【人脸检测模型的构建案例分析5700字】

人脸检测模型的构建案例分析 1 11.1.1HOG特征的优点 21.1.2HOG特征提取 21.1.3训练SVM分类器 3 3 31.1.2基于Dlib的68特征点检测原理 5 61.3.1闭眼检测 61.3.2基于PERCLOS的人眼疲劳检测 8 9 本文人脸检测方法使用的是基于HOG特征和利用SVM训练高度精确的的性质就是指一幅图以物体在相机图像处理中的某个局部作为目标的任何表象和其局部形状都有可能被方向梯度或其局部边缘的各种不同方向密度量的分布由于HOG算法是在某一图像的局部方格单元上进行操作的，所以它对于整个图像的光学几何和其他光学上的形变都必须保证能够长期地持续保持良好的(1)梯度计算。在图像中每个像素节点(x,y)的一个梯度表示为下式1.1所示：光照强度大小的鲁棒性，将模型中相邻的M个单元同时进行合并组成区块，并分别进行组合整理，从而形成了HOG特征，用于表征获取的整张图像。个窗体的HOG特征并同时采用步骤b)中训练完成的识别成熟的分类器进行分为一个名叫"0和"1"的二进制代码，它们就可以直接从一个源代码中来执行应用出大致三种类型：打哈欠/吃东西/说话(嘴巴张大且相对较长时间保持这一状态或者在一定时间内多次张闭)、眨眼/闭眼(眨眼次数增多，且眨眼速度变慢或者闭合眼睛)、点头/低头(瞌睡点头)。本文从学生的人脸面部朝向、位置、瞳孔1.1.2基于Dlib的68特征点检测原理人脸68特征点检测用到了Dlib库函数，Dlib库中有两个比较关键的函数：细坐标值，它的调用需要一个预先训练好的模型(通过文件路径的方法传入),若我们使用了一个开源的模型：shape_predictor_68_face_landmarks.dat,则我们可以通过获得68个具体的特征点在脸部具体位置的坐标，然后将它们互相连接起来后，可以达到如下图所示的效果(红色是HOGpyramid检测的结果，图1.2运行结果1.3疲劳检测技术如何确定学生疲劳状态?(1)可以通过计算眼睛的宽高之比来判断计算的基本的原理如下描述：通过计算眼睛长宽比值EyeAsp但是当时对于人脸检测的模型还没有现在这么准确。所以我们则可以判断当然后设置合适检测值。眼部特征点如下图1.3所示，计算公式如式1.3所示：(2)若当前帧，两双眼睛的宽高比值与前一帧的差值的绝对值(EAR)大于0.22的话，则认为学生处于疲劳状态的。(从下图1.4图示中68点landmark中可以看到37-42为左眼，43-48为右眼)*30*31356米8*9图1.4面部68特征点学生的右眼开合度可以通过以下公式1.4计算得到(那么左眼同理即可):我们可以通过对点38、39、42、41点的纵向坐标和点37、40点的横向坐标1/2*[(y42+y41)-(y38+y39)]/(x40-x37)该公式是通过一个阈值表示学生的眼睛在眼期，计算出来最长闭眼时间(可用帧数来代替)闭眼次数为进入闭眼、进入睁眼的次数。最后通过设定在一定单位时间内闭眼次数、闭眼时间的阈值来判断PERCLOS被普遍认为已经是最可靠和有效的衡量汽车驾驶员视力和警觉能公式如下式1.5所示：检测原理图如图1.6:80%瞳孔20%瞳孔眼睛睁开程度而PERCLOS则会根据被检测人的眼睛处于的闭合程度的不同进而设定不a)EM为眼部瞳孔面积的50%被眼睑遮盖住即可以定义其正处于闭合状态；b)P70为眼部瞳孔面积的70%被眼睑遮盖住即可以定义其正处于闭合状态；c)P80为眼部瞳孔面积的80%被眼睑遮盖住即可以定义其正处于闭合状态。根据不同的人眼闭合程度，设定合适的EAR阈值，取左、右眼分别计算EAR,然后取平均值作为最终的纵横68个特征点中，49-68为嘴巴的特征点(如下图1.7所示),考虑到嘴型、嘴唇厚合度R值：张口判定：当嘴巴闭合时，闭合度为0,当闭合度R大于等于0.17,判定为张口眼睛的长/宽的值是否大于设定阈值，若一段时间连续超过50帧则认为此学生已第四步：打开cv2本地电脑摄像头。获取视频信号。第六步：对学生的面部位置，利用detector(gray,O)进行检测。平均值来作为最终的EAR参