基于Adaboost算法的駕駛員眨眼識別

　　引言

　　眨眼是一種睜閉眼睛的生理活動，眨眼的速度會受疲勞程度、情感壓力、行為種類、睡覺數(shù)量、眼睛受傷程度、疾病等因素影響[1~2]。眨眼識別是駕駛員疲勞檢測的基礎(chǔ)，本文采用 Adaboost算法[3][4][5]訓(xùn)練和檢測眼睛睜閉狀態(tài)，把睜眼和閉眼圖片分類出來。

　　Adaboost算法

　　Adaboost是一種自適應(yīng) boosting算法，它的原理就是將一些簡單的弱分類器 (矩形特征 )通過特定的訓(xùn)練需求 (一般為檢測率和誤檢率的要求)組合成為一個強分類器，在訓(xùn)練和檢測時每一個強分類器對待檢測的矩形特征進行判決，將這些強分類器級聯(lián)起來就可以生成一個準確的、快速的分類器。它的特點就是檢測速度快，因為每一個強分類器都可以否決待檢測的矩形特征，所以前面的強分類器就可以把大部分錯誤的特征給排除掉。

　　下面介紹Adaboost算法對強分類器的訓(xùn)練。本文正樣本為包含各種姿態(tài)人眼的圖片(睜眼、閉眼、帶眼鏡)，負樣本為不包含眼睛的任意圖片。設(shè)輸入的n個訓(xùn)練樣本為:{(x1,y1)，(x2,y2)，......(xn,yn)}，其中xi是輸入的訓(xùn)練樣本，yi∈{0,1}分別表示正樣本和負樣本，其中正樣本數(shù)為 l，負樣本數(shù)m。n=l+m，具體步驟如下：

　　(1) 初始化每個樣本的權(quán)重w1,i∈D(i);

　　(2)對每個t=1,..., T(T為弱分類器的個數(shù))

　?、侔褭?quán)重歸一化為一個概率分布

　?、趯γ總€特征f，訓(xùn)練一個弱分類器hj計算對應(yīng)所有特征的弱分類器的加權(quán)錯誤率

　　③選取最佳的弱分類器ht(擁有最小錯誤率)：et

　?、馨凑者@個最佳弱分類器，調(diào)整權(quán)重

　　其中ei=0表示被正確地分類，ei=1

　　表示被錯誤地分類

　　(3)最后的強分類器為：

　　基于Adaboost算法的眨眼識別

　　要保證視頻流中圖像處理的實時性就必須采用特定的算法。Adaboost算法由于它特殊的算法模式，可以進行快速的目標檢測，因此我們的人眼狀態(tài)檢測的定位，系統(tǒng)就選擇了 Adaboost算法。基于Adaboost的眨眼識別系統(tǒng)主要包含兩個模塊:訓(xùn)練和檢測。其中訓(xùn)練過程起著決定性的作用。