一種快速人眼檢測方法與流程

2023-05-03 10:37:41 1

本發明具體涉及一種快速人眼檢測方法。

背景技術：

國內外研究表明，駕駛員在疲勞的狀態下，對周圍環境的感知能力、危險的判斷能力和車輛的操控能力都會較正常情況有不同程度的下降，從而導致交通事故。因此，疲勞駕駛檢測具有極為重要的意義。

當前疲勞檢測系統主要採用基於圖像處理技術的非接觸檢測方法，這種疲勞駕駛系統主要是檢測與分析駕駛員眼睛的狀態。在疲勞駕駛發生時，駕駛員眨眼頻率會上升，閉眼時間增加，基於眼睛狀態的疲勞駕駛標準perclos是目前最為準確同時也是被廣泛接受的標準。

目前基於圖像處理技術的疲勞駕駛檢測系統的算法主要採用基於haar特徵的adaboost算法，該方法首先採用級聯分類器確定人臉區域，再用同樣的方法確定人眼位置，通過分析人眼狀態結合perclos標準來判斷疲勞駕駛行為是否發生。而在實際運用環境中，由於攝像頭與人臉所成角度的改變、駕駛員頭部的晃動、車輛抖動等因素，adaboost算法表現出較差的魯棒性，拒真率高導致識別率較低；搜索人眼的過程中也有採用模板匹配的方法，模板匹配計算規模較大，而且在人眼睜閉時，由於目標形狀的變化，採用固定單一模板會丟失目標，如果採取多種模板匹配則計算量過大，無法達到實時性要求。

技術實現要素：

本發明要解決的技術問題是提供一種快速人眼檢測方法。

一種快速人眼檢測方法，包括以下步驟：

s1：採集人眼視頻圖像，設本幀待檢測圖像img,上一次adaboost人眼檢測成功結果adaeyeimg，對當前幀待檢測圖像img進行預處理；

s2：如果前幾幀內檢測到人臉區域，則採用差分方法進行跟蹤，否則採用adaboost進行檢測，得到froi；

s3：對froi進行adaboost人眼檢測，如果檢測成功，得到人眼結果neweyeimg，同時更新adaeyeimg；否則採用變模板匹配檢測得到人眼結果neweyeimg，當adaboost方法連續失敗超過5次時，放棄對本幀的檢測，人眼檢測失敗，下一幀從s1開始；

s4：將neweyeimg和adaeyeimg，作為輸入，用多特徵分類器進行檢測；如果通過分類器，則將neweyeimg周圍區域作為下一幀froi，在下幀檢測時直接進行s3，否則，下一幀從s1開始，本幀檢測失敗。

本發明的有益效果是：

本發明在adaboost算法的基礎上，使用變模板匹配方法進行人眼檢測，並改進了「人臉-人眼模型」，採用多特徵的分類器來有選擇的跳過人臉檢測步驟，從而快速準確地定位人眼。

具體實施方式

以下具體實施例對本發明作進一步闡述，但不作為對本發明的限定。

一種快速人眼檢測方法，包括以下步驟：

s1：採集人眼視頻圖像，設本幀待檢測圖像img,上一次adaboost人眼檢測成功結果adaeyeimg，對當前幀待檢測圖像img進行預處理；

s2：如果前幾幀內檢測到人臉區域，則採用差分方法進行跟蹤，否則採用adaboost進行檢測，得到froi；

s3：對froi進行adaboost人眼檢測，如果檢測成功，得到人眼結果neweyeimg，同時更新adaeyeimg；否則採用變模板匹配檢測得到人眼結果neweyeimg，當adaboost方法連續失敗超過5次時，放棄對本幀的檢測，人眼檢測失敗，下一幀從s1開始；

s4：將neweyeimg和adaeyeimg，作為輸入，用多特徵分類器進行檢測；如果通過分類器，則將neweyeimg周圍區域作為下一幀froi，在下幀檢測時直接進行s3，否則，下一幀從s1開始，本幀檢測失敗。