jī)視覺(jué)領(lǐng)域內(nèi)已經(jīng)得到比較成功應(yīng)用的課題，因 此，這里可以采用已有的人臉檢測(cè)技術(shù)從所述電腦前臉部圖像樣本中得到人臉圖像樣本， 在此不作贅述。步驟103、依據(jù)所述人臉圖像樣本得到眼睛區(qū)域圖像樣本；本專利發(fā)明人在研究中發(fā)現(xiàn)，電腦前用戶處于疲勞狀態(tài)或非疲勞狀態(tài)時(shí)，一張人 臉圖像中的眼睛區(qū)域圖像會(huì)有著顯著的變化，因?yàn)樵撗劬^(qū)域圖像通常反映了眼睛睜開閉 合程度，具體而言，處于非疲勞狀態(tài)時(shí)，眼睛正常睜開，而處于疲勞狀態(tài)時(shí)，眼睛往往半睜半 合或者微閉、微睜；所以處于疲勞狀態(tài)的眼睛與處于非疲勞狀態(tài)的眼睛在形狀和大小上都 會(huì)存在細(xì)微差別。因此，本發(fā)明針對(duì)眼睛區(qū)域圖像樣本統(tǒng)計(jì)這些形狀和大小上的細(xì)微差別。在實(shí)際中，可以通過(guò)以下子步驟得到眼睛區(qū)域圖像樣本子步驟Al、對(duì)所述人臉圖像進(jìn)行瞳孔定位，得到眼睛位置；在具體實(shí)現(xiàn)中，可以采用統(tǒng)計(jì)模式識(shí)別方法，將采集并分割獲得的正面人臉圖像 中的雙眼區(qū)域圖像和非雙眼區(qū)域圖像作為訓(xùn)練樣本，訓(xùn)練得到雙眼區(qū)域檢測(cè)器。例如，采用 自適應(yīng)增強(qiáng)(Adaboost，adaptive boosting)算法對(duì)10000張24X 16的雙眼區(qū)域圖像和非 雙眼區(qū)域圖像進(jìn)行訓(xùn)練，得到雙眼區(qū)域檢測(cè)器。在進(jìn)行眼睛定位時(shí)，可以采用所述雙眼區(qū)域檢測(cè)器在人臉圖像內(nèi)搜索雙眼區(qū)域位 置，確定雙眼區(qū)域位置后，在所述雙眼區(qū)域位置內(nèi)定位左眼位置和右眼位置。參考圖3示出 了一種瞳孔定位的示意圖，其中3a為雙眼區(qū)域檢測(cè)器搜索到的眼睛矩形區(qū)域位置，3b所示 的矩形中心即為眼睛位置。子步驟A2、根據(jù)所述眼睛位置，對(duì)所述人臉圖像進(jìn)行歸一化操作；在具體實(shí)現(xiàn)中，所述歸一化操作可以包括尺寸歸一化和灰度歸一化操作。其中，尺 寸歸一化的操作可以為將樣本圖像旋轉(zhuǎn)，使每個(gè)人臉的雙眼之間的連線為水平方向，然后 按照雙眼中心距離固定的原則，比例縮放旋轉(zhuǎn)后的圖像，根據(jù)雙眼距離固定、雙眼中心連線 中點(diǎn)到人臉圖像上矩形框距離固定的原則裁剪圖像，即得到了尺寸歸一化后的圖像?；叶葰w一化的操作可以采取對(duì)尺寸歸一化后的圖像進(jìn)行灰度拉伸，以改善圖像的 對(duì)比度；或者，采用直方圖均衡化等直方圖修正技術(shù)使圖像具有相近的統(tǒng)計(jì)意義上的均值 和方差，以部分消除光照的影響，本發(fā)明對(duì)具體的操作方式不加以限制。子步驟A3、從歸一化后的人臉圖像中割取預(yù)設(shè)大小的裸眼圖像，作為眼睛區(qū)域圖 像。在實(shí)際中，所述割取通常是根據(jù)瞳孔中心，分割出兩個(gè)矩形區(qū)域。這里的預(yù)設(shè)大小 應(yīng)與訓(xùn)練分類器時(shí)的樣本的單眼區(qū)域圖像樣本和雙眼區(qū)域圖像樣本的尺寸一致。例如，對(duì) 一個(gè)歸一化80X88大小的人臉，可以分割出32X22大小的眼睛區(qū)域。需要說(shuō)明的是，由于電腦用戶的兩只眼睛的活動(dòng)基本上是一致的，也即，疲勞程度基本一致，因此，這里可以只分割出單眼區(qū)域。可以理解，為了疲勞狀態(tài)判別器的精度起見， 亦可以使用雙眼區(qū)域?？傊?，本領(lǐng)域技術(shù)人員可以根據(jù)實(shí)際需要，確定使用單眼區(qū)域還是雙 眼區(qū)域，本發(fā)明對(duì)此不加以限制。
經(jīng)過(guò)上述處理后，多個(gè)處于疲勞狀態(tài)的眼睛區(qū)域圖像樣本(以下簡(jiǎn)稱正樣本)以 及多個(gè)處于非疲勞狀態(tài)的眼睛區(qū)域圖像樣本(以下簡(jiǎn)稱反樣本)在某些特征上才會(huì)具有一 定的相似性，而正樣本和反樣本之間才會(huì)具有一定的差異，此時(shí)才可以采用統(tǒng)計(jì)模式識(shí)別 算法進(jìn)行疲勞狀態(tài)判別器的訓(xùn)練與識(shí)別。步驟104、通過(guò)特征提取，得到所述眼睛區(qū)域圖像樣本的特征向量；由于步驟102已對(duì)眼睛區(qū)域進(jìn)行灰度化處理，在實(shí)際中，可直接以所述眼睛區(qū)域 圖像樣本的灰度值組成特征向量；例如，直接以32X22 = 704個(gè)像素值作組成特征向量。 作為一個(gè)眼睛區(qū)域的特征表達(dá)。但是，直接以704個(gè)像素的灰度值組成特征向量，由于沒(méi)有經(jīng)過(guò)去噪，可能導(dǎo)致分 類器性能降低。因此，在本發(fā)明的一種優(yōu)選實(shí)施例中，可以采用Gabor變換、主成分分析和線性判 別分析的一種或多種，對(duì)所述眼睛區(qū)域圖像樣本進(jìn)行特征提取，得到相應(yīng)特征向量。其中，Gabor變換在圖像分析和計(jì)算機(jī)視覺(jué)方面有著廣泛的應(yīng)用。它提供了一種 有效的圖像分析途徑。它的主要優(yōu)勢(shì)在于其無(wú)限的平滑能力以及頻域響應(yīng)的指數(shù)衰減特 性。當(dāng)被用于提取人臉特征時(shí)，它不但能夠很好的提取人臉部的不同尺度和不同方向的細(xì) 節(jié)，而且它對(duì)光照變化、人臉圖像的平移和微小形變等不利因素也有一定的適應(yīng)能力，所以 Gabor變換能夠避免噪聲對(duì)分類器性能的影響。基于主成分分析(PCA，PrincipalComponent Analysis)和線性判別分析(LDA， Linear Discriminant Analysis)的線性降維方法以其數(shù)學(xué)基礎(chǔ)的成熟和實(shí)現(xiàn)上的簡(jiǎn)單而 被深入地研究。其中，PCA通過(guò)對(duì)訓(xùn)練樣本集合的相關(guān)矩陣進(jìn)行特征值分解實(shí)現(xiàn)，它旨在針 對(duì)所有圖像提取出最能夠表現(xiàn)所有圖像特征的特征向量集。LDA利用樣本當(dāng)中的類信息，試 圖“重塑，，樣本集合的分布，從而使其更加有利于分類。LDA算法提取出的是最能體現(xiàn)不同 類別的特征向量。 對(duì)于上述特征提取的結(jié)合，基于Gabor變換的PCA和LDA方法目前已被廣泛使用， 因?yàn)橄啾仍诩兓叶热四槇D像上進(jìn)行PCA和LDA，在Gabor “小波臉”上進(jìn)行PCA和LDA的性 能更好。在實(shí)際中，本領(lǐng)域技術(shù)人員可以根據(jù)實(shí)際情況，采用上述特征提取方法的一種或 多種，或者，采用其它特征提取方法(如FisherFace方法等)。本發(fā)明對(duì)具體的特征提取方 法不加以限制。步驟105、依據(jù)所述特征向量構(gòu)造疲勞狀態(tài)判別器。為解決疲勞狀態(tài)和非疲勞狀態(tài)的兩類問(wèn)題，在眾多機(jī)器學(xué)習(xí)方法中，支持向量機(jī) (SVM, support vector machine)是一種使得分類結(jié)構(gòu)化誤差最小的分類器構(gòu)造方法，是 一種具有更好推廣性的分類器構(gòu)造方法。因而，本發(fā)明優(yōu)選采用支持向量機(jī)作為兩類分類 器來(lái)構(gòu)造所述疲勞狀態(tài)判別器，所述構(gòu)造疲勞狀態(tài)判別器的步驟可以通過(guò)以下子步驟來(lái)實(shí) 現(xiàn)子步驟Bi、構(gòu)造特征向量訓(xùn)練集{(Xi，yi)}，其中，i = 1，. . .，n，Xi為某一眼睛區(qū)域圖像樣本的特征向量，Yi為該眼睛區(qū)域圖像樣本所屬的樣本類別，在其屬于疲勞狀態(tài)類 別時(shí)= 1，在其屬于非疲勞狀態(tài)類別時(shí)= -1，η為眼睛區(qū)域圖像樣本的數(shù)量；子步驟Β2、針對(duì)所述特征向量訓(xùn)練集，訓(xùn)練獲得作為眼睛區(qū)域分類器的支持向量
η
機(jī)模型/⑷二明對(duì)工僅 ,·^ + ^其中，sgn為符號(hào)函數(shù)，b*為分類閾值，α:為訓(xùn) ‘=1 ,
練得到的最優(yōu)分類參數(shù)。當(dāng)然，上述采用SVM方法構(gòu)造疲勞狀態(tài)判別器的方式只是作為示例，本領(lǐng)域技術(shù) 人員可以根據(jù)具體情形采用其它統(tǒng)計(jì)學(xué)習(xí)方法，如LDA、AdaBoost方法等，本發(fā)明對(duì)具體的 統(tǒng)計(jì)學(xué)習(xí)方法不加以限制。例如，用Gabor+PCA獲得的特征向量，可以通過(guò)LDA運(yùn)算獲得線 性判別分類器。參照?qǐng)D4，示出了本發(fā)明一種電腦前疲勞狀態(tài)的檢測(cè)方法實(shí)施例的流程圖，具體可 以包括步驟401、獲取攝像頭捕獲的電腦前臉部圖像； 步驟402、對(duì)所述電腦前臉部圖像進(jìn)行人臉檢測(cè)，得到人臉圖像；步驟403、依據(jù)所述人臉圖像得到眼睛區(qū)域圖像；步驟404、對(duì)所述眼睛區(qū)域圖像進(jìn)行特征提取，得到特征向量；步驟405、將所述特征向量輸入到疲勞狀態(tài)判別器中，輸出是否處于疲勞狀態(tài)的檢 測(cè)結(jié)果，其中，所述疲勞狀態(tài)判別器為依據(jù)包括疲勞狀態(tài)和非疲勞狀態(tài)的電腦前臉部圖像 樣本所構(gòu)造的分類器，且所述電腦前臉部圖像樣本為攝像頭捕獲得到，且所述電腦前臉部 圖像樣本與所述電腦前臉部圖像的捕獲位置處于相同的位置區(qū)間。在具體實(shí)現(xiàn)中，所述疲勞狀態(tài)判別器可以通過(guò)以下訓(xùn)練步驟獲得步驟Cl、獲取攝像頭捕獲的包括疲勞狀態(tài)和非疲勞狀態(tài)的電腦前臉部圖像樣本；步驟C2、對(duì)所述電腦前臉部圖像樣本進(jìn)行人臉檢測(cè)，得到人臉圖像樣本；步驟C3、依據(jù)所述人臉圖像樣本得到眼睛區(qū)域圖像樣本；步驟C4、通過(guò)特征提取，得到所述眼睛區(qū)域圖像樣本的特征向量；步驟C5、依據(jù)所述特征向量構(gòu)造疲勞狀態(tài)判別器。對(duì)于步驟401-404而言，應(yīng)采用與步驟405所采用疲勞狀態(tài)判別器訓(xùn)練過(guò)程相同 的方法對(duì)攝像頭捕獲的電腦前臉部圖像進(jìn)行數(shù)據(jù)處理，在此不作贅述。在本發(fā)明的一種優(yōu)選實(shí)施例中，所述將所述特征向量輸入到疲勞狀態(tài)判別器中， 輸出是否處于疲勞狀態(tài)的檢測(cè)結(jié)果的步驟，具體可以包括子步驟D1、將所述特征向量輸入到疲勞狀態(tài)判別器中，得到疲勞狀態(tài)判別器的數(shù) 值；子步驟D2、對(duì)該數(shù)值進(jìn)行判別分析，若該數(shù)值> 1，則輸出處于疲勞狀態(tài)的檢測(cè)結(jié) 果；若該數(shù)值< -1，則輸出處于非疲勞狀態(tài)的檢測(cè)結(jié)果；若-1 <該數(shù)值< 1，則根據(jù)計(jì)算得 到的置信值，輸出檢測(cè)結(jié)果。例如，訓(xùn)練步驟采用SVM方法，最終得到待認(rèn)證用戶的人臉模型為
η
/(x) = sgn{^a;>;(x;.x) + ^}其中，n代表樣本類別數(shù)，Xi為某類別一樣本的特征向 ‘=1 ,
量，Yi為該樣本所屬的樣本類別，b*為分類閾值，α ^為訓(xùn)練得到的最優(yōu)分類參數(shù)。那么，判別過(guò)程可以 為①若f (χ)彡1，則判別電腦用戶處于疲勞狀態(tài)；②若f (χ) ^ -1，則判別電腦用戶處于非疲勞狀態(tài)；③若-1 <f(x) < 1，則設(shè)定置信函數(shù)g(x) = 1 + ^(X)*100% ,根據(jù)計(jì)算得到的置信值，判別所述人臉圖像的檢測(cè)結(jié)果。考慮到電腦用戶在非疲勞狀態(tài)時(shí)眨眼引起的眼睛微閉情況，在采用疲勞狀態(tài)判別 器進(jìn)行實(shí)際的檢測(cè)時(shí)，還可依據(jù)一段連續(xù)時(shí)間內(nèi)攝像頭捕獲的電腦前臉部圖像進(jìn)行判別。例如，如果連續(xù)5分鐘內(nèi)，疲勞狀態(tài)判別器針對(duì)攝像頭捕獲的50幅電腦前臉部圖 像輸出的檢測(cè)結(jié)果均為處于疲勞狀態(tài)，則可以最終判別電腦用戶處于疲勞狀態(tài)；而如果輸 出的檢測(cè)結(jié)果中，有45幅(按照時(shí)間連續(xù)排列)處于疲勞狀態(tài)，而5幅處于非疲勞狀態(tài)，則 仍最終判別電腦用戶處于疲勞狀態(tài)；而如果輸出的檢測(cè)結(jié)果中，位于中間的5幅處于疲勞 狀態(tài)，而其余45幅處于非疲勞狀態(tài)，則可以最終判別電腦用戶處于非疲勞狀態(tài)；如果輸出 的檢測(cè)結(jié)果中，位于前面的45幅處于疲勞狀態(tài)，而最后5幅處于非疲勞狀態(tài)，則需要將最后 5幅與下一時(shí)刻捕獲圖像的檢測(cè)結(jié)果進(jìn)行結(jié)合，以最終判別電腦用戶是否處于疲勞狀態(tài)。總之，本發(fā)明提供了一種利用疲勞狀態(tài)判別器、對(duì)攝像頭捕獲的電腦前臉部圖像 進(jìn)行電腦前疲勞狀態(tài)檢測(cè)的方法，而不會(huì)對(duì)具體的檢測(cè)方法加以限制。在本發(fā)明的一種優(yōu)選實(shí)施例中，在輸出處于疲勞狀態(tài)的檢測(cè)結(jié)果時(shí)，所述方法還 可以包括發(fā)出語(yǔ)音提示，其中，該語(yǔ)音提示用于提醒電腦用戶休息。在實(shí)際中，可在電腦附近設(shè)置一個(gè)與疲勞狀態(tài)判別器相連的語(yǔ)音提示器，在疲勞 狀態(tài)判別器輸出處于疲勞狀態(tài)的檢測(cè)結(jié)果時(shí)，該語(yǔ)音提示器可以發(fā)出“請(qǐng)休息一會(huì)，防止眼 睛疲勞”的聲音，提醒電腦用戶休息片刻。對(duì)于檢測(cè)方法實(shí)施例而言，由于其與圖1所示的訓(xùn)練方法實(shí)施例基本相似，所以 描述的比較簡(jiǎn)單，相關(guān)之處參見訓(xùn)練方法實(shí)施例的部分說(shuō)明即可。需要說(shuō)明的是，對(duì)于方法實(shí)施例，為了簡(jiǎn)單描述，故將其都表述為一系列的動(dòng)作組 合，但是本領(lǐng)域技術(shù)人員應(yīng)該知悉，本發(fā)明并不受所描述的動(dòng)作順序的限制，因?yàn)橐罁?jù)本發(fā) 明，某些步驟可以采用其他順序或者同時(shí)進(jìn)行。其次，本領(lǐng)域技術(shù)人員也應(yīng)該知悉，說(shuō)明書 中所描述的實(shí)施例均屬于優(yōu)選實(shí)施例，所涉及的動(dòng)作和模塊并不一定是本發(fā)明所必須的。與前述檢測(cè)方法實(shí)施例相應(yīng)，本發(fā)明還公開了一種電腦前疲勞狀態(tài)的檢測(cè)裝置實(shí) 施例，參照?qǐng)D5，具體可以包括捕獲模塊501，用于獲取攝像頭捕獲的電腦前臉部圖像；人臉檢測(cè)模塊502，用于對(duì)所述電腦前臉部圖像進(jìn)行人臉檢測(cè)，得到人臉圖像；瞳孔定位模塊503，用于依據(jù)所述人臉圖像得到眼睛區(qū)域圖像；特征提取模塊504，用于對(duì)所述眼睛區(qū)域圖像進(jìn)行特征提取，得到特征向量；及檢測(cè)模塊505，用于將所述特征向量輸入到疲勞狀態(tài)判別器中，輸出是否處于疲勞 狀態(tài)的檢測(cè)結(jié)果，其中，所述疲勞狀態(tài)判別器為依據(jù)包括疲勞狀態(tài)和非疲勞狀態(tài)的電腦前 臉部圖像樣本所構(gòu)造的分類器，且所述電腦前臉部圖像樣本為攝像頭捕獲得到，且所述電 腦前臉部圖像樣本與所述電腦前臉部圖像的捕獲位置處于相同的位置區(qū)間。
在本發(fā)明實(shí)施例中，優(yōu)選的是，所述捕獲位置可以包括攝像頭與電腦屏幕之間的 距離，電腦用戶與電腦屏幕之間的距離，以及，電腦用戶的視線與電腦屏幕之間的距離；所 述位置區(qū)間為預(yù)置位置區(qū)間。在本發(fā)明的一種優(yōu)選實(shí)施例中，所述瞳孔定位模塊503具體可以包括位置獲取單元，用于對(duì)所述人臉圖像進(jìn)行瞳孔定位，得到眼睛位置；

歸一化單元，用于根據(jù)所述眼睛位置，對(duì)所述人臉圖像進(jìn)行歸一化操作；及割取單元，用于從歸一化后的人臉圖像中割取預(yù)設(shè)大小的裸眼圖像，作為眼睛區(qū) 域圖像。在本發(fā)明的一種優(yōu)選實(shí)施例中，所述檢測(cè)模塊505具體可以包括輸入單元，用于將所述特征向量輸入到疲勞狀態(tài)判別器中，得到疲勞狀態(tài)判別器 的數(shù)值；及判別分析單元，用于對(duì)該數(shù)值進(jìn)行判別分析，若該數(shù)值> 1，則輸出處于疲勞狀態(tài) 的檢測(cè)結(jié)果；若 該數(shù)值< -1，則輸出處于非疲勞狀態(tài)的檢測(cè)結(jié)果；若-1 <該數(shù)值< 1，則根 據(jù)計(jì)算得到的置信值，輸出檢測(cè)結(jié)果。在本發(fā)明的一種優(yōu)選實(shí)施例中，所述裝置還可以包括語(yǔ)音提示模塊，用于在輸出處于疲勞狀態(tài)的檢測(cè)結(jié)果時(shí)，發(fā)出語(yǔ)音提示，其中，該 語(yǔ)音提示用于提醒電腦用戶休息。在本發(fā)明實(shí)施例中，優(yōu)選的是，所述裝置還可以包括疲勞狀態(tài)判別器構(gòu)造模塊， 具體可以包括樣本獲取單元，用于獲取攝像頭捕獲的包括疲勞狀態(tài)和非疲勞狀態(tài)的電腦前臉部 圖像樣本；樣本人臉檢測(cè)單元，用于對(duì)所述電腦前臉部圖像樣本進(jìn)行人臉檢測(cè)，得到人臉圖 像樣本；眼鏡區(qū)域樣本獲取單元，用于依據(jù)所述人臉圖像樣本得到眼睛區(qū)域圖像樣本；樣本特征提取單元，用于通過(guò)特征提取，得到所述眼睛區(qū)域圖像樣本的特征向量； 及構(gòu)造單元，用于依據(jù)所述特征向量構(gòu)造疲勞狀態(tài)判別器。優(yōu)選的，所述特征樣本特征提取單元，可具體用于直接以所述眼睛區(qū)域圖像樣本 的灰度值組成特征向量；或者，采用Gabor變換、主成分分析和線性判別分析的一種或多 種，對(duì)所述眼睛區(qū)域圖像樣本進(jìn)行特征提取，得到相應(yīng)特征向量。優(yōu)選的，所述構(gòu)造單元具體可以包括訓(xùn)練集構(gòu)造子單元，構(gòu)造特征向量訓(xùn)練集{(Xi，yi)}，其中，i = 1，. . .，n，Xi為某 一眼睛區(qū)域圖像樣本的特征向量，Yi為該眼睛區(qū)域圖像樣本所屬的樣本類別，在其屬于疲 勞狀態(tài)類別時(shí)Yi = 1，在其屬于非疲勞狀態(tài)類別時(shí)Yi = -l，n為眼睛區(qū)域圖像樣本的數(shù)量； 及訓(xùn)練子單元，用于針對(duì)所述特征向量訓(xùn)練集，訓(xùn)練獲得作為眼睛區(qū)域分類器的支
持向量機(jī)模型/⑷
權(quán)利要求
1.一種電腦前疲勞狀態(tài)的檢測(cè)方法，其特征在于，包括 獲取攝像頭捕獲的電腦前臉部圖像；對(duì)所述電腦前臉部圖像進(jìn)行人臉檢測(cè)，得到人臉圖像； 依據(jù)所述人臉圖像得到眼睛區(qū)域圖像； 對(duì)所述眼睛區(qū)域圖像進(jìn)行特征提取，得到特征向量；將所述特征向量輸入到疲勞狀態(tài)判別器中，輸出是否處于疲勞狀態(tài)的檢測(cè)結(jié)果，其中， 所述疲勞狀態(tài)判別器為依據(jù)包括疲勞狀態(tài)和非疲勞狀態(tài)的電腦前臉部圖像樣本所構(gòu)造的 分類器，且所述電腦前臉部圖像樣本為攝像頭捕獲得到，且所述電腦前臉部圖像樣本與所 述電腦前臉部圖像的捕獲位置處于相同的位置區(qū)間。
2.如權(quán)利要求1所述的方法，其特征在于，所述捕獲位置包括攝像頭與電腦屏幕之間 的距離，電腦用戶與電腦屏幕之間的距離，以及，電腦用戶的視線與電腦屏幕之間的距離；所述位置區(qū)間為預(yù)置位置區(qū)間。
3.如權(quán)利要求1所述的方法，其特征在于，所述依據(jù)所述人臉圖像得到眼睛區(qū)域圖像 的步驟，包括對(duì)所述人臉圖像進(jìn)行瞳孔定位，得到眼睛位置；根據(jù)所述眼睛位置，對(duì)所述人臉圖像進(jìn)行歸一化操作；從歸一化后的人臉圖像中割取預(yù)設(shè)大小的裸眼圖像，作為眼睛區(qū)域圖像。
4.如權(quán)利要求1所述的方法，其特征在于，所述將所述特征向量輸入到疲勞狀態(tài)判別 器中，輸出是否處于疲勞狀態(tài)的檢測(cè)結(jié)果的步驟，包括將所述特征向量輸入到疲勞狀態(tài)判別器中，得到疲勞狀態(tài)判別器的數(shù)值； 對(duì)該數(shù)值進(jìn)行判別分析，若該數(shù)值> 1，則輸出處于疲勞狀態(tài)的檢測(cè)結(jié)果；若該數(shù)值 ^ -1，則輸出處于非疲勞狀態(tài)的檢測(cè)結(jié)果；若-1 <該數(shù)值< 1，則根據(jù)計(jì)算得到的置信值， 輸出檢測(cè)結(jié)果。
5.如權(quán)利要求1至4中任一項(xiàng)所述的方法，其特征在于，在輸出處于疲勞狀態(tài)的檢測(cè)結(jié) 果時(shí)，所述方法還包括發(fā)出語(yǔ)音提示，其中，該語(yǔ)音提示用于提醒電腦用戶休息。
6.如權(quán)利要求1至4中任一項(xiàng)所述的方法，其特征在于，所述疲勞狀態(tài)判別器為通過(guò)以 下步驟構(gòu)造的分類器獲取攝像頭捕獲的包括疲勞狀態(tài)和非疲勞狀態(tài)的電腦前臉部圖像樣本； 對(duì)所述電腦前臉部圖像樣本進(jìn)行人臉檢測(cè)，得到人臉圖像樣本； 依據(jù)所述人臉圖像樣本得到眼睛區(qū)域圖像樣本； 通過(guò)特征提取，得到所述眼睛區(qū)域圖像樣本的特征向量； 依據(jù)所述特征向量構(gòu)造疲勞狀態(tài)判別器。
7.如權(quán)利要求6所述的方法，其特征在于，所述特征提取包括 直接以所述眼睛區(qū)域圖像樣本的灰度值組成特征向量； 或者，采用Gabor變換、主成分分析和線性判別分析的一種或多種，對(duì)所述眼睛區(qū)域圖像樣 本進(jìn)行特征提取，得到相應(yīng)特征向量。
8.如權(quán)利要求6所述的方法，其特征在于，所述依據(jù)所述特征向量構(gòu)造疲勞狀態(tài)判別器的步驟，包括構(gòu)造特征向量訓(xùn)練集{(Xi，yi)}，其中，i = l，...，n，Xi為某一眼睛區(qū)域圖像樣本的特 征向量，Yi為該眼睛區(qū)域圖像樣本所屬的樣本類別，在其屬于疲勞狀態(tài)類別時(shí)Yi = 1，在其 屬于非疲勞狀態(tài)類別時(shí)Yi = -1，η為眼睛區(qū)域圖像樣本的數(shù)量；針對(duì)所述特征向量訓(xùn)練集，訓(xùn)練獲得作為眼睛區(qū)域分類器的支持向量機(jī)模型η/(χ) = sgn{^a*yt(χ, ·χ) + δ*}其中，sgn為符號(hào)函數(shù)，b*為分類閾值，、*為訓(xùn)練得到 ‘=1 ,的最優(yōu)分類參數(shù)。
9.一種電腦前疲勞狀態(tài)的檢測(cè)裝置，其特征在于，包括 捕獲模塊，用于獲取攝像頭捕獲的電腦前臉部圖像；人臉檢測(cè)模塊，用于對(duì)所述電腦前臉部圖像進(jìn)行人臉檢測(cè)，得到人臉圖像； 瞳孔定位模塊，用于依據(jù)所述人臉圖像得到眼睛區(qū)域圖像； 特征提取模塊，用于對(duì)所述眼睛區(qū)域圖像進(jìn)行特征提取，得到特征向量；及 檢測(cè)模塊，用于將所述特征向量輸入到疲勞狀態(tài)判別器中，輸出是否處于疲勞狀態(tài)的 檢測(cè)結(jié)果，其中，所述疲勞狀態(tài)判別器為依據(jù)包括疲勞狀態(tài)和非疲勞狀態(tài)的電腦前臉部圖 像樣本所構(gòu)造的分類器，且所述電腦前臉部圖像樣本為攝像頭捕獲得到，且所述電腦前臉 部圖像樣本與所述電腦前臉部圖像的捕獲位置處于相同的位置區(qū)間。
10.如權(quán)利要求9所述的裝置，其特征在于，所述捕獲位置包括攝像頭與電腦屏幕之 間的距離，電腦用戶與電腦屏幕之間的距離，以及，電腦用戶的視線與電腦屏幕之間的距 1 ；所述位置區(qū)間為預(yù)置位置區(qū)間。
11.如權(quán)利要求9所述的裝置，其特征在于，所述瞳孔定位模塊包括 位置獲取單元，用于對(duì)所述人臉圖像進(jìn)行瞳孔定位，得到眼睛位置；歸一化單元，用于根據(jù)所述眼睛位置，對(duì)所述人臉圖像進(jìn)行歸一化操作；及 割取單元，用于從歸一化后的人臉圖像中割取預(yù)設(shè)大小的裸眼圖像，作為眼睛區(qū)域圖像。
12.如權(quán)利要求9所述的裝置，其特征在于，所述檢測(cè)模塊包括輸入單元，用于將所述特征向量輸入到疲勞狀態(tài)判別器中，得到疲勞狀態(tài)判別器的數(shù) 值；及判別分析單元，用于對(duì)該數(shù)值進(jìn)行判別分析，若該數(shù)值> 1，則輸出處于疲勞狀態(tài)的檢 測(cè)結(jié)果；若該數(shù)值< -1，則輸出處于非疲勞狀態(tài)的檢測(cè)結(jié)果；若-1 <該數(shù)值< 1，則根據(jù)計(jì) 算得到的置信值，輸出檢測(cè)結(jié)果。
13.如權(quán)利要求9至12中任一項(xiàng)所述的裝置，其特征在于，還包括語(yǔ)音提示模塊，用于在輸出處于疲勞狀態(tài)的檢測(cè)結(jié)果時(shí)，發(fā)出語(yǔ)音提示，其中，該語(yǔ)音 提示用于提醒電腦用戶休息。
14.如權(quán)利要求9至12中任一項(xiàng)所述的裝置，其特征在于，還包括疲勞狀態(tài)判別器構(gòu) 造模塊，包括樣本獲取單元，用于獲取攝像頭捕獲的包括疲勞狀態(tài)和非疲勞狀態(tài)的電腦前臉部圖像 樣本；樣本人臉檢測(cè)單元，用于對(duì)所述電腦前臉部圖像樣本進(jìn)行人臉檢測(cè)，得到人臉圖像樣本；眼鏡區(qū)域樣本獲取單元，用于依據(jù)所述人臉圖像樣本得到眼睛區(qū)域圖像樣本； 樣本特征提取單元，用于通過(guò)特征提取，得到所述眼睛區(qū)域圖像樣本的特征向量；及 構(gòu)造單元，用于依據(jù)所述特征向量構(gòu)造疲勞狀態(tài)判別器。
15.如權(quán)利要求9至12中任一項(xiàng)所述的裝置，其特征在于，所述特征樣本特征提取單 元，具體用于直接以所述眼睛區(qū)域圖像樣本的灰度值組成特征向量；或者，采用Gabor變 換、主成分分析和線性判別分析的一種或多種，對(duì)所述眼睛區(qū)域圖像樣本進(jìn)行特征提取，得 到相應(yīng)特征向量。
16.如權(quán)利要求9至12中任一項(xiàng)所述的裝置，其特征在于，所述構(gòu)造單元包括 訓(xùn)練集構(gòu)造子單元，構(gòu)造特征向量訓(xùn)練集Kxi, YiM，其中，i = 1，. . .，n，Xi為某一眼睛區(qū)域圖像樣本的特征向量，Yi為該眼睛區(qū)域圖像樣本所屬的樣本類別，在其屬于疲勞狀 態(tài)類別時(shí)Yi = 1，在其屬于非疲勞狀態(tài)類別時(shí)Yi = -1，η為眼睛區(qū)域圖像樣本的數(shù)量；及 訓(xùn)練子單元，用于針對(duì)所述特征向量訓(xùn)練集，訓(xùn)練獲得作為眼睛區(qū)域分類器的支持向 量機(jī)模型
全文摘要
本發(fā)明提供了一種電腦前疲勞狀態(tài)的檢測(cè)方法和裝置，其中的方法具體包括獲取攝像頭捕獲的電腦前臉部圖像；對(duì)所述電腦前臉部圖像進(jìn)行人臉檢測(cè)，得到人臉圖像；依據(jù)所述人臉圖像得到眼睛區(qū)域圖像；對(duì)所述眼睛區(qū)域圖像進(jìn)行特征提取，得到特征向量；將所述特征向量輸入到疲勞狀態(tài)判別器中，輸出是否處于疲勞狀態(tài)的檢測(cè)結(jié)果，其中，所述疲勞狀態(tài)判別器為依據(jù)包括疲勞狀態(tài)和非疲勞狀態(tài)的電腦前臉部圖像樣本所構(gòu)造的分類器，且所述電腦前臉部圖像樣本為攝像頭捕獲得到，且所述電腦前臉部圖像樣本與所述電腦前臉部圖像的捕獲位置處于相同的位置區(qū)間。本發(fā)明能夠根據(jù)攝像頭捕獲的電腦前臉部圖像檢測(cè)電腦前疲勞狀態(tài)，以避免對(duì)眼睛健康造成的危害。
文檔編號(hào)G06K9/62GK102096810SQ20111002789
公開日2011年6月15日 申請(qǐng)日期2011年1月26日 優(yōu)先權(quán)日2011年1月26日
發(fā)明者崔國(guó)勤 申請(qǐng)人:北京中星微電子有限公司