英语原文共 14 页
一种新型基于侧脸轮廓提取的疲劳驾驶检测算法
摘要
采用模式识别的疲劳驾驶检测技术被认为是提高道路安全的重要技术。然而，广泛使用的正面人脸检测系统存在如准确率低、实时性差、高复杂度等这类问题。在本文中，一种使用多阈值判定准则的新型色彩建模被用于提高面部肤色提取，并且设计一个三步走战略去消除噪声和其他不利影响。实验表明，该算法能够有效地提取侧面轮廓线并且为实时追踪疲劳提供科学依据。
索引词：人脸检测，侧脸轮廓，色彩模型，面部轮廓提取
I．引言
对于如今一个拥有近十亿辆汽车在路上而且在接下来的20年其数量预计增加一倍的现代工业化社会而言，道路安全是一个巨大的挑战。每年都有数万人在交通事故中丧生，其数量超过致命疾病和自然灾害造成的死亡。由驾驶员缺乏警惕性而造成的交通事故越来越多，这已经成为了一个严重的问题。大量研究表明，司机疲劳驾驶是造成交通事故的主要原因，并且这类交通事故总是会导致严重的伤害和损失。
因此，研究人员致力于开发一种新的技术去检测疲劳驾驶并做出预警措施。疲劳驾驶检测系统是基于检测关于司机疲劳程度的变量。人脸检测首先检测面部是否存在然后是脸的位置，这是人脸图像自动分析的第一步。众所周知，模式识别是疲劳驾驶检测的有效方法，而相关技术如人脸位置检测和人眼检测是该研究领域的关键所在。
摄像机可用于驾驶员的疲劳症状，例如打哈欠、闭眼、眨眼和摇头晃脑等等。主流的疲劳驾驶检测方法都是从人脸正面图像着眼于眼睛、嘴巴和头部姿势。人脸检测的主要挑战是由灯光、方向、大小、表情和种族所引起面部模型的不确定性。复杂的背景和脸部特征，例如眼镜和胡须，也为人脸疲劳检测增加了难度。由环境灯光造成正面人脸图像的差异性比由不同人脸图像所引起的差异性更大。
为了克服正面疲劳检测中的这些问题，研究人员们认为侧面人脸轮廓检测是有效的方法。与正面图像检测不同，侧脸轮廓检测侧重于面部轮廓和司机疲劳状态而不是和面部状态的关系并且基于鼻子、嘴巴和下巴的轮廓变化做出判定。因此我们需要去从复杂的背景中区分出肤色区域并提取出其轮廓线。这其中有两个关键点，一是肤色模型，另一个是去噪技术。
在本文中，一种使用多阈值判定准则的新型色彩建模被用于提高面部肤色提取，并且设计一个三步走战略去消除噪声和其他不利影响。
本文其余部分安排如下。第二部分将分析相关工作情况。第三部分将描述几种常见的色彩空间的基本定义。第四部分将详细侧脸检测方法和图像的处理效果。在第五部分将进行总结和做出下一阶段的工作安排。
II．相关工作情况
在现代智能交通系统中，疲劳驾驶检测是一个重要的研究领域。人脸识别是其中的重要一点并吸引了研究人员的关注。
前面的研究内容涵盖了一些人脸检测的关键点，例如正脸检测算法、侧脸轮廓提取技术和肤色模型。
知识库算法作为一种主流算法是实现正脸识别的一种手段。杨和黄等人提出了一种基于知识分级的人脸检测算法，在该算法中定义了一个三层系统去实现特征过滤、图像均衡和标尺检测。知识库是影响所有知识库算法效果的主要因素。在文献中，检测的准确度相对较低。然而，该算法提供一个可行的基本解决方案，从中派生出了一些改进的算法。
基于特征的方法被认为对于正面识别是有效的。科学家们致力于寻找能够区分轮廓，眼睛，鼻子，嘴巴，下巴等面部特征的算法。面部轮廓位置是识别的第一步。 Canny John采用Canny算子，提出了一种从复杂背景中提取图像边缘的方法。启发式搜索方法用于修改边缘线。在文献中，提出了一种面向几何特征的算法。该算法分为两个阶段：基于边界检测的粗面位置和基于CART（分类和回归树）算法的精细位置。除了面部轮廓位置，面部特征在驾驶员疲劳检测中也很重要。为了更好地识别面部特征，科学家开发了几种方法，如基于图像特征向量，PCA（主成分分析），K-L变换，神经网络和支持向量机。 Yow和Cipolla提出了一种视觉特征提取方法，其中基于训练面部特征数据构建特征向量均值和协方差矩阵。 2015年，Kohonen提出了一种人脸识别方法，该方法采用特征向量构建自相关矩阵，而神经网络则用于计算检测图像的归一化向量。 Rowley提出了一种基于神经网络的人脸检测方法，其中所有图像在被发送到神经网络之前都经过多个约束预处理。提出了一些混合方法。文献结合PCA和Hotelling变换，而Reddy结合PCA和神经网络来检测人脸。
侧面识别技术依赖于几何特征识别。 Fleuret和Geman为具有复杂姿势的物体提出了一种新颖的检测算法，其中可以训练姿势特定的分类器而不聚类数据。 Canny John的图像边缘提取方法在侧面轮廓识别中是有效的。 S. C. Cheng提出了一种自动面部表情识别系统，该系统利用基于语义学习且可用于侧面轮廓提取的分析层次结构过程的算法。韩涛认为，分形和傅里叶描述在侧面识别中应该能够很好地工作，并提出了一种侧面特征提取算法。本文采用几何特征识别方法来提取侧面轮廓。
肤色建模是人脸识别的另一个关键技术。因为直方图模型在识别准确性和低计算成本方面具有优势，所以Jones和Rehg认为它是一种很好的方法.他们的实验结果表明直方图算法检出率达到80％,误报率为8.5％。Rein-Lien Hsu等人采用肤色特征来确定面部位置。大多数现有的肤色模型都建立在色度平面上。通过分析和比较不同颜色的色度，可以将肤色区域与非肤色区分开。不幸的是，基于色度的方法仅在中等亮度条件下表现良好。低亮度和高亮度都可能使皮肤和非皮肤区域之间的边界难以区分。为了解决这个问题，Hsu等人提出了对YCbCr颜色的非线性变换，使得色度平面中的肤色簇不依赖于亮度。Garcia和Tziritas使用一组边界平面来近似YCbCr和HSV空间中的皮肤簇。基于YCbCr颜色空间相关方法，本文采用一种新的颜色空间模型，采用多阈值决策准则，提高面部皮肤提取性能，通过颜色校正和数学形态学用于增强提取效果。
III．色彩空间
车内图像具有相对复杂的背景、低对比度和低亮度，这些通常会降低疲劳检测和识别的效果。最常用的面部定位方法是使用颜色信息，因此通常第一步是预测肤色区域。如何将面部区域从复杂背景分离出来是很重要的。
色彩空间是使用一组颜色成分值表示颜色的数学方法模型。常见的色彩空间包括RGB，HSV，HSI，YCbCr，CIE-Lab和CIE-Luv。
A．RGB色彩空间
RGB是一种基本色彩空间，由三种基色（红、绿、蓝）在不同比例下叠加形成各种彩色光。其表达式如下：
其中r，g，b表示相应颜色的比例。
图1. RGB色彩空间模型
基本RGB色彩空间如图1所示。因为肤色含有很多的红色成分，所以面部区域检测方法总是采用如下标准的RGB颜色空间。
hellip;hellip;hellip;hellip;hellip;(1)
其中r，g，b是在R，G，B标准化之后的新的颜色分量。 标准化处理将三维RGB空间缩小为二维r-g空间。
B．YCbCr色彩空间
YCbCr色彩空间，是一种正交色彩空间，其中Y表示亮度，Cb表示彩色蓝色，Cr表示彩色红色。 它缩小了RGB色彩空间的冗余，并各成分为统计独立。 可以使用等式（2）计算从RGB颜色空间到YCbCr颜色空间的转换。
hellip;hellip;hellip;hellip;hellip;hellip;.(2)
为了满足数字系统处理的要求，YCbCr色彩空间总是通过添加128个偏移量来修正，如公式（3）所示.
hellip;hellip;(3)
C. YUV和YIQ色彩空间
YUV色彩空间用于电视系统。 在YUV颜色空间中，Y表示亮度，U和V是色度信号，每种颜色具有相应的色度信号矢量，Ch矢量表示颜色饱和度的相位。
图2. 所提算法的流程图
可以通过使用等式（4）来计算从RGB颜色空间到YUV颜色空间的转换。
hellip;hellip;hellip;(4)
由于肤色特征的稳定性，所以它在色彩空间中具有区域分布的特征。 在YUV色彩空间的U-V平面上，色调范围在红色和黄色之间; 其相位值在100到150的范围内。
在YUV空间中，利用相位特征可以有效地去除与肤色不同的背景。 但是在背景是和皮肤相似的颜色的情况下，它将无法正常工作。 在三十三度内旋转UV分量可以获得IQ分量并构建YIQ空间，这可以解决类似皮肤的背景分离问题。 可以使用等式（5）确定从RGB颜色空间到YIQ颜色空间的转换。
hellip;hellip;hellip;(5)
D. 色彩空间建模
结合YIQ和YUV，我们获得了一个色彩空间模型。 YIQ空间的分量I和YUV空间的相位theta;都可以用作肤色识别的标准。由于 在之前的工作中，建议设置theta;isin;[100,150]和Iisin;[20,90]为标准范围，所以我们必须先将原始图像转换为YIQ和YUV空间，并确定I和theta;值是否将保持在标准范围内，然后识别肤色。
本文提出了一种多阈值组合判定的方法。 基于颜色建模方法，定义了界定I和theta;的四个阈值。 所提出的方法在第IV节中详细描述。
IV．侧面轮廓提取算法的提出
本节提出了一种侧面轮廓提取算法。
A. 算法的流程图
所提算法的流程图如图2所示。
在图2中，所提出的算法包括三个步骤：
步骤1（侧面预提取）：车载摄像头捕获驾驶员大部分图像。 为了获得侧面轮廓线，我们从背景中提取包括面部和颈部的侧面。 预提取过程（其输出是二值图像）基于肤色检测。
步骤2（侧面提取校正）：在此步骤中，腐蚀和膨胀处理校正Step1的二值图像。
步骤3（侧面轮廓线提取）：基于校正后的侧面图像，进行侧面轮廓线提取处理。
B. 侧脸预提取
侧面提取的目标是获得侧面轮廓线。 在此阶段期间，需要进行颜色校正和肤色建模。
·颜色校正
我们假定图像中RGB的三个分量的平均值等于相同数值的灰度值，并且它们被限制在[0， 255]的范围内，这样就把RGB图像的三个分量的调整成接近值。
为了减少照明的影响，颜色校正程序是所提方法的第一步。 我们遵循Gray World的颜色均衡方法来消除颜色偏差。 过程如下：
1）从原始图片中提取RGB三个分量;
2）分别计算三个分量RGB的平均值，记为、和;
3）计算平均灰度值;
hellip;hellip;hellip;(6)
4）计算所有三个分量RGB的增益系数;
hellip;hellip;hellip;hellip;hellip;(7)
5）按下面公式将RGB分量重建为、、;
hellip;hellip;hellip;hellip;hellip;(8)
6）限制、和的取值范围。 重新设置分量RGB的取值范围为[0,255];
hellip;hellip;hellip;hellip;hellip;(9)
7）重构图像颜色。
此过程如图3所示。
图3. 颜色校正。（a）为校正前。（b）为校正后
如图3所示，校正过程实现了更好的色彩平衡效果。
·肤色建模
肤色建模是侧脸区域提取的核心步骤。选择颜色空间是模型建立的基础，本文采用YUV和YIQ色彩空间和多个阈值标准构建肤色模型。 该过程如下：
- 将RGB值转换为YUV空间，并获取Y，U和V值;
- 根据肤色基本判定规则，根据下式在U lt;0和Vgt; 0时，计算值theta;；
- 将中心块从RGB转换为YIQ空间并记录I值;
- 计算theta;和I的均值和标准差，记为；
- 获得theta;和I的四个阈值如下：
6）将R，G和B值标准化并获得、和；
其中base=R G B；
7）计算基数的平均值和方差，表示为和;
8）计算RGB空间的判定阈值为
9）将图像转换为YUV和YIQ颜色空间获得对象像素点p的三个分量、、。 预估肤色区域并计算相应的相位。 决定点p是否是皮肤点。 通过下式获得肤色区域的二值图像。
图4. （a）为原始图像；（b）为颜色校正后的图像；（c）为高斯模型的肤色检测结果；（d）为椭圆模型的肤色检测结果；（e）为YCrCb单阈值检测结果；（f）为所提算法检测结果。
本文中，选择了三个典型图像，即具有良好光照条件的近图像，具有较差面部区域亮度的远程图像和具有较差光度的近图像，以验证所提出的多阈值组合判定模型的性能。 将YCrCb阈值分割算法，高斯模型算法和椭圆模型算法互相对比。
所有实验均基于相同的预处理过程，实验结果如图4所示。
如图4（c 1，c 2，c 3）所示，高斯模型可识别所有三种典型的肤色区域图片。然而，无皮肤区域的错误检测概率也很高。椭圆模型可以在良好的光照条件下区分大的皮肤区域（图4d 1）;它可以允许远程图像中面部区域的亮度较差（图4d 2）但是在光线不好的情况下无法识别皮肤区域（图4d 3）。 YCrCb阈值分割算法在良好的光照条件下可以很好地识别出较大肤色区域（图4e1）。另一方面，如图4（e2，e3）所示，其对劣质亮度图像的处理效果差。将所有算法进行比较时，所提出的算法都可以精确地检测出三个图像的侧面区域。然而，皮肤相似区域和非皮肤区域也会被检测出来。实验结果为该方法的有效性提供了可靠的有力证据。
lt;
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
