基于多信息融合的驾驶员图像面部定位3.PDFVIP

基于多信息融合的驾驶员图像面部定位——张明恒　王荣本　郭　烈 71 基于多信息融合的驾驶员图像面部定位 张明恒　王荣本　郭　烈 ( 吉林大学　长春 130022) 摘　要　面部区域位置的快速准确定位是利用视觉方法对驾驶员的驾驶状态进行监测和预 警的基础。采用 算法对人脸图像的 特征进行统计学习, 生成用于人脸检测的 A daBoo st H aar L ike 强分类器。利用A daBoo st 检测器快速检测到图像中可能存在的肤色区域, 在检测到的区域内利用 YC rCb 颜色空间中的肤色模型进行人脸位置的精确定位。实验结果表明, 该算法具有很好的可靠 性和实时性。 关键词　人脸检测; 驾驶员疲劳; 肤色模型; 算法; 特征 A daBoo st H aar L ike 中图法分类号:U 495　　文献标识码:A ) 示 , 将这些简单特征通过A daBoo st 算法训练, 得 0　引　言 到一系列分类能力一般的弱分类器( w eak classi 在公路交通事故中, 由驾驶员人为因素造成 fier) , 利用一定方法将这些弱分类器叠加(boo st ) 的事故占有相当比例。对驾驶员的驾驶精神状态 构成分类能力很强的强分类器 ( strong classi 进行有效监测, 并对其非正常驾驶行为进行有效 fier) 。最后, 将若干个强分类器串联, 即可形成用 警示, 这对于减少交通事故及人员死亡率, 有着十 于图像搜索检测的分级分类器 ( classifier cas 分重要的现实意义。笔者利用 学习算法 cade) [ 12 ] 。算法训练及检测的整体流程如图2 (a) A daBoo st 对灰度图像中面部区域的 特征进行统 所示, 图2 (b ) 为单个强分类器训练的大致步骤。 H aar L ike 计学习, 生成用于进行人脸检测的强分类器。利用 　　需要注意的是, 将训练出的强分类器串联在 A daBoo st 检测器快速检测到图像中可能存在的 一起形成层叠分类器(classifier cascade) 时应遵 肤色区域, 在检测到的区域内利用YC rCb 颜色空 循“先重后轻”的分级分类器思想, 将由重要特征 间中的肤色模型进行人脸位置的精确定位。 构成的结构较简单的强分类器放在前面, 这样可 以先排除大量的假样本, 以提高检测速度。 1　人脸检测方法 在得到了所需的检测分类器后, 笔者对通过 目前, 关于人脸检测的方法较多, 大致可分为 CCD 摄像机采集的部分图像样本进行了人脸区 2 种: 基于知识的方法和基于统计特征的方法。这 域定位, 结果如图3 所示。其中第1 行为CCD 采集 2 种方法各具优缺点: