基于Adaboost算法的駕駛員眨眼識別

眨眼是一種睜閉眼睛的生理活動，眨眼的速度會受疲勞程度、情感壓力、行為種類、睡覺數(shù)量、眼睛受傷程度、疾病等因素影響[1~2]。眨眼識別是駕駛員疲勞檢測的基礎(chǔ)，本文采用 Adaboost算法[3][4][5]訓(xùn)練和檢測眼睛睜閉狀態(tài)，把睜眼和閉眼圖片分類出來。

　　Adaboost算法

　　Adaboost是一種自適應(yīng) boosting算法，它的原理就是將一些簡單的弱分類器 (矩形特征 )通過特定的訓(xùn)練需求 (一般為檢測率和誤檢率的要求)組合成為一個強分類器，在訓(xùn)練和檢測時每一個強分類器對待檢測的矩形特征進行判決，將這些強分類器級聯(lián)起來就可以生成一個準確的、快速的分類器。它的特點就是檢測速度快，因為每一個強分類器都可以否決待檢測的矩形特征，所以前面的強分類器就可以把大部分錯誤的特征給排除掉。

　　下面介紹Adaboost算法對強分類器的訓(xùn)練。本文正樣本為包含各種姿態(tài)人眼的圖片(睜眼、閉眼、帶眼鏡)，負樣本為不包含眼睛的任意圖片。設(shè)輸入的n個訓(xùn)練樣本為:{(x1,y1)，(x2,y2)，......(xn,yn)}，其中xi是輸入的訓(xùn)練樣本，yi∈{0,1}分別表示正樣本和負樣本，其中正樣本數(shù)為 l，負樣本數(shù)m。n=l+m，具體步驟如下：

　　(1) 初始化每個樣本的權(quán)重w1,i∈D(i);

　　(2)對每個t=1,..., T(T為弱分類器的個數(shù))

　?、侔褭?quán)重歸一化為一個概率分布

　?、趯γ總€特征f，訓(xùn)練一個弱分類器hj計算對應(yīng)所有特征的弱分類器的加權(quán)錯誤率

　?、圻x取最佳的弱分類器ht(擁有最小錯誤率)：et

　?、馨凑者@個最佳弱分類器，調(diào)整權(quán)重

　　其中ei=0表示被正確地分類，ei=1

　　表示被錯誤地分類

　　(3)最后的強分類器為：

　　基于Adaboost算法的眨眼識別

　　要保證視頻流中圖像處理的實時性就必須采用特定的算法。Adaboost算法由于它特殊的算法模式，可以進行快速的目標檢測，因此我們的人眼狀態(tài)檢測的定位，系統(tǒng)就選擇了 Adaboost算法。基于Adaboost的眨眼識別系統(tǒng)主要包含兩個模塊:訓(xùn)練和檢測。其中訓(xùn)練過程起著決定性的作用。

訓(xùn)練

　　樣本的選擇至關(guān)重要，包括兩個方面，首先是樣本源，本文采用BioID-EyeDatabase和AR人臉庫(來源于網(wǎng)絡(luò))[6]，樣本庫提供了人臉圖片和人眼坐標，根據(jù)人眼坐標用Matlab編程來提取人眼。正樣本從截取出的人眼圖片中選取閉眼圖片，負樣本為剩下的睜眼圖片。樣本的訓(xùn)練過程就是按第2部分算法所闡述的方法選擇弱分類器, 形成強分類器, 再由強分類器級聯(lián)成為一個有效的分類器。在訓(xùn)練時給出檢測率和誤檢率的要求，如檢測率為0.99，誤檢率為0.3，若一共有n個強分類器，則最終的檢測率為0.99n，最終的誤檢率為0.3n。

　　檢測

　　檢測就是根據(jù)訓(xùn)練所得到的分類器特征一般存儲為.xml文件對輸入圖片進行檢測。分類器是一個有若干個強分類器組成的級聯(lián)分類器，檢測結(jié)果是一系列的目標矩形，也就是圖像中目標所在的位置。

　　實驗結(jié)果分析

　　本文采用三種不同的負樣本選擇方法，進行了三次對比實驗。

　　實驗一：正樣本582張閉眼圖片，歸一化為24×24，負樣本1285張睜眼圖片，正負樣本如圖1、圖2所示，實驗結(jié)果如圖3所示。

　　從實驗結(jié)果可以看出睜眼圖片中把眉毛誤檢為閉眼圖片，原因是負樣本數(shù)量和種類少，導(dǎo)致誤檢率高。

　　本文提出了一種新的負樣本選擇方法，這樣給我們擴展訓(xùn)練樣本量提供了很大的幫助，就是在Opencv[7]中修改程序，利用已經(jīng)訓(xùn)練好的分類器，來檢測大量視頻圖片，把誤檢的圖片保存下來加入到負樣本中來作為下次訓(xùn)練的新的負樣本，并繼續(xù)訓(xùn)練，然后利用下次訓(xùn)練好的新的分類器來繼續(xù)添加負樣本。負樣本截取軟件界面如圖4所示。

　　實驗二：正樣本582張閉眼圖片，與實驗一相同，負樣本2300張，其中除了實驗一中的負樣本，還包括從負樣本截取軟件中收集到的誤檢圖片。添加的負樣本如圖5所示。

　　實驗結(jié)果如圖6所示。

　　從實驗結(jié)果可以看出睜眼圖片中把兩內(nèi)眼角以外一定范圍誤檢為閉眼，說明負樣本的種類還是沒有達到要求。所以繼續(xù)利用負樣本截取軟件收集誤檢到的圖片作為負樣本。

　　實驗三：正樣本582張閉眼圖片，與實驗一相同，負樣本為2965張，其中除了實驗二中的負樣本，還包括從負樣本截取軟件中收集到的誤檢圖片。添加的負樣本如圖7所示。

　　實驗結(jié)果如圖8所示。

　　從實驗結(jié)果中可以看出利用最終的負樣本訓(xùn)練生成的分類器能有效的區(qū)分出睜眼和閉眼狀態(tài)，誤檢率大大降低，說明這樣的負樣本選擇方法行之有效。

　　三個實驗結(jié)果誤檢率比較如表1所示。誤檢率為錯誤檢測的圖片數(shù)除以圖片總數(shù)。

　　結(jié)語

　　本文通過實驗，提出了一種新的負樣本選擇方法，這樣給我們擴展訓(xùn)練樣本量提供了很大的幫助，即應(yīng)用一個負樣本截取軟件，通過載入先前訓(xùn)練好的分類器，不斷的收集誤檢的部分來添加進負樣本中，作為下次訓(xùn)練的新的負樣本，訓(xùn)練新的分類器。不斷循環(huán)重復(fù)這個步驟，直到達到能產(chǎn)生有滿意效果的分類器。從三個實驗結(jié)果看出誤檢率逐漸減少，證明了方法的有效性。在以后的實驗中繼續(xù)采用層層迭代的方式，不斷利用訓(xùn)練好的新的分類器來增加負樣本，直到訓(xùn)練出更加精確的分類器，為后續(xù)判斷汽車駕駛員疲勞檢測做鋪墊。