论文部分内容阅读
随着互联网的快速发展和成像设备的迅速普及,图像和视频成为信息的主要传播方式并爆炸式的充斥在我们的日常生活中。为了让计算机主动地分析和处理获取到的信息,计算机视觉(Computer Vision)受到越来越多人的关注。由于人眼涵盖了包括性别、身份、表情在内的多种信息,人眼检测和跟踪是人脸识别、心理测试和疲劳检测等应用的核心技术,吸引了众多研究人员致力于人眼定位的探索与研究,使其成为计算机视觉领域的重要课题。本文基于视频序列研究了人眼检测和跟踪,并将其应用于疲劳检测中。具体研究工作如下:(1)基于Adaboost算法研究了人眼检测。当采用Adaboost算法训练分类器时,随着训练迭代次数的不断增加,一些处于正负样本交界处的临界样本可能由于多次错分而导致权重越来越大,使算法重心逐渐转移到其身上而引发权重失衡,结合漏检正样本的价值要远远大于误检负样本,本文改进了Adaboost算法,并针对人眼检测中误检率较高的缺陷提出了基于改进Adaboost算法的三层结构人眼检测方法。(2)基于Kalman滤波器和CamShift算法研究了人眼跟踪。CamShift算法在目标跟踪过程中缺乏预测模块,而且当目标颜色与背景颜色相近或目标出现大面积遮挡时容易丢失目标,且一旦丢失便无法恢复对目标的正确跟踪。本文将Kalman滤波器引入到CamShift算法并对其进行了改进,并针对人眼跟踪受局部搜索窗口大小的影响提出一种基于Kalman滤波器和改进CamShift算法的双眼跟踪方法。(3)当人处于疲劳状态时人眼变化最为明显,本文在人眼检测和跟踪的基础上,基于人眼状态进行了疲劳检测。具体分为两部分:首先基于图像处理方法分析研究了人眼状态,采用Ostu方法对定位到的人眼区域进行阈值化处理;接着采用Freeman链码方法提取二值图像中人眼外围轮廓,再采用最小二乘椭圆拟合方法对人眼外围轮廓进行拟合,最后依据椭圆的长短轴比值分析判断人眼状态。其次引入了PERCLOS和眨眼频率两个疲劳判定标准,通过统计一段连续时间内人眼的PERCLOS参数和眨眼频率进行疲劳检测。