計算機基于灰度共生矩陣能量變化智能識別視頻中人眼狀態(tài)的方法
【專利摘要】本發(fā)明公開了一種采用灰度共生矩陣能量變化智能識別視頻中人眼狀態(tài)的方法，包括以下步驟：(1)從視頻中獲取若干幅人眼圖像，計算得到各幅人眼圖像的灰度共生矩陣；(2)計算每一幀人眼圖像對應(yīng)的灰度共生矩陣的角二階矩值，得到每幀人眼圖像所對應(yīng)的能量值；構(gòu)建一條幀數(shù)-能量值的原始數(shù)據(jù)曲線；(3)對每一幀人眼圖像進行均值濾波處理獲得一條與原始數(shù)據(jù)曲線相對應(yīng)的基準(zhǔn)曲線；將原始數(shù)據(jù)曲線和基準(zhǔn)曲線上的對應(yīng)值相減并取絕對值，就得到一條差值曲線；(4)將差值曲線上的差值與預(yù)設(shè)的能量閾值作比較。該方法具有很強的自適應(yīng)性，能夠有效克服不同人眼睛的差別帶來的影響。
【專利說明】計算機基于灰度共生矩陣能量變化智能識別視頻中人眼狀態(tài)的方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于智能交通【技術(shù)領(lǐng)域】，具體涉及一種采用灰度共生矩陣能量變化智能識別視頻中人眼狀態(tài)的方法。
【背景技術(shù)】
[0002]眼睛是人體面部最重要的特征，在數(shù)字圖像處理和計算機視覺研究與應(yīng)用中有著極為重要的作用，眼睛睜閉狀態(tài)的檢測是虹膜識別、視線跟蹤和駕駛員疲勞檢測等系統(tǒng)的關(guān)鍵環(huán)節(jié)，檢測的準(zhǔn)確率直接影響到系統(tǒng)的性能。然而，在實際應(yīng)用過程中，不均勻光照、光斑、睫毛和眼鏡框等諸多因素的影響，使眼睛睜閉狀態(tài)識別成為了一個極具挑戰(zhàn)性的任務(wù)。
[0003]目前，眼睛睜閉狀態(tài)識別領(lǐng)域有很多方法，最具代表性的包括樣本學(xué)習(xí)法、模板匹配法、上下眼瞼檢測法等。這些方法各有優(yōu)勢，但也存在明顯的不足之處。
[0004]1.樣本學(xué)習(xí)法
[0005]樣本學(xué)習(xí)方法是目前特征檢測的主流方法，但是受學(xué)習(xí)樣本的影響較大，同一個算法在不同的樣本集上表現(xiàn)出來的性能具有很大的區(qū)別。例如利用AdaBoost方法檢測眼睛狀態(tài)，其中一個很大的問題就是它很難判斷眼睛半開半閉的狀態(tài)和睜眼的程度。
[0006]2.模板匹配法
[0007]眼睛狀態(tài)可以分為3種:睜開、閉合以及介于兩者之間的半睜半閉。首先對大量不同狀態(tài)下的眼睛圖像建立3種眼睛狀態(tài)模板，然后在待檢測圖像上進行匹配，根據(jù)匹配隸屬度來判定眼睛的睜閉狀態(tài)。此方法需要預(yù)存多個模板，存儲信息量和計算量大，不易推廣，且實時性較差。
[0008]3.上下眼瞼檢測法
[0009]眼睛狀態(tài)檢測中，Hough變換方法一般用于檢測上下眼瞼。從直觀上來看，人眼的眼瞼信息較明顯而且穩(wěn)定，準(zhǔn)確地檢測出眼瞼位置會大大提高眼瞼狀態(tài)檢測結(jié)果的精確度。但是Hough變換檢測眼瞼的效果強烈依賴于邊緣檢測的準(zhǔn)確性，由于光照、眼鏡框、人臉與攝像頭的距離、甚至眼睛周圍的皺紋等因素的影響通常得不到理想的眼瞼特征，而且由于不同人的眼睛大小和形狀不同，相似的上下眼瞼形狀對不同的人來說代表的睜閉狀態(tài)和程度也會不同。近年來，也有將主動形狀模型(ASM, Active Shape Model)用于上下眼瞼檢測的方法，但仍然存在上下眼瞼檢測易受光照、眼鏡框、皺紋等因素影響的問題。本發(fā)明因此而來。

【發(fā)明內(nèi)容】

[0010]本發(fā)明提供的一種采用灰度共生矩陣能量變化智能識別視頻中人眼狀態(tài)的方法，解決了現(xiàn)有技術(shù)中計算機進行眼睛睜閉狀態(tài)的識別時普遍存在方法實時性差、易受多種因素的影響、魯棒性差的問題。
[0011]為了解決現(xiàn)有技術(shù)中的這些問題，本發(fā)明提供的技術(shù)方案是:[0012]一種采用灰度共生矩陣能量變化智能識別視頻中人眼狀態(tài)的方法，其特征在于所述方法包括以下步驟:
[0013](I)從視頻中獲取若干幅人眼圖像，計算得到各幅人眼圖像的灰度共生矩陣；
[0014](2)計算每一幀人眼圖像對應(yīng)的灰度共生矩陣的角二階矩值，得到每幀人眼圖像所對應(yīng)的能量值；以視頻中的幀數(shù)為X軸，每幀人眼圖像對應(yīng)的能量值為Y軸，構(gòu)建一條幀數(shù)-能量值的原始數(shù)據(jù)曲線；
[0015](3)對每一幀人眼圖像進行均值濾波處理獲得一條與原始數(shù)據(jù)曲線相對應(yīng)的基準(zhǔn)曲線；將原始數(shù)據(jù)曲線和基準(zhǔn)曲線上的對應(yīng)值相減并取絕對值，就得到一條差值曲線；
[0016](4)將差值曲線上的差值與預(yù)設(shè)的能量閾值作比較；若差值小于能量閾值，則判定為視頻中人眼狀態(tài)為睜眼狀態(tài)；若差值大于能量閾值，則判定視頻中人眼狀態(tài)為閉眼狀態(tài)。
[0017]優(yōu)選的，所述方法步驟(3)中均值濾波處理是以某一幀人眼圖像為中心獲取前后若干幀人眼圖像對應(yīng)的能量值，然后求取它們的平均值作為該幀原始能量值的基準(zhǔn)值；以視頻中的幀數(shù)為X軸，相應(yīng)幀原始能量值的基準(zhǔn)值為Y軸構(gòu)建一條幀數(shù)-基準(zhǔn)值的基準(zhǔn)曲線。
[0018]優(yōu)選的，所述方法中每一幀的待測人眼圖像和人眼訓(xùn)練圖像均經(jīng)歸一化處理成大小相同，且人眼區(qū)域均為右眼區(qū)域或左眼區(qū)域的圖像。
[0019]優(yōu)選的，所述方法步驟(1)中假設(shè)人眼訓(xùn)練圖像歸一化處理后大小均為NXN的圖像，則圖像I的灰度共生矩陣按照以下步驟進行生成:
[0020]I)圖像I (NXN)中取點A(x，y)及偏離它的另一點B(x + a, y + b),兩點的灰度值分別為gA、gB,記為(gA，gB)，設(shè)灰度值的級數(shù)為L，則共有L2種不同的灰度組合(gA，gB)；
[0021]2)假設(shè)像素點對A與B的間隔生成步長參數(shù)為d，生成方向角度參數(shù)為Θ，令點A在整幅圖像上移動，則根據(jù)統(tǒng)計出的每一種(gA，gB)出現(xiàn)的次數(shù)t (gA, gB)，排列成一個方陣；再用所有(gA，gB)出現(xiàn)的總次數(shù)將這個方陣歸一化為每一種(gA，gB)出現(xiàn)的概率P(gA, gB),最后將其排列成一個LXL大小的方陣,記為P(gA, gB, d, Θ )，即為圖像I的灰度共生矩陣，其中灰度級L為小于等于256的自然數(shù)。
[0022]優(yōu)選的，所述方法中灰度級L = 16 ;步長d = 2 ; Θ =0° >45° >90° >135°。
[0023]優(yōu)選的，所述方法中角二階矩值是灰度共生矩陣元素值的平方和，即得到該灰度共生矩陣的能量值。優(yōu)選的，所述方法中角二階矩值按照公式(I)獲得:
【權(quán)利要求】
1.一種采用灰度共生矩陣能量變化智能識別視頻中人眼狀態(tài)的方法，其特征在于所述方法包括以下步驟: (1)從視頻中獲取若干幅人眼圖像，計算得到各幅人眼圖像的灰度共生矩陣； (2)計算每一幀人眼圖像對應(yīng)的灰度共生矩陣的角二階矩值，得到每幀人眼圖像所對應(yīng)的能量值；以視頻中的幀數(shù)為X軸，每幀人眼圖像對應(yīng)的能量值為Y軸，構(gòu)建一條幀數(shù)-能量值的原始數(shù)據(jù)曲線； (3)對每一幀人眼圖像進行均值濾波處理獲得一條與原始數(shù)據(jù)曲線相對應(yīng)的基準(zhǔn)曲線；將原始數(shù)據(jù)曲線和基準(zhǔn)曲線上的對應(yīng)值相減并取絕對值，就得到一條差值曲線； (4)將差值曲線上的差值與預(yù)設(shè)的能量閾值作比較；若差值小于能量閾值，則判定為視頻中人眼狀態(tài)為睜眼狀態(tài)；若差值大于能量閾值，則判定視頻中人眼狀態(tài)為閉眼狀態(tài)。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于所述方法步驟(3)中均值濾波處理是以某一幀人眼圖像為中心獲取前后若干幀人眼圖像對應(yīng)的能量值，然后求取它們的平均值作為該幀原始能量值的基準(zhǔn)值；以視頻中的幀數(shù)為X軸，相應(yīng)幀原始能量值的基準(zhǔn)值為Y軸構(gòu)建一條幀數(shù)-基準(zhǔn)值的基準(zhǔn)曲線。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于所述方法中每一幀的待測人眼圖像和人眼訓(xùn)練圖像均經(jīng)歸一化處理成大小相同，且人眼區(qū)域均為右眼區(qū)域或左眼區(qū)域的圖像。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于所述方法步驟(1)中假設(shè)人眼訓(xùn)練圖像歸一化處理后大小均為NXN的圖像，則圖像I的灰度共生矩陣按照以下步驟進行生成: 1)圖像I(NXN)中取點A(x，y)及偏離它的另一點B(x+ a, y + b)，兩點的灰度值分別為gA、gB,記為(gA，gB)，設(shè)灰度值的級數(shù)為L，則共有L2種不同的灰度組合(gA，gB)； 2)假設(shè)像素點對A與B的間隔生成步長參數(shù)為d，生成方向角度參數(shù)為Θ，令點A在整幅圖像上移動，則根據(jù)統(tǒng)計出的每一種(gA，gB)出現(xiàn)的次數(shù)t(gA，gB)，排列成一個方陣；再用所有(gA，gB)出現(xiàn)的總次數(shù)將這個方陣歸一化為每一種(gA，gB)出現(xiàn)的概率P(gA，gB)，最后將其排列成一個LXL大小的方陣，記為P(gA，gB, d，Θ )，即為圖像I的灰度共生矩陣，其中灰度級L為小于等于256的自然數(shù)。
5.根據(jù)權(quán)利要求4所述的方法，其特征在于所述方法中灰度級L=16;步長d=2 ；θ=0°、45°、90° ,135°。
6.根據(jù)權(quán)利要求5所述的方法，其特征在于所述方法中角二階矩值是灰度共生矩陣元素值的平方和，即按照公式(I)獲得: ASM = YdYdPHiJld,Θ) CDi
/=O /=0 其中，L為某幅圖像的灰度值級數(shù)；1、j為灰度級數(shù)值；P為該圖像的灰度共生矩陣；d為生成步長；Θ為生成方向。
【文檔編號】G06K9/62GK103955695SQ201310615993
【公開日】2014年7月30日 申請日期:2013年11月27日 優(yōu)先權(quán)日:2013年11月27日
【發(fā)明者】張偉, 成波 申請人:蘇州清研微視電子科技有限公司, 清華大學(xué)蘇州汽車研究院（吳江）