基于ARM+DSP的駕駛員眼部疲勞視覺(jué)檢測(cè)算法設(shè)計(jì)
作者：
時(shí)間：2012-10-05
來(lái)源：網(wǎng)絡(luò)
收藏
加入技術(shù)交流群
掃碼加入
和技術(shù)大咖面對(duì)面交流
海量資料庫(kù)查詢(xún)
2.4 基于Sobel 算子的邊緣檢測(cè)
邊緣是圖像灰度變化劇烈的地方， 在從皮膚到眼白再到瞳孔的變化過(guò)程中， 包含了豐富的眼部圖像邊緣信
息， 因此可以用邊緣提取的方法將眼部邊緣提取出來(lái)作為人眼檢測(cè)和定位的基礎(chǔ)。利用Sobel 邊緣算子對(duì)初始眼部檢測(cè)區(qū)域進(jìn)行邊緣檢測(cè)，能夠有效地將眼部邊緣提取出來(lái)。Sobel 算子可用矩陣形式表示為：
2.5 改進(jìn)積分投影算法確定左右眼角和上下眼瞼的距離
對(duì)濾波后的二值圖像， 首先將初始眼部檢測(cè)區(qū)域EFGH 從水平方向的中線(xiàn)位置分成如圖3 所示的左右兩個(gè)部分(即右眼檢測(cè)區(qū)域EMNH 和左眼檢測(cè)區(qū)域MFGN)，然后利用改進(jìn)積分投影算法分別在左右眼檢測(cè)區(qū)域內(nèi)確定左右眼的左右眼角距離及上下眼瞼距離。因左、右眼的參數(shù)確定方法類(lèi)似，故僅以右眼檢測(cè)區(qū)域EMNH 為例說(shuō)明參數(shù)的確定過(guò)程。具體實(shí)現(xiàn)過(guò)程如下：
(1)為避免計(jì)算過(guò)程中眼睛上方眉毛對(duì)定位結(jié)果的影響， 算法在確定上下眼瞼邊緣， 從右眼檢測(cè)區(qū)域EMNH
的最下方一行像素開(kāi)始向上搜索，逐行從左至右統(tǒng)計(jì)每行中灰度值等于1 的像素個(gè)數(shù)， 并將第i 行中灰度值為
1 的像素個(gè)數(shù)之和存放在數(shù)組Nc [i] 中， 規(guī)定右眼檢測(cè)區(qū)域EMNH 的最下方一行為第0 行， 即i=0 ； 每搜索統(tǒng)計(jì)完一行后i 自動(dòng)加1。
(2) 對(duì)當(dāng)前第i 行中灰度值等于1 的像素的個(gè)數(shù)之和進(jìn)行統(tǒng)計(jì)計(jì)算， 如果：
3 實(shí)驗(yàn)與分析
為驗(yàn)證眼睛疲勞特征檢測(cè)算法的有效性，在構(gòu)建的ARM+DSP系統(tǒng)上對(duì)采集到的視頻圖像進(jìn)行實(shí)驗(yàn)驗(yàn)證。在滬寧高速南京段的實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)將算法處理時(shí)間控制在50 ms以?xún)?nèi)，取得了良好的實(shí)時(shí)效果，疲勞駕駛檢測(cè)正確率達(dá)97.6%。部分圖像的眼部區(qū)域檢測(cè)結(jié)果如圖4所示，其中，第一行為人臉檢測(cè)后的面部定位圖像，第二行為經(jīng)Sobel邊緣檢測(cè)后的眼部二值圖像，第三行為得到的眼部邊界定位圖像。
通過(guò)觀察發(fā)現(xiàn)，通常情況下，駕駛員在睜眼和閉眼時(shí)，左、右眼的睜閉情況是同步的，即同時(shí)睜開(kāi)或同時(shí)閉合。因此，在對(duì)眼睛睜閉狀態(tài)進(jìn)行判斷時(shí)，為減少計(jì)算量，僅對(duì)左眼的睜閉情況進(jìn)行判斷。針對(duì)圖4所示的眼部區(qū)域檢測(cè)結(jié)果，利用式(8)計(jì)算其左眼睜閉度的大小，計(jì)算結(jié)果如表1所示。
由表1可知，圖4中第一列和第二列所示的眼睛閉合時(shí)的睜閉度值明顯小于第三列和第四列所示的眼睛睜開(kāi)時(shí)的睜閉度值。故只要選擇合適的閾值，根據(jù)眼睛睜閉度值的大小，就可對(duì)駕駛員眼睛的睜閉狀態(tài)進(jìn)行有效判斷。本文引用地址：http://2s4d.com/article/196358.htm
本文在ARM+DSP系統(tǒng)上實(shí)現(xiàn)了基于眼部特征的疲勞駕駛檢測(cè)算法。利用基于膚色聚類(lèi)的臉部檢測(cè)算法確定臉部邊界，采用一種簡(jiǎn)單有效的改進(jìn)積分投影算法，實(shí)現(xiàn)了駕駛員眼部睜閉狀態(tài)的有效判定和疲勞駕駛的實(shí)時(shí)檢測(cè)。
全息投影相關(guān)文章:全息投影原理
評(píng)論