基于模式识别自适应灯具.docVIP

基于模式识别自适应灯具 　　摘 要：模式识别技术自20世纪60年代提出以来，一直都因为其巨大的发展潜力吸引了众多研究者的深入探索和研究。这些年来，模式识别在人脸识别、疲劳检测、人机交互等领域取得了巨大进展。本文研究的目的是设计一套可以自动检测人眼状态并作出相应调光反馈的灯光系统，这套系统可以最大程度上减轻视疲劳，保护眼睛。当光有微小的变化，眼睛就会做出相应的变化。当眼睛处于一个舒适的状态，光就处于一个合适的值。本文使用的软件主要是VS2013与OpenCV相结合，通过调用OpenCV库函数，建立该灯具系统。本文采用了级联Adaboost算法，用于人脸检测、人眼检测和瞳孔定位。对输入图像进行人脸检测，在人脸检测的基础上进行人眼检测并定位瞳孔，从而找到瞳孔直径以及虹膜直径。通过串口，把瞳孔直径与虹膜直径的比值按照一定的映射关系传给数模转换模块，输出不同的电压来控制LED的亮度。再辅以反馈调节机制，确保灯具发出的光照是最符合人眼需求的光照。 　　关键词：模式识别；级联Adaboost算法；OpenCV ；人眼检测 　　1 作品背景 　　信息大数据时代，由于人们经常在不合适的光线下过度使用电子产品，导致眼部疾病发病率直线上升。解决问题的根源在于将不合适的光线调节为适合眼睛的光线。而目前世界上关于适合光照还没有一个公认的标准，在这种状况下，人为地界定一个光线亮度，光线被动的调节，并不能改善目前电子产品过度使用，眼部疾病发病率逐年攀升的现状。我们立足于健康生活的理念，将模式识别技术运用到灯具上，致力于研究自适应性灯具。台灯可以根据环境光线的变化和人眼的状态来自动调节，达到使人眼感到舒适的状态，从而减少对眼睛的伤害，提高眼睛的健康状况。 　　2 总体设计 　　在实现灯光自适应调节的过程中，主要应用了模式识别领域中的Adaboost算法和级联分类器。 　　2.1 模式识别 　　模式识别是一个样本的类别属性（模式类）的确定过程，即把某一个样本归属于多个类型中的某个类型，从20世纪20年代发展至今，目前它已经运用到生物认证、指纹识别、声纹识别、语音识别、数字水印等领域。模式识别技术是人工智能的基础，我们利用摄像头拍摄出的照片，通过Adaboost算法和级联分类器识别出眼睛的状态，确定眼睛对光照的需求。 　　2.2 Haar积分图 　　将红外背光摄像头拍摄的照片转化为灰度图，为了得到灰度图的特征值，需要对输入图像进行逐点扫描。设i（x，y）为输入图像中像素点（x，y）的像素灰度值，那么假定一个图像，在某一点（x，y）处，求该点像素的灰度值之和，要计算纵坐标小于等于Y的所有像素点。定义该像素灰度值的和为s（x，y），利用递推公式，求取待测图像的积分图： 　　s（x，y）=s（x，y-1）+i（x，y） 　　ii（x，y）=ii（x-1，y）+s（x，y） 　　其中x和y从0开始，s（x，y-1）=0，ii（x-1，y）=0。可以通过积分图快速求得矩形特征区域内的所有像素点的灰度积分。点1处的积分图ii1为：ii1=sum（A），具体积分范围如图1所示。 　　根据上图可以按顺序分别计算点2，点3，点4的特征值： 　　ii2=sum（A）+sum（B） 　　ii3=sum（A）+sum（C） 　　ii4=sum（A）+sum（B）+sum（C）+sum（D） 　　根据上式，在积分图示例中计算出的每个端点处的值代表一个矩形特征值，再将每个端点处的值做加减运算。所要计算的矩形大小和位置都与计算时间无关，即这个计算时间是一个常数，这是积分图计算的最大优点。 　　2.3 Adaboost算法与级联分类器 　　Adaboost算法是一种分类器算法，在1995年由 Freund 和 Robert E.Schapire提出的，其主要思想是利用大量分类能力较弱的简单分类器（weaker classifier） 通过一定方法叠加（boost）起来，构成一个具有强分类能力的强分类器。 　　2.3.1 由扩展的Haar特征生成弱分类器 　　将红外背光摄像头拍摄出的照片转化为灰度图，利用灰度图的特征值训练弱分类器。弱分类器可以使一个任何单一特征或组合特征的分类器，它的主要功能是对候选区域做二值判断。具体定义如下： 　　其中x为检测窗口，f（x）为计算矩形特征值的函数，θ为通过训练的弱分类器的阈值，p用来表示不等式的方向，取值为+1。对图中的每个特征f，训练得到对应的一个弱分类器h（x，f，p，θ），确定得到最优阈值，使得这个弱分类器h（x，f，p，θ）对所有的训练样本的分类误差率最低。 　　弱分类器训练的过程大致如下： 　　（1）计算每个特征f1（i=1...m为特征总数）对应的训练样本的特征值； 　　（2）将所有特征值排序