毕业设计结题报告.pptVIP

导师：王生进老师 报告人：周宇辰 用于驾驶员疲劳监控的 多光照环境下的眼部检测 报告内容 课题背景及难点介绍 现有方法及存在的问题 实验所采用的算法 实验结果与分析 总结 课题背景 这次课题研究的重点在于解决驾驶舱内的人眼定位问题。 与通常的人脸、五官检测相比，驾驶员人眼检测主要有以下几个不同之处： 根据驾驶员所处地理位置、所驾驶方向、以及驾驶的时间不同，阳光可能从多个方向照射过来，也可能没有阳光（夜晚）；车顶棚在中午的时候会在驾驶员脸上投下阴影。 （多光照） 驾驶员正前方应是挡风玻璃，不能安装摄像头，应考虑到摄像头微仰视的可能性。 课题难点 被检图像的光照变化大，而且不同于一般的光照变化； 已有算法均是针对前者的。 头像分辨率较低，部分眼睛像素太少。 现有算法 光照处理方面，比较常用的是SQI（自商图像）、LTV（对数全变分）和CLAHE（对比度受限的直方图均衡）等方法； 特征提取方面，比较常用的是Haar/类Haar特征、Gabor特征、SIFT/HOG特征和MSER特征； 训练分类器方面，比较常用的是Adaboost和SVM。 存在的问题 若不进行光照处理，直接将明暗两种眼睛混合起来进行训练，会导致类内差距过大而使训练过程不收敛。 若使用预光照处理，目前的算法没有针对骤变阴影的情况，处理效果未知。 人眼检测系统架构 针对上面提到的问题，我决定首先对几种不同的光照处理方法进行实验，选出最有效的一种，并且针对这种方法选取合适的特征，调整分类器训练过程中的参数，使分类效果达到最好。 另外，为了充分利用先验知识和驾驶舱的特殊背景，我还准备加入后期处理模块以进一步提高检测率、降低虚警率。 人眼检测系统架构 光照处理 SQI简化算法： 加窗Gauss的SQI复杂算法： 对于每个像素卷积核不同 Threshold矩阵为目标像素周围的任一像素大于其周围固定范围大小的像素平均值时，该值为1，否则为0。 综合程序效率和效果考虑，这次实验采用简化SQI算法。 光照处理 实现了4种不同的光照处理算法：加窗Gauss的SQI、简化的SQI算法、CLAHE算法和抛物线拟合分界面算法。 结果如下： 抛物线拟合 SQI简化算法 加窗Gauss的SQI CLAHE 特征选择 Gabor特征对于Adaboost训练器穷举式搜索计算量较大，适于固定区域的特征提取（比如人脸表情识别）； HOG/SIFT特征需要被检目标可分块/特征点多，眼部区域不符合；主要适用于大目标或目标跟踪； MSER特征主要用于辅助HOG特征。 这里选取Haar/类Haar特征，在实验后决定剔除类Haar特征而只使用水平/竖直的Haar基本特征。 分类器训练 样本较多，不能体现使用SVM分类器的优势，选择使用Adaboost分类器。 Adaboost常见的算法包括Discrete, Real, Logit和Gentle Adaboost。 其中Gentle Adaboost在收敛性与分类效果上是最好的方法。从理论上和实验中都说明了这个问题。 实验结果 正确检测： 虚警： 漏报： 结果分析 虚警多出现在眉毛和嘴部区域； 有些闭着的眼睛和处于非常暗阴影中的眼睛未能检测成功。 考虑针对这两个问题进行后期处理： 后期处理 从时域上和空域上两个不同角度对分类器得到的结果进行修正和补充。 时域：帧间利用人眼追踪算法，记录上一帧人眼所在位置，排除此帧中与上一帧人眼距离差距大的检测窗口； 空域：为了去除眉毛引起的虚警（占虚警总数的70%），采用测量两个眼睛垂直距离差的方法，只保留相差最近的两个窗口。 利用先验知识，眼部区域在脸部的上2/3处，检测时仅检测上2/3区域，既能提高效率，又能够去除由嘴部引起的虚警（20%左右） 为提高检测率，还加入新的检测器（闭眼检测器和暗眼检测器） 实验结果 正确检测： 虚警： 漏报： 暗眼/闭眼分类器： 程序演示 谢谢！ 欢迎各位老师提问！