基于SVM的疲劳驾驶人脸图像特征检测算法

针对传统图像识别算法对疲劳驾驶检测精度差、准确率低的缺陷,提出了一种利用人脸图像特征提取的疲劳驾驶检测方法。首先将实时采集到的车辆驾驶员面部图像进行预处理,借助Dlib检测出图像中的人脸区域并进行人脸图像特征点的标注,然后使用基于眼睛纵横比(Eye Aspect Ratio,EAR)的方法进行图像中人眼疲劳特征的识别,基于嘴唇纵横比(Mouth Aspect Ratio,MAR)的方法进行图像中嘴部疲劳特征的识别,最后利用支持向量机(SVM)的方法将两种特征融合起来进行疲劳驾驶检测。实验表明,该方法可以准确地定位出特征点,疲劳检测的识别率达84.29%,可以有效地识别出疲劳状态。

基于SSD的多因素融合的驾驶疲劳检测研究

为了降低因疲劳驾驶而导致的事故发生率,提出一种利用卷积神经网络与人脸特征点、疲劳判定指标相融合的方法,共同构建疲劳驾驶检测模型。首先利用SSD网络定位驾驶员的眼睛与嘴巴区域,VGG16网络学习这两个区域所包含的疲劳特征;同时再结合人脸68特征点、眼睛纵横比(EAR)和嘴巴纵横比(MAR)共同判定驾驶疲劳状态。最后,在相同测试集下分别计算SSD算法和Faster-RCNN算法的平均精度均值mAP;在YawDD数据集上应用此模型;并通过模拟驾车环境来验证此模型的可行性。实验结果表明,SSD算法要优于Faster-RCNN算法,并且此模型在YawDD数据集上的检测准确率约达97.2%,摄像头也能对驾驶员的状态进行实时检测。此模型对疲劳状态的检测十分有效,可在一定程度上降低因疲劳驾驶而导致的事故发生率。

利用关键特征点的多信息融合人脸识别

经过多年的人脸识别研究,受光照、噪声等条件影响而导致识别率相对较低的二维人脸识别技术已经跟不上时代最前沿的步伐,虽然三维人脸识别技术正在步步发展,但是它却有着较高的复杂性。针对这一问题,根据传统的深度信息定位方法以及LFA局部特征分析方法,提出了一种改进的三维人脸关键特征点定位算法,并在获取完备聚类训练样本的基础上,进一步提出了全局和局部加权融合的特征提取算法。通过在FRGC和BU-3DFE两个人脸库中实验数据的对比分析,本文方法在三维人脸的识别效果方面具有更高的鲁棒性。

基于兴趣点定位的局部方向模式人脸识别方法

为了解决局部方向模式(LDP)在人脸特征提取过程中采用固定的平均分块方式,不能自适应突出不同样本特征的这一问题,提出一种基于兴趣点定位的改进LDP人脸特征提取方法。兴趣点所在位置特征信息丰富,其根据不同图像自动分布,可以突出不同图像的不同特点。首先定位人脸图像的加速鲁棒特征(SURF)特征点,并通过K-means聚类算法优化兴趣点的数量,确定兴趣点位置;之后以每个兴趣点作为中心建立LDP特征提取窗口,计算其4方向LDP编码,得出图像的特征向量;最后,采用支持向量机(SVM)对人脸进行识别分类。使用该改进算法分别在FERET和Yale数据库中进行实验,并与原始LDP、4方向的LDP方法 (4-LDP)、融合PCA与LDP的特征提取算法(PCA-LDP)进行了比较,实验结果表明,所提出的特征提取方法在保证系统实时性的同时,可以有效提高人脸识别的准确率与稳定性。

低分辨图像眼睛精确定位方法

针对低分辨率图像中的人眼定位问题,提出一种融合主动表观模型和在线肤色纹理特征的低分辨图像中精确定位眼睛的方法。该方法通过在线人脸的肤色模板,结合眼睛局部区域的纹理特征,同时引入眼睛拟合模型,对上下眼睑边缘和眼角点进行精确拟合定位。考虑到虹膜区域的低分辨特点,使用圆形区域积分计算虹膜的精确位置,实现对虹膜中心点的精确定位。实验结果表明,该算法在低分辨率图像特别是网络摄像头采集的视频人脸图像中能够鲁棒实现眼睛区域的精确定位。

基于色素分布的驾驶员面部特征点的定位方法

利用嘴唇和眼睛色素分布定位驾驶员面部特征点,首先根据嘴唇为红色这一特征,对CCD采集的彩色图像进行亮度规一化处理后,再向由色彩信息构成的UV空间坐标系投影,根据红色素从投影中分割出嘴唇区域,用边缘提取和红色像素点相结合的方法确定嘴唇形状;采用夹逼法确定描述嘴部状态的特征点.根据人脸结构尺寸,初步确定眼睛区域,根据眼睛为黑色的特征,采用与嘴巴相同的方法,确定识别眼睛张开和闭合状态的特征点.实验结果表明,该方法可以有效去除嘴唇和眼睛周围的阴影干扰,无论光线是否均匀,该算法的准确率均达到94.3%以上,该算法具有实时、准确的特点,为进一步判断驾驶员是否处于疲劳状态提供重要的判断依据.

防抖动和渗色的视频人脸非边缘分割算法

针对基于2D的视频人脸替换的特定应用中,替换后的人脸出现抖动、渗色等问题,提出一种防抖动与渗色的视频人脸非边缘分割算法。对源人脸和目标人脸进行主动形状模型(ASM)特征点定位,并采用普氏对齐算法将源人脸向目标人脸对齐,再在人脸非边缘区域进行线性插值,得到非最优的人脸非边缘分割轮廓;设计了兼顾前后帧非边缘分割轮廓时间连续性和当前帧非边缘分割轮廓纹理平滑性的能量函数,并采用动态规划算法使得能量最小化,得到最优的人脸非边缘分割轮廓;依次得到后续帧最优的人脸非边缘分割轮廓。实验结果表明,提出的算法有效地防止替换后的人脸出现抖动和渗色的现象,具有一定的应用价值。

改进级联卷积神经网络的平面旋转人脸检测

多样的平面内旋转(rotation in plane,RIP)角度下的人脸检测具有极大的挑战性,为检测平面旋转人脸,提出一种改进型的级联卷积神经网络,提出并训练一个多任务级联卷积神经网络来检测普通正面或侧面人脸,在该神经网络中嵌入一个分类网络进行RIP角度判断,将平面内旋转人脸检测看作一个多分类问题,执行相应的仿射变换后将人脸候选框输入到网络。实验结果表明,改进后的方法可以精确实现360°范围内RIP角度人脸检测。

一种基于特征匹配的人脸配准判断方法

现有的人脸识别应用系统大都忽略了人脸配准的检查,造成"误配准灾难",导致识别性能下降。因此,对规格化后的人脸图像进行判断筛选,以保证只有正确配准的人脸图像才能用于后续识别。选用一定数量正确配准的规格化人脸图像平均值作为标准人脸,用SIFT关键点定位方法得到标准人脸的多个关键点,采用分块的梯度方向直方图统计方法提取关键点的邻域图像特征;然后,将标准人脸的关键点位置作为待检测人脸的定位点,用同样的方法提取定位点的邻域图像特征;计算待检图像与标准人脸图像对应关键点的特征矢量相似度,设定合理阈值判断待检测图像是否配准。实验证明,该方法能有效去除误配准人脸图像,有利于提高人脸识别系统的可靠性。

视频人脸检测与特征点定位研究

基于对视频中人脸的检测和特征点定位算法的学习与研究,文中提出了一种结合连续均值向量和主动形状模型的新方法。该方法首先对视频帧进行局部连续均值量化变换处理,快速地检测出似人脸区。然后用改进ASM方法来定位所检测出人脸的特征点,使用双阈值Sobel算子进行边缘检测,提取边缘信息,当搜索时利用这些边缘信息来改变特征点的权值,使带有更多边缘信息的像素点更有可能被选为最佳候选点。该方法可以快速地对人脸做出检测,并能很好地定位出人脸特征点。

人脸检测跟踪与特征点定位系统

实现的人脸检测跟踪与特征点定位系统,基于VC++6.0开发平台,使用opencv作为开发工具,有效缩短了系统的开发时间。首先,本系统采用adaboost算法进行人脸检测,通过合理的特征模板的选择实现了人脸的实时检测;其次,人脸跟踪模块选用camshift算法,利用人脸检测模块生成的人脸坐标传递给跟踪模块,实现人脸的自动实时跟踪,同时建立多个camshift跟踪器对多人脸进行跟踪,并有效地解决了人脸遮挡的问题;最后,通过ASM(active shapemodel)算法实现了实时人脸特征点定位。实验结果表明该系统实现的人脸实时检测跟踪及特征点定位,效果明显,可以作为表情分析和情感计算、视频人脸识别开发的基础。

基于相对距离分布聚类的人脸特征点定位算法

针对目前主流算法对所有特征点采用整体回归而忽略人脸局部结构信息的问题,提出了一种新的回归流程结构,通过基于特征点相对距离分布直方图和K均值聚类,结合了人脸结构信息对特征点聚类并分别进行回归,可以更准确地进行人脸特征点定位。另外,通过对回归迭代方法进行优化,可以实现鲁棒的参数更新,大大提高运算速度。在有遮挡标识的人脸数据库(COFW)上进行了深入的实验,结果表明:论文算法对于人脸特征点定位效果显著,相较于鲁棒姿势级联回归(RCPR)等算法训练时间大幅减少,其定位准确度也有了一定提高,而且算法计算效率高,测试速度则达到220fps,能够满足实时处理的要求。

高危作业中人脸识别和传感标签安全帽定位方法

设计人脸识别定位管理系统,结合传感模块标签安全帽实现身份识别和数据定位的融合。首先,利用基于小波分析的改进HOG特征提取算法对施工人员进行脸部识别;其次,基于RSSI受信号强度对佩戴传感标签的安全帽施工人员进行精确定位,为事故抢险救援提供准确、可靠、详实的现场人员信息。

基于人脸姿态估计的多角度虚拟眼镜试戴技术

虚拟眼镜试戴手动操作占比高、试戴角度单一、试戴效果失真,所以试戴技术商用率较低。针对这些问题,文中提出了一种基于人脸特征检测与头部空间姿态估计相结合的虚拟试戴技术,并实现了一套虚拟眼镜试戴系统。通过摄像头采集头部实时视频,并按帧分析,采用ERT级联回归定位面部特征点。根据面部特征点位置信息和头部旋转信息将透视变换后的眼镜图像准确融合到对应角度的人脸图像中。在AFLW人脸数据库上对三维实时姿态估计进行了量化评估,±60°内角度误差约为8.8°。结果表明,该算法精度高且速度快,在角度变化频繁、外界光线强弱变化大、背景干扰物较多的复杂情况下仍能快速准确地实现三维多角度虚拟试戴,效果逼真自然,基本满足虚拟试戴技术的要求。

OpenCV+Dlib技术在课堂教学中的应用与研究

本文运用OpenCV+Dlib人脸特征技术,采集学生学习过程中的面部特征数据,利用相关性分析和回归模型,研究发现课堂平均抬头次数随着时间的增加呈先上升后下降的趋势,说明学生在课堂开始的前一段时间内课堂关注度较高,课堂抬头次数与课堂测试成绩之间存在较强的正向线性关系;一堂课班级学生中自然表情占绝大多数,只有少部分人会表现出好奇、疑惑或者高兴的表情;高兴和自然两种面部表情对成绩有高度显著性影响,尤其是高兴表情出现的次数越多,课堂测试成绩越高,说明愉悦的学习情感体验对学习效果和教学质量有明显的正向影响;好奇对测试成绩呈较弱的正向影响,疑惑对成绩呈较弱的负向影响。本文通过多维的量化指标分析影响学生学习效果的因素,为课堂教学改革提出一些参考建议。

基于局部特征分析的人脸识别方法

对于人脸识别,人们在日常生活中并不陌生,在日常考勤、信用卡申请、信贷验证、房屋交易等场景都需要人脸识别的应用。而其他领域,比如罪犯识别、档案管理、信用验证等,人脸识别更是必不可少的辅助手段。但是人脸识别会受到很多因素影响如环境因素、相貌变化、技术差异等的影响,从而导致人脸识别结果的不同。所以如何区分不同面部差异、提取面部特征是人脸识别精确度的重要环节。