人眼識別外文翻譯譯文

1、譯文： 惺忪眼睛識別之睡意檢測 林信鋒，林家仁，姚志 國立東華大學，臺灣花蓮摘要：隨著科學技術和汽車工業(yè)的進步，道路上有了越來越多的車輛。其結果是，繁忙的交通經常導致越來越多的交通事故。普通交通事故，司機注意力不集中通常是一個主要原因。若要避免這種情況，本文提出了惺忪的眼識別系統(tǒng)的嗜睡檢測。首先，級聯(lián)Adaboost算法與Haar特征分類器來找出人臉。第二，眼睛區(qū)域位于主動形狀模型（ASM）搜索算法。然后采用二進制的模式和邊緣檢測的眼睛特征提取和確定眼睛的狀態(tài)。實驗結果表明即使沒有系統(tǒng)訓練階段也能與其他方法的性能比較。關鍵詞：人臉檢測；人眼識別；睡意。一、引言在過去的幾十年中，隨著車輛技術的發(fā)

2、展交通事故發(fā)生率越來越高。駕駛員疲勞駕駛被認為是一個重要因素。許多研究顯示長時間駕駛的危險是相當于醉酒駕駛。因此，駕駛員疲勞駕駛已成為一個普遍的問題。其結果是，大量的研究一直致力于檢測系統(tǒng)的不安全駕駛。安全駕駛系統(tǒng)可以概括為兩大類。一種是車輛的以車為本的 1 2 方法，其中著重論述，如車輛的道路上，位置狀態(tài)變化的速度，等等。另一類是以人為本的方法，側重于驅動程序的狀態(tài)。此方法分析了驅動程序的人臉圖像與圖像處理和模式識別，如眨眼頻率和眼睛關閉 3 的時間。提出的方法基于這一類別。林 et al.4 評估幾個功能集和分類對于親密關系的人眼檢測。他們采用灰度值，Gabor 小波、 局部二進制模式 （

3、LBP） 及直方圖的面向梯度 （HOG） 來表示功能集，并與三種類型的分類器 （即，鄰近取樣 （NN），支持向量機 （SVM） 和 Adaboost算法） 比較。實驗結果表明，各種特征描述符的結合大大提高了精度。吳吳 et al.5 提出了一種識別眼睛的狀態(tài)方法。他們用 haar 特征和 Adaboost 分類器 6 來找出人臉區(qū)域。LBP 被考慮作為圖像的特征和特點采用支持向量機訓練。然后利用支持向量機識別眼睛的狀態(tài)。他們證明了該方法能有效地檢測司機睡意，通過計算 PERCOLS （眼閉百分比）。在本文中，我們提出惺忪的眼識別系統(tǒng)訓練階段無睡意檢測。一個級聯(lián)的 Adaboost 分類器 ha

4、ar 特征 7 與主動形狀模型 （ASM） 8 用于找出人臉定位和眼區(qū)。然后采用二進制的模式和邊緣檢測的眼睛特征提取和確定眼睛的狀態(tài)。實驗結果與其它的方法，有訓練階段將演示的性能比較。本文的結構如下。第 2 節(jié)中，描述了擬議的方法。節(jié) 3 演示實驗結果。最后，第 4 節(jié)中得出結論。二.擬議的方法提出的方法具有四個主要步驟： 1） 圖像預處理 ；2） 人臉檢測 ；3） 眼睛檢測 ；4） 的眼睛的狀態(tài)識別。圖 1 說明了駕駛員瞌睡偵測系統(tǒng)的流程圖。在下面的小節(jié)提出了所提出方法的細節(jié)。圖一：該算法的流程圖。A. 圖像預處理亮度變化會影響系統(tǒng)的精確率。因此，提出的方法都最初適用光補償?shù)闹狈綀D均衡化 9

5、。在此步驟中，圖 2 中所示我們分為紅色、 綠色和藍色分量的彩色圖像，分別適用于每個組件的直方圖均衡化。然后得到補償?shù)膱D像。光的補償，我們降低了補償圖像的分辨率，以提高系統(tǒng)的效率。圖二：光補償?shù)闹狈綀D均衡方案B.人臉檢測級聯(lián)的 Adaboost 分類器 haar 特征 10 利用，找出人臉區(qū)域。第一，補償?shù)膱D像分割成矩形區(qū)域，在任何位置和原始圖像中的刻度數(shù)。由于人臉面部特征的差異，haar 特征是有效的實時人臉檢測。這些可以根據不同的矩形區(qū)域內的像素值的總和計算。如圖 3 所示，可以由不同組成的黑色區(qū)域和白色區(qū)域表示功能。級聯(lián)的 Adaboost 分類器是一個強分類器相結合的幾個弱分類器。每個

6、弱分類器的 Adaboost 算法訓練。如果候選人樣品通過級聯(lián)的 Adaboost 分類器，可以發(fā)現(xiàn)人臉區(qū)域。幾乎所有的臉樣本可以通過和非人臉樣本會被拒絕。圖 4 顯示的人臉檢測與級聯(lián)的 Adaboost 分類器。abc圖 3:Haar 特征： (a) 邊緣特性線 (b) (c) 中心-包圍功能圖 4:與級聯(lián)的 Adaboost 分類器的人臉檢測C.眼檢測主動形狀模型 （ASM） 8 是一種基于統(tǒng)計學習模型的人臉特征提取算法。它的目的是以匹配新的圖像模型。在擬議的方法中，ASM 被訓練從面部的輪廓與一組手動標記的點。然后算法選擇主要變化訓練數(shù)據中的主成分分析 （PCA） 方法。建立 ASM 后

7、, 眼睛定位得到如圖 5 所示。圖 5:檢測結果的人臉區(qū)域和眼睛的位置D.表彰的眼睛的狀態(tài)眼睛的特征提取識別眼睛的狀態(tài)。一般情況下，左眼狀態(tài)等于權利一在同一時間。因此，我們只考慮在一個框架中的一只眼睛狀態(tài)。這種考慮也是有益于降低了計算復雜度。在此步驟中，通過了兩項計劃： （1） 二元模式和 (2) Canny 邊緣檢測 11。眼圖像轉換為二進制模式基于閾值 t。( 1 )（1） n 是像素在眼部和 x 我的號碼是該位置的像素值在該地區(qū)。眼部有 n 像素為單位）。如果 P 的像素值大于閾值 T，P 將設置為白色，1。否則 P 將被設置為 0。它的定義 （2） 所示。( 2 )圖 6 顯示了一些二

8、進制模式的睜眼和閉的眼。完成的眼圖像轉換后，眼瞼的高度被用于確定眼睛的狀態(tài)。圖 6。二進制模式： （a)-(b)開眼和 （c)-(d) 閉眼Canny 邊緣檢測算法很出名的是它能夠生成連續(xù)的邊緣。首先，圖像平滑的高斯卷積。(3)(4)在那里是尺度參數(shù)。然后，通過差分濾波計算出的大小和方向的邊緣。通過多尺度邊緣信息獲得最終的邊緣圖像。最后，邊緣點的號被總結識別眼睛的狀態(tài)。三.實驗結果在實驗中， 眨眼個人主頁數(shù)據庫 12 采用績效進行評價。它包含 80 20 個人的 AVI 格式的視頻剪輯。有四種類型的剪輯： 1） 正面視圖不戴眼鏡，2） 正面視圖和薄的金邊眼鏡，3） 正面視圖和黑框眼鏡，4） 向

9、上視圖不戴眼鏡。每個個體以正常的速度閃爍，一個視頻剪輯的不同 1 至 6 倍。一些框架如圖 7 所示。圖 7：四種類型的個人主頁眨眼數(shù)據庫我們可以適用 SPSS 繪制 ROC （接收機經營特點） 曲線，實驗的圖 8 所示。然后計算 AUC （曲線下面積） 值，97.4%。閉著眼睛，睜開眼睛的識別率列在表一、 表二所顯示的識別率和 AUC 相比 4。它被指出我們的結果優(yōu)于某些現(xiàn)有的方法進行訓練階段。此外，我們的方法的性能比較被獲得未經訓練階段。圖8：roc曲線表一：準確率和LBP及支持向量機的比較表二：與【4】的性能比較四、 結論本文介紹了惺忪的眼識別嗜睡檢測未經訓練階段。開始的時候，用 haa

10、r 特征 Adaboost 分類器是應用，找出人臉區(qū)域。然后眼睛區(qū)域位于 ASM。最后，采用二進制的模式和邊緣檢測識別眼睛的狀態(tài)。實驗結果證明該方法可以準確地檢測困倦的眼睛。此外，性能比較表明無訓練階段的識別系統(tǒng)是有用的駕駛員睡意檢測。確認本文的研究是通過利用 眨眼個人主頁數(shù)據庫 12 完成的。我們深深地感謝團隊提供完整的數(shù)據庫。引用1 I Isabelle Tang and Toby P.Breckon., “Automatic Road Environment Classification,” IEEE Transactions on Intelligent Transportation

11、Systems, vol. 12, no. 2, pp. 476-484, June 20112 P. Jansen, W. van der Mark, J. C. van den Heuvel, and F. C. A. Groen , “Colour based off-road environment and terrin type classification,” Proceedings of the 8th International IEEE Conference on Intelligent Transportation Systems, pp. 216221,2005.3 In

12、ho Choi, Seungchul Han, and Daijin Kim, “Eye Detection and Eye Blink Detection using Adaboost Learning and Grouping,” Proceedings of the 20 th International Conference on ICCCN, 2012.4 Xue Liu, Xiaoyang Tan, and Songcan Chen, “ Eye Closeness Detection Using Appearance Based Methods,” Intelligent Inf

13、ormation Processing, volume 385 of IFIP Advances in Information and Communication Technology, pp. 398-408, 2012.5 Yu-Shan Wu, Ting-Wei Lee, Quen-Zong Wu and Heng-Sung Liu, “An Eye State Recognition Method for Drowsiness Detection” The 71st IEEE International Conference on Vehicular Technology Confer

14、ence (VTC 2010-Spring).6 Jerome Friedman, Trevor Hastie and Robert Tibshirani, “Additive Logistic Regression: A statistical View of Boosting”, The Annals of Statistics, vol. 28, no. 2, pp. 377-407, 2002.7 Vladimi Pavlovic and Ashutosh Garg, “Efficient Detection of Objects and Attributes using Boosti

15、ng,” IEEE Conf. Computer Vision and Pattern Recognition, 2001.8 Stephen J. McKenna, Yogesh Raja and Shaogang Gong, “Tracking Colour Objects Using Adaptive Mixture Models”, Image and Vision Computing, pp225231, March 1999.9 Hojat Yeganeh, Ali Ziaei and Amirhossein Rezaie, “A Novel Approach for Contra

16、st Enhancement Based on Histogram Equalization.” Proceedings of the International Conference on Computer and Communication Engineering, 2008.10 P. Viola and M. Jones, “Rapid object detection using a boosted cascade of simple feature”, Proceeding of the 2011 IEEE Computer Society Conference, vol.1, pp.I-511I-518, 2001.11 Canny, John “A Computational Approach to Edge Detection”, IEEE Transactions on Pattern Analysis and Machine Intelligent, vol. PAMI-