人眼识别外文翻译译文.docVIP

译文： 惺忪眼睛识别之睡意检测 林信锋，林家仁，姚志 国立东华大学，台湾花莲 摘要：随着科学技术和汽车工业的进步，道路上有了越来越多的车辆。其结果是，繁忙的交通经常导致越来越多的交通事故。普通交通事故，司机注意力不集中通常是一个主要原因。若要避免这种情况，本文提出了惺忪的眼识别系统的嗜睡检测。首先，级联Adaboost算法与Haar特征分类器来找出人脸。第二，眼睛区域位于主动形状模型（ASM）搜索算法。然后采用二进制的模式和边缘检测的眼睛特征提取和确定眼睛的状态。实验结果表明即使没有系统训练阶段也能与其他方法的性能比较。 关键词：人脸检测；人眼识别；睡意。 一、引言 在过去的几十年中，随着车辆技术的发展交通事故发生率越来越高。驾驶员疲劳驾驶被认为是一个重要因素。许多研究显示长时间驾驶的危险是相当于醉酒驾驶。因此，驾驶员疲劳驾驶已成为一个普遍的问题。其结果是，大量的研究一直致力于检测系统的不安全驾驶。 安全驾驶系统可以概括为两大类。一种是车辆的以车为本的 [1] [2] 方法，其中着重论述，如车辆的道路上，位置状态变化的速度，等等。另一类是以人为本的方法，侧重于驱动程序的状态。此方法分析了驱动程序的人脸图像与图像处理和模式识别，如眨眼频率和眼睛关闭 [3] 的时间。提出的方法基于这一类别。 林 et al.[4] 评估几个功能集和分类 对于亲密关系的人眼检测。他们采用灰度值，Gabor 小波、 局部二进制模式 （LBP） 及直方图的面向梯度 （HOG） 来表示功能集，并与三种类型的分类器 （即，邻近取样 （NN），支持向量机 （SVM） 和 Adaboost算法） 比较。实验结果表明，各种特征描述符的结合大大提高了精度。 吴吴 et al.[5] 提出了一种识别眼睛的状态方法。他们用 haar 特征和 Adaboost 分类器 [6] 来找出人脸区域。LBP 被考虑作为图像的特征和特点采用支持向量机训练。然后利用支持向量机识别眼睛的状态。他们证明了该方法能有效地检测司机睡意，通过计算 PERCOLS （眼闭百分比）。 在本文中，我们提出惺忪的眼识别系统训练阶段无睡意检测。一个级联的 Adaboost 分类器 haar 特征 [7] 与主动形状模型 （ASM） [8] 用于找出人脸定位和眼区。然后采用二进制的模式和边缘检测的眼睛特征提取和确定眼睛的状态。实验结果与其它的方法，有训练阶段将演示的性能比较。 本文的结构如下。第 2 节中，描述了拟议的方法。节 3 演示实验结果。最后，第 4 节中得出结论。 二.拟议的方法 提出的方法具有四个主要步骤： 1） 图像预处理 ；2） 人脸检测 ；3） 眼睛检测 ；4） 的眼睛的状态识别。图 1 说明了驾驶员瞌睡侦测系统的流程图。在下面的小节提出了所提出方法的细节。 图一：该算法的流程图。 图像预处理 亮度变化会影响系统的精确率。因此，提出的方法都最初适用光补偿的直方图均衡化 [9]。在此步骤中，图 2 中所示我们分为红色、 绿色和蓝色分量的彩色图像，分别适用于每个组件的直方图均衡化。然后得到补偿的图像。光的补偿，我们降低了补偿图像的分辨率，以提高系统的效率。 图二：光补偿的直方图均衡方案 B.人脸检测 级联的 Adaboost 分类器 haar 特征 [10] 利用，找出人脸区域。第一，补偿的图像分割成矩形区域，在任何位置和原始图像中的刻度数。由于人脸面部特征的差异，haar 特征是有效的实时人脸检测。这些可以根据不同的矩形区域内的像素值的总和计算。如图 3 所示，可以由不同组成的黑色区域和白色区域表示功能。 级联的 Adaboost 分类器是一个强分类器相结合的几个弱分类器。每个弱分类器的 Adaboost 算法训练。如果候选人样品通过级联的 Adaboost 分类器，可以发现人脸区域。几乎所有的脸样本可以通过和非人脸样本会被拒绝。图 4 显示的人脸检测与级联的 Adaboost 分类器。 a b c 图 3:Haar 特征： (a) 边缘特性线 (b) (c) 中心-包围功能 图 4:与级联的 Adaboost 分类器的人脸检测 C.眼检测 主动形状模型 （ASM） [8] 是一种基于统计学习模型的人脸特征提取算法。它的目的是以匹配新的图像模型。在拟议的方法中，ASM 被训练从面部的轮廓与一组手动标记的点。然后算法选择主要变化训练数据中的主成分分析 （PCA） 方法。建立 ASM 后, 眼睛定位得到如图 5 所示。 图 5:检测结果的人脸区域和眼睛的位置 D.表彰的眼睛的状态 眼睛的特征提取识别眼睛的状态。一般情况下，左眼状态等于权利一在同一时间。因此，我们只考虑在一个框架中的一只眼睛状态。这种考虑也是有益于降低了计算