一種基於平衡型VectorBoosting算法的人眼狀態檢測方法
2023-09-11 01:42:30 2
一種基於平衡型Vector Boosting算法的人眼狀態檢測方法
【專利摘要】本發明公開了一種基於平衡型Vector?Boosting算法的人眼狀態檢測方法，屬於人機互動及智能識別【技術領域】。該方法包括以下步驟：特徵提取階段：採用基於眼睛結構的通用型哈爾特徵的計算方法，並將其與改進型稀疏粒度特徵算法相結合形成弱特徵池，對眼睛進行表徵；負樣本構建階段：採用Bag?of?words詞袋技術實現負樣本集合的更新，增強負樣本集的區分能力；訓練階段：採用平衡型Vector?Boosting算法進行分類器訓練；檢測階段：利用基於矢量樹模型和並行瀑布型模型的結合結構對人眼狀態進行檢測。本方法將人眼分為睜眼、閉眼和眯眼三種狀態，使得檢測率更高，誤檢率更低，實驗結果表明，該檢測系統的檢測率可以達到90%以上，檢測時間也僅為0.03s。
【專利說明】—種基於平衡型Vector Boosting算法的人眼狀態檢測方法
【技術領域】
[0001]本發明屬於人機互動及智能識別【技術領域】，涉及一種基於平衡型VectorBoosting算法的人眼狀態檢測方法。
【背景技術】
[0002]眾所周知，人眼是人臉表情中最重要的一部分，俗語說「眼睛是心靈的窗戶」，由此可見，眼睛對於反映心理的人臉表情的重要性和決定性。人機互動模式已從傳統的通過滑鼠點擊或鍵盤輸入，然後通過顯示器輸出的形式發展到更加自然和諧、接近人與人交流的階段。此時，賦予計算機一定的「情緒智商」便成為一個重要而急迫的課題。為了達到這個目的，非語言信息(包括語音、步態、手勢、表情)的研究已經成為了國內外的熱點方向，並且取得了一定的成果。
[0003]目前的眼睛狀態檢測算法主要分為兩個類別:基於眼球/瞳孔為圓形這一特徵進行檢測和基於眼部整體結構特徵進行檢測。前者主要利用眼球/瞳孔的圓形特徵，利用Hough變換進行圓形檢測來檢測眼球的存在，若有則判斷為睜眼，否則判斷為閉眼；而後者主要根據不同的眼睛狀態有著不同的整體結構特徵來進行，常用的方法有神經網絡算法等。上述方法的不足之處在於只能進行兩種眼睛狀態的檢測，即睜眼和閉眼。而實際上，眯眼也是一種重要的眼睛狀態，它處於睜眼和閉眼之間，這樣更為細緻的模式劃分可以大大提聞判斷精度。
[0004]Vector Boosting算法是一種重要的多姿態物體檢測方法。在實際應用中，由於各個姿態的物體難以收集到很全的樣本，因此其追求的是整體效果最優的特點，難以保證每個姿態都取得較好的檢測效果。此外現有的Adaboost技術在負樣本收集過程中，存在所收集的某些負樣本之間存在較大的相似性問題，因此所訓練得到的某一級強分類器可能存在泛化性不大的缺點。
【發明內容】
[0005]有鑑於此，本發明的目的在於提供一種基於平衡型Vector Boosting算法的人眼狀態檢測方法，該方法針對現有檢測方法的不足，採用平衡型Vector Boosting算法進行人眼狀態檢測，使得人眼狀態的劃分模式更為細緻，檢測率更高，誤檢率更低。
[0006]為達到上述目的，本發明提供如下技術方案:
[0007]一種基於平衡型Vector Boosting算法的人眼狀態檢測方法，包括以下步驟:1)特徵提取階段:採用基於眼睛結構的通用型哈爾(Haar)特徵的計算方法，並將其與改進型稀疏粒度特徵算法相結合形成弱特徵池，對眼睛進行表徵；2)負樣本構建階段:採用Bag ofwords詞袋技術實現負樣本集合的更新，增強負樣本集的區分能力；3)訓練階段:採用平衡型Vector Boosting算法進行分類器訓練；4)檢測階段:利用基於矢量樹模型和並行瀑布型模型的結合結構對人眼狀態進行檢測。[0008]進一步，在特徵提取階段，採用基於眼睛結構的通用型哈爾(Haar)特徵的計算方
法具體為:令
【權利要求】
1.一種基於平衡型Vector Boosting算法的人眼狀態檢測方法，其特徵在於:包括以下步驟:1)特徵提取階段:採用基於眼睛結構的通用型哈爾特徵的計算方法，並將其與改進型稀疏粒度特徵算法相結合形成弱特徵池，對眼睛進行表徵；2)負樣本構建階段:採用Bagofwords詞袋技術實現負樣本集合的更新，增強負樣本集的區分能力；3)訓練階段:採用平衡型Vector Boosting算法進行分類器訓練；4)檢測階段:利用基於矢量樹模型和並行瀑布型模型的結合結構對人眼狀態進行檢測。
2.根據權利要求1所述的基於平衡型VectorBoosting算法的人眼狀態檢測方法，其特徵在於:採用基於眼睛結構的通用型哈爾特徵的計算方法具體為:令
3.根據權利要求2所述的基於平衡型VectorBoosting算法的人眼狀態檢測方法，其特徵在於:所述改進型稀疏粒度特徵算法為:在傳統的稀疏力度的計算過程中，將平滑窗口的邊長改為2*q。
4.根據權利要求3所述的基於平衡型VectorBoosting算法的人眼狀態檢測方法，其特徵在於:採用通用型哈爾特徵和改進型稀疏粒度特徵相結合形成弱特徵池對眼睛進行表徵的過程中，還包括利用特徵對應的損失函數進行特徵選擇以降低維數的步驟，具體過程為:將特徵對應的損失函數進行排序，挑選分類能力前70%的特徵作為預挑選的特徵進行訓練。
5.根據權利要求1所述的基於平衡型VectorBoosting算法的人眼狀態檢測方法，其特徵在於:採用Bag of words詞袋技術實現負樣本集合的更新的基本步驟為:在大量收集負樣本的情況下，利用區域像素距離表徵樣本之間的差異性，利用聚類技術得到詞袋，然後將得到的若干個詞袋中心作為新的負樣本集合進行分類器訓練。
6.根據權利要求5所述的基於平衡型VectorBoosting算法的人眼狀態檢測方法，其特徵在於:在利用區域像素距離表徵負樣本之間的差異性的過程中，區域像素距離的具體計算方法為:將一個負樣本平均劃分為16個區域，每個區域包含6*6個像素，計算每個區域的像素值之和，並將每個區域的像素和串聯成一條16維的矢量實現該負樣本的表徵。
7.根據權利要求1所述的基於平衡型VectorBoosting算法的人眼狀態檢測方法，其特徵在於:在訓練階段，所述平衡型Vector Boosting算法具體為:在當前輪次Boosting過程中利用上一次訓練得到的強分類器檢測的誤識率fri對當前輪次Zi進行加權，使最優化損失函數著重關註上一輪誤識率較高的那個分支，從而影響弱分類器的挑選過程，實現平衡各分支收斂速度的目的，這裡的損失函數為:
8.根據權利要求1所述的基於平衡型Vector Boosting算法的人眼狀態檢測方法，其特徵在於:在檢測階段，利用基於矢量樹模型和並行瀑布型模型的結合結構對人眼狀態進行檢測，具體包括:採用矢量樹模型的Vector Boosting人眼狀態檢測器根據輸出決策矢量G(X)的值 將G(X)為I對應分支的圖像繼續送入採用並行瀑布型結構的對應分支層疊分類器中檢測。
【文檔編號】G06K9/46GK103902975SQ201410121275
【公開日】2014年7月2日 申請日期:2014年3月28日 優先權日:2014年3月28日
【發明者】王先梅, 張星, 李程, 解侖 申請人:北京科技大學