本發(fā)明屬于人臉識別檢測
技術(shù)領(lǐng)域：
，具體涉及一種眼睛睜閉狀態(tài)的檢測方法及系統(tǒng)。
背景技術(shù)：
：人工智能是二十一世紀(jì)最受人關(guān)注的一項科學(xué)技術(shù)，人工智能將把人們熱愛的影視劇中的科幻情節(jié)，變成我們現(xiàn)實生活中的一部分。在人工智能大系統(tǒng)中，計算機(jī)視覺無疑是其中非常重要的一個環(huán)節(jié)，計算機(jī)視覺無論在設(shè)計的機(jī)器人還是當(dāng)今火熱的無人車駕駛中，其地位是毋庸置疑的，計算機(jī)視覺就像其名字一樣，它是人工智能中的眼睛，它將接受外界各種情景來進(jìn)行識別，沒有計算機(jī)視覺，人工智能就像一個沒有眼睛的盲人。計算機(jī)視覺是備受人們關(guān)注的，無論是靜態(tài)的圖像還是動態(tài)的視頻，都是世界專家深度研究的領(lǐng)域，在計算機(jī)視覺中ImageNet比賽更是受到商界和科研界的積極參與。在計算機(jī)視覺大領(lǐng)域中識別人臉是當(dāng)今無人不知的一項技術(shù)，尤其在2015年馬云向德國總理演示了刷臉支付技術(shù)后，商界把人臉技術(shù)應(yīng)用推向了一個新的高峰。在人臉識別的技術(shù)中，識別人臉眼睛睜閉狀態(tài)是人們比較關(guān)注的，無論是從計算機(jī)視覺的宏觀角度還是眼睛睜閉狀態(tài)的活體檢測，識別人臉眼睛睜閉狀態(tài)無疑是計算機(jī)視覺中的第一步，但現(xiàn)實環(huán)境中干擾因素太多，復(fù)雜環(huán)境中的干擾不僅多，而且是多變的，這使得在實驗研究領(lǐng)域識別性能非常好的睜閉狀態(tài)檢測，在實際的應(yīng)用中會出現(xiàn)效果下降，甚至不能使用的情況。人臉眼睛睜閉狀態(tài)的檢測是計算機(jī)視覺領(lǐng)域非常受關(guān)注的一個課題，同時也是一項非常有使用價值的技術(shù)，如在機(jī)器人中機(jī)器人識別一個人的眼睛睜閉狀態(tài)是最基本的一個要求，或者最近如火如荼的人臉識別技術(shù)中，對人臉活體沒有分辨能力，此時可以利用眼睛睜閉狀態(tài)進(jìn)行活體檢測，將照片和活體分辨出來。在此之前國內(nèi)外領(lǐng)域?qū)＜乙呀?jīng)在眼睛睜閉狀態(tài)方面開展相關(guān)研究，但其效果通常是實驗室中測試數(shù)據(jù)取得的，而現(xiàn)實環(huán)境是復(fù)雜多變的，如光照的明暗，使用人員頭部姿態(tài)的變化以及有無遮擋等，這些因素都影響著眼睛狀態(tài)檢測結(jié)果?，F(xiàn)實中的干擾因素太多，往往比預(yù)計的要多的多?，F(xiàn)階段如果簡單收集各種干擾數(shù)據(jù)，利用分類器進(jìn)行分類，其效果通常比我們預(yù)計的要差很多。利用一種分類器來解決現(xiàn)實中的各種情況的檢測方法有許多缺點(diǎn)，其主要缺點(diǎn)為：一、現(xiàn)實環(huán)境是復(fù)雜多變的，往往比事先預(yù)計的要復(fù)雜，并且隨著使用環(huán)境的改變，干擾因素同時會跟著改變，其導(dǎo)致此種方法的可擴(kuò)展性變差；其二在各種干擾中，由于其干擾因素的不同，導(dǎo)致圖像數(shù)據(jù)不同，如果將各種過多的異樣數(shù)據(jù)混雜在一起，其結(jié)果往往會導(dǎo)致最終的訓(xùn)練模型過于龐大和過擬合，導(dǎo)致在現(xiàn)實使用中泛化能力很差。技術(shù)實現(xiàn)要素：本發(fā)明的目的在于解決上述的技術(shù)問題而提供一種眼睛睜閉狀態(tài)的檢測方法及系統(tǒng)，其能針對現(xiàn)實使用環(huán)境中的每種干擾情況進(jìn)行處理，最終有效地檢測出眼睛睜閉狀態(tài)且易于擴(kuò)展。本發(fā)明是這樣實現(xiàn)的，一種眼睛睜閉狀態(tài)的檢測方法，包括以下步驟：構(gòu)建用于檢測眼睛睜閉狀態(tài)的級聯(lián)式強(qiáng)分類器：提取需要判斷的眼睛圖片數(shù)據(jù)的眼睛局部特征送入所述級聯(lián)式強(qiáng)分類器的基本檢測線性強(qiáng)分類器，由該基本檢測線性強(qiáng)分類器判斷眼睛目標(biāo)是處于睜眼狀態(tài)還是閉眼狀態(tài)；若判斷為閉眼狀態(tài)，則將判斷為閉眼狀態(tài)的眼睛目標(biāo)對應(yīng)的眼睛圖片數(shù)據(jù)的特征提取區(qū)域擴(kuò)大，在擴(kuò)大的特征提取區(qū)域提取眼睛局部特征，將在所述擴(kuò)大的特征提取區(qū)域提取的眼睛局部特征送入干擾檢測線性強(qiáng)分類器，由該干擾檢測線性強(qiáng)分類器判斷該眼睛目標(biāo)是處于睜眼狀態(tài)還是閉眼狀態(tài)。所述基本檢測線性強(qiáng)分類器包括一個線性強(qiáng)分類器，所述干擾檢測線性強(qiáng)分類器包括至少一個干擾檢測線性強(qiáng)分類器。所述干擾檢測線性強(qiáng)分類器包括至少一個遮擋檢測強(qiáng)分類器。所述基本檢測線性強(qiáng)分類器與干擾檢測線性強(qiáng)分類器采用支持向量機(jī)SVM、logistic回歸和貝葉斯分類器的一種，所述眼睛局部特征包括LBP、Gabor、HOG特征的一種。所述眼睛局部特征包括LBP特征，所述基本檢測線性強(qiáng)分類器與干擾檢測線性強(qiáng)分類器采用SVM分類器。本發(fā)明的目的還在于提供一種眼睛睜閉狀態(tài)的檢測系統(tǒng)，包括：級聯(lián)式強(qiáng)分類器，所述級聯(lián)式強(qiáng)分類包括一個基本檢測線性強(qiáng)分類器以及級聯(lián)在該基本檢測線性強(qiáng)分類器后面的干擾檢測線性強(qiáng)分類器；所述基本檢測線性強(qiáng)分類器，用于提取需要判斷的眼睛圖片數(shù)據(jù)的眼睛局部特征判斷眼睛目標(biāo)是處于睜眼狀態(tài)還是閉眼狀態(tài)；所述干擾檢測線性強(qiáng)分類器，用于將判斷為閉眼狀態(tài)的眼睛目標(biāo)對應(yīng)的眼睛圖片數(shù)據(jù)的特征提取區(qū)域擴(kuò)大，在擴(kuò)大的特征提取區(qū)域提取眼睛局部特征，判斷該眼睛目標(biāo)是處于睜眼狀態(tài)還是閉眼狀態(tài)。本發(fā)明通過構(gòu)建構(gòu)建用于檢測眼睛睜閉狀態(tài)的級聯(lián)式強(qiáng)分類器，提取需要判斷的眼睛圖片數(shù)據(jù)的眼睛局部特征送入所述級聯(lián)式強(qiáng)分類器，由基本檢測線性強(qiáng)分類器進(jìn)行初次檢測判斷，由遮擋檢測線性強(qiáng)根據(jù)擴(kuò)大的特征提取區(qū)域提取的眼睛局部特征來判斷基本檢測線性強(qiáng)分類器誤判的眼睛目標(biāo)，從而提高了眼睛狀態(tài)檢測的精確性，且由于級聯(lián)式強(qiáng)分類器采用線性強(qiáng)分類器，使是本發(fā)明的級聯(lián)式強(qiáng)分類器具有模型小、速度快和泛化能力強(qiáng)的優(yōu)點(diǎn)。附圖說明圖1為本發(fā)明實施例提供的眼睛狀態(tài)檢測方法的檢測流程圖；圖2為本發(fā)明實施例提供的眼睛狀態(tài)檢測系統(tǒng)的示意圖。具體實施方式下面將結(jié)合本附圖，對本發(fā)明技術(shù)方案進(jìn)行清楚、完整地描述，顯然所描述的實施例僅僅是本發(fā)明部分實施例，而不是全部實施例。本發(fā)明是以級聯(lián)的方式將各種強(qiáng)分類器進(jìn)行級聯(lián)，從而使每種分類器解決現(xiàn)實使用環(huán)境中的各種干擾，最終將眼睛的睜閉狀態(tài)檢測出來。參見圖1所示，一種眼睛睜閉狀態(tài)的檢測方法，包括以下步驟：構(gòu)建用于檢測眼睛睜閉狀態(tài)的級聯(lián)式強(qiáng)分類器：提取需要判斷的眼睛圖片數(shù)據(jù)的眼睛局部特征送入所述級聯(lián)式強(qiáng)分類器的基本檢測線性強(qiáng)分類器，由該基本檢測線性強(qiáng)分類器判斷眼睛目標(biāo)是處于睜眼狀態(tài)還是閉眼狀態(tài)；若判斷為閉眼狀態(tài)，則將判斷為閉眼狀態(tài)的眼睛目標(biāo)對應(yīng)的眼睛圖片數(shù)據(jù)的特征提取區(qū)域擴(kuò)大，在擴(kuò)大的特征提取區(qū)域提取眼睛局部特征，將在所述擴(kuò)大的特征提取區(qū)域提取的眼睛局部特征送入干擾檢測線性強(qiáng)分類器，由該干擾檢測線性強(qiáng)分類器判斷該眼睛目標(biāo)是處于睜眼狀態(tài)還是閉眼狀態(tài)。需要說明的是，基本檢測線性強(qiáng)分類器與干擾檢測線性強(qiáng)分類器包括兩部分構(gòu)成，一個特征提取，一個是分類；所述特征提取是將輸入圖像轉(zhuǎn)化為人工設(shè)計的某種數(shù)字編碼，這樣可以有效提取圖像中的特征，來進(jìn)行圖像的表示；如果將圖像直接送入分類器，由于其特征表示能力差，往往會導(dǎo)致模型訓(xùn)練效果差或者泛化能力差。本發(fā)明中，所述基本檢測線性強(qiáng)分類器包括一個線性強(qiáng)分類器，主要用于對眼睛目標(biāo)的基本檢測判斷，基本判斷眼睛目標(biāo)是睜眼狀態(tài)還是閉眼狀態(tài)，非專門對受環(huán)境干擾的眼睛目標(biāo)的睜閉狀態(tài)檢測，所述干擾檢測線性強(qiáng)分類器包括至少一個線性強(qiáng)分類器，主要用于對基本檢測線性強(qiáng)分類器檢測后判斷為閉眼狀態(tài)的眼睛目標(biāo)進(jìn)行排除環(huán)境干擾因素后檢測，從而可以在基本檢測線性強(qiáng)分類強(qiáng)在誤判或無法判斷睜閉狀態(tài)的情況下，對眼睛目標(biāo)的睜閉狀態(tài)進(jìn)一步的檢測判斷，以達(dá)到精確判斷眼睛目標(biāo)的睜閉狀態(tài)情況。本發(fā)明中，所述干擾檢測線性強(qiáng)分類器包括至少一個干擾檢測線性強(qiáng)分類器，也就是所述干擾檢測線性強(qiáng)分類器的強(qiáng)分類器可以是一個，兩個，三個甚至是多個，具體不限。具體實現(xiàn)上，所述干擾檢測線性強(qiáng)分類器中的每一個干擾檢測強(qiáng)分類器可以是根據(jù)適應(yīng)不同干擾環(huán)境或不同干擾因素訓(xùn)練而設(shè)計成的不同的強(qiáng)分類器，它們分別實現(xiàn)對相應(yīng)的干擾環(huán)境或干擾因素的排除，以檢測眼睛目標(biāo)的睜閉狀態(tài)，每一個干擾檢測強(qiáng)分類器在檢測時可分別根據(jù)自身檢測的需要重新提取眼睛的局部特征，也可以是直接利用基本檢測線性強(qiáng)分類器或前面任意一級的其中一個干擾檢測線性強(qiáng)分類器提取的眼睛局部特征來進(jìn)行相應(yīng)的檢測判斷；在重新提取眼睛的局部特征時，可以按上面的方法在眼睛區(qū)域放大或擴(kuò)大后再提取局部特征，具體不限。具體的，所述干擾檢測線性強(qiáng)分類器包括至少一個遮擋檢測強(qiáng)分類器，主要用于排除遮擋情況達(dá)到識別眼睛狀態(tài)的睜閉檢測。需要說明的是，本發(fā)明中，所述基本檢測線性強(qiáng)分類器與干擾檢測線性強(qiáng)分類器采用支持向量機(jī)SVM、logistic回歸和貝葉斯分類器的一種，所述眼睛局部特征包括LBP、Gabor、HOG特征的一種。優(yōu)選的，本發(fā)明中，所述眼睛局部特征包括LBP特征，所述基本檢測線性強(qiáng)分類器與干擾檢測線性強(qiáng)分類器采用SVM分類器。由于環(huán)境干擾因素的不同，級聯(lián)式強(qiáng)分類器的分類和對應(yīng)的特征提取方式是不同的。在每層級聯(lián)的強(qiáng)分類器中，特征提取方式?jīng)]有嚴(yán)格要求，可以根據(jù)具體情況具體分析。到目前為止，局部特征提取方式有許多的可選方案，如LBP，Gabor，HOG特征等。LBP特征：LBP(LocalBinaryPattern，局部二值模式)是一種用來描述局部紋理特征的算子，其由T.Ojala,M.和D.Harwood在1994年發(fā)明。LBP的原始計算公式如(1)所示：其中原始計算公式并不具有旋轉(zhuǎn)不變性，因此人們提出旋轉(zhuǎn)不變的LBP模式，旋轉(zhuǎn)不變的LBP就算公式如(2)所示：其中，ROR為LBP按位平移函數(shù)，選擇數(shù)值最小的XX作為LBP特征。雖然式(2)具有了旋轉(zhuǎn)不變性，但大量實驗表明，其36種情況在一幅圖像中出現(xiàn)的頻率差異較大，因此提出了uniformLBP模式，其公式如(3)所示：Gabor特征：Gabor算子具有優(yōu)良的空間局部性和方向選擇性，能夠抓住圖像局部區(qū)域內(nèi)多個方向空間頻率和局部特征結(jié)構(gòu)。Gabor函數(shù)是一個用高斯函數(shù)調(diào)制的復(fù)正弦函數(shù),能夠在給定區(qū)域內(nèi)提取出局部的頻域特征。典型的2-DGabor函數(shù)h(x,y)及其傅里葉變換H(u，v)公式如(4)所示。其中:g(x,y)是用來調(diào)制的高斯函數(shù)；σx和σy是其在兩個坐標(biāo)軸上的標(biāo)準(zhǔn)方差；W為復(fù)正弦函數(shù)在橫軸上的頻率。將Gabor函數(shù)分解為實部hR(x,y)和虛部hI(x,y)兩個分量,則用它濾波得到的圖像為(5)其中,(h*I)表示圖像I和濾波器h的卷積.S(x,y)經(jīng)過高斯平滑,即為該Gabor濾波器提取出的特征圖像。HOG特征：方向梯度直方圖(HistogramofOrientedGradient,HOG)通過計算和統(tǒng)計圖像局部區(qū)域的梯度方向直方圖來構(gòu)成特征。計算圖像橫坐標(biāo)和縱坐標(biāo)方向的梯度，并據(jù)此計算每個像素位置的梯度方向值；求導(dǎo)操作不僅能夠捕獲輪廓，人影和一些紋理信息，還能進(jìn)一步弱化光照的影響。圖像中像素點(diǎn)(x,y)的梯度為(6)：Gx(x,y)＝H(x+1,y)-H(x-1,y)Gy(x,y)＝H(x,y+1)-H(x,y-1)(6)式中,Gx(x,y)，Gy(x,y)，H(x,y)分別表示輸入圖像中像素點(diǎn)(x,y)處的水平方向梯度、垂直方向梯度和像素值。像素點(diǎn)(x,y)處的梯度幅值和梯度方向分別為(7)所示：G(x,y)=Gx(x,y)2+Gy(x,y)2α(x,y)=tan-1(Gy(x,y)Gx(x,y))---(7)]]>在基本分類器中，系統(tǒng)采集人們在正常環(huán)境中的眼睛數(shù)據(jù)，如沒有環(huán)境干擾的眼睛數(shù)據(jù)，如沒有遮擋的眼睛數(shù)據(jù)。在基本檢測強(qiáng)分類器的特征提取中，由于其目的是進(jìn)行眼睛狀態(tài)的基本檢測，并不需要針對遮擋情況，因此基本檢測強(qiáng)分類器的訓(xùn)練數(shù)據(jù)中并不需要采集環(huán)境干擾眼睛的數(shù)據(jù)，如遮擋眼睛的數(shù)據(jù)，因此基本檢測強(qiáng)在特征提取方面，本發(fā)明采用局部特征提取方法來進(jìn)行眼睛數(shù)據(jù)的特征提取，利用局部特征可以有效地表征眼睛的特征信息。目前的分類器種類眾多，某些分類器非常具有代表性，由于其強(qiáng)大的分類能力，非常受科研者的青睞，如SVM，logistic回歸和貝葉斯分類等。支持向量機(jī)(SupportVectorMachine，SVM)是Cortes和Vapnik于1995年首先提出的。SVM是建立在統(tǒng)計學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，以期獲得最好的泛化能力。SVM的目標(biāo)函數(shù)為(8):Logistic回歸為概率型非線性回歸模型，是研究二分類觀察結(jié)果與一些影響因素之間關(guān)系的一種多變量分析方法.LR分類器(LogisticRegressionClassifier)訓(xùn)練之后是一個權(quán)值向量，其主要公式如(9)所示：式中w為訓(xùn)練模型的權(quán)重向量，x為特征向量，f(x)值為概率0-1之間。LR分類器的代價函數(shù)為式(10):樸素貝葉斯分類是一種十分簡單的分類算法,其思想基礎(chǔ)是：對于給出的待分類項，求解在此項出現(xiàn)的條件下各個類別出現(xiàn)的概率，哪個最大，就認(rèn)為此待分類項屬于哪個類別。樸素貝葉斯分類器的核心原理是貝葉斯原理，其公式為(11)所示:在分類器的訓(xùn)練階段，主要工作是計算每個類別在訓(xùn)練樣本中的出現(xiàn)頻率及每個特征屬性劃分對每個類別的條件概率估計，其各個特征屬性的條件概率如公式(12)：P(a1|y1),P(a2|y1),...,P(am|y1)；P(a1|y2),P(a2|y2),...,P(am|y2)；P(a1|yn),P(a2|yn),...,P(am|yn)(12)式中{a1,a2,...,am}為一個訓(xùn)練本的特征向量，{y1,y2,...,yn}為n個類別。如果各個特征獨(dú)立，根據(jù)貝葉斯定理有公式(13):P(x|yi)P(yi)=P(a1|yi)P(a2|yi)...P(am|yi)P(yi)=P(yi)Πj=1mP(aj|yi)---(13)]]>本發(fā)明中，所述干擾檢測線性強(qiáng)分類器是在有環(huán)境干擾情況下的眼睛睜閉狀態(tài)檢測，如遮擋干擾情況。如在現(xiàn)實使用環(huán)境中，經(jīng)常會出現(xiàn)人為或非人為的眼睛遮擋的情況，在此遮擋干擾下，基本檢測器通常會將睜眼檢測為閉眼，若將眼睛狀態(tài)檢測器應(yīng)用在活體檢測上，這將是非常大的漏洞，為解決此問題，同時不影響基本檢測線性強(qiáng)分類器的使用下，本發(fā)明采用基本檢測線性強(qiáng)分類器的后面級聯(lián)干擾檢測線性強(qiáng)分類器，具體如遮擋檢測線性強(qiáng)分類器，當(dāng)然也可根據(jù)不同的干擾情況訓(xùn)練其它干擾檢測分類器，并級聯(lián)在基本檢測線性強(qiáng)分類器后，或者是級聯(lián)遮擋檢測線性強(qiáng)分類器后，具體不限。本發(fā)明的目的還在于提供一種眼睛睜閉狀態(tài)的檢測系統(tǒng)，參見圖2所示，包括：級聯(lián)式強(qiáng)分類器，所述級聯(lián)式強(qiáng)分類包括一個基本檢測線性強(qiáng)分類器(或稱之基本分類器)以及級聯(lián)在該基本檢測線性強(qiáng)分類器后面的干擾檢測線性強(qiáng)分類器(或稱之干擾分類器)；所述基本檢測線性強(qiáng)分類器，用于提取需要判斷的眼睛圖片數(shù)據(jù)的眼睛局部特征判斷眼睛目標(biāo)是處于睜眼狀態(tài)還是閉眼狀態(tài)；所述干擾檢測線性強(qiáng)分類器，用于將判斷為閉眼狀態(tài)的眼睛目標(biāo)對應(yīng)的眼睛圖片數(shù)據(jù)的特征提取區(qū)域擴(kuò)大，在擴(kuò)大的特征提取區(qū)域提取眼睛局部特征，判斷該眼睛目標(biāo)是處于睜眼狀態(tài)還是閉眼狀態(tài)。其中，如前述檢測方法所述，所述基本檢測線性強(qiáng)分類器包括一個線性強(qiáng)分類器，所述干擾檢測線性強(qiáng)分類器包括至少一個干擾檢測線性強(qiáng)分類器。所述干擾檢測線性強(qiáng)分類器包括至少一個遮擋檢測強(qiáng)分類器。所述基本檢測線性強(qiáng)分類器與干擾檢測線性強(qiáng)分類器采用支持向量機(jī)SVM、logistic回歸和貝葉斯分類器的一種，所述眼睛局部特征包括LBP、Gabor、HOG特征的一種。所述眼睛局部特征包括LBP特征，所述基本檢測線性強(qiáng)分類器與干擾檢測線性強(qiáng)分類器采用SVM分類器。由于本發(fā)明的眼睛睜閉狀態(tài)的檢測系統(tǒng)的級聯(lián)式強(qiáng)分類器具有擴(kuò)展性，且環(huán)境干擾因素不確定，無法將每種情況一一詳盡闡述，下面僅針對以基本檢測分類器與遮擋檢測分類器來介紹本發(fā)明的眼睛睜閉狀態(tài)檢測的過程。首先將眼睛圖片數(shù)據(jù)送入到眼睛狀態(tài)基本檢測線性強(qiáng)分類器中，由于直接使用圖片數(shù)據(jù)會使其特征表征能力非常差，因此將原始數(shù)據(jù)進(jìn)行特征提取，所以本發(fā)明中采用局部特征提取方法，局部特征能夠非常好地提取眼睛特征，在提取特征之后，將特征送入遮擋檢測線性強(qiáng)分類器，強(qiáng)分類器采用線性分類器，線性分類器擁有模型小、速度快和泛化能力強(qiáng)的優(yōu)點(diǎn)，但在數(shù)據(jù)復(fù)雜的情況下，容易出現(xiàn)誤判，如在遮擋眼睛的情況下，會出現(xiàn)將睜眼狀態(tài)判斷為閉眼狀態(tài)，因此需要將判斷為閉眼的圖片送入遮擋檢測分類器進(jìn)行再次判斷，在遮擋判斷分類器中，為了更加有效地分類出眼睛的睜閉狀態(tài)，本發(fā)明將眼睛特征提取區(qū)域擴(kuò)大，選用性能良好的局部特征提取方法，將提取出的特征送入線性強(qiáng)分類器，進(jìn)行眼睛睜閉狀態(tài)的檢測，最終輸出眼睛狀態(tài)的檢測結(jié)果。需要說明的是，在遮擋判斷中，要采集閉眼數(shù)據(jù)和誤判的遮擋睜眼數(shù)據(jù)，為了能夠有效地檢測遮擋狀態(tài)，同時由于局部特征表征能力的強(qiáng)大，遮擋檢測數(shù)據(jù)的特征仍然采用局部特征來進(jìn)行表征，但此次遮擋檢測的局部特征并不沿用基本檢測的局部特征。為了更有效的檢測出眼睛的遮擋情況，在遮擋檢測時將眼睛表示區(qū)域擴(kuò)大，從而提取出更廣泛范圍內(nèi)的局部特征，且由于該遮擋檢測分類器采用SVM強(qiáng)分類器，并且采用了級聯(lián)方式進(jìn)行檢測，使此分類器的數(shù)據(jù)比較簡單，且由于采用線性SVM強(qiáng)分類器，可避免過擬合現(xiàn)象。以上僅是對遮擋情況檢測的說明，具體的在遮擋檢測分類器之后輸出檢測結(jié)果后，若應(yīng)用環(huán)境中存在新的干擾，可以在遮擋檢測分類器的后面增加新的若干個強(qiáng)分類器，這樣通過適應(yīng)不同環(huán)境干擾的線性強(qiáng)分類器的依次級聯(lián)，需要分類的數(shù)據(jù)較單一，模型小，準(zhǔn)確率高，效率快，且易于隨著環(huán)境的變化而進(jìn)行擴(kuò)展。在本發(fā)明中，在第一級的基本檢測線性強(qiáng)分類器和第二級的遮擋檢測線性強(qiáng)分類器都采用LBP特征和SVM分類器，并根據(jù)實際情況進(jìn)行LBP特征提取，通過本發(fā)明應(yīng)用測試結(jié)果如下表所示：測試集測試集大小(張)準(zhǔn)確率睜眼28598.5965％閉眼12596.8％以上僅是本發(fā)明采用兩個強(qiáng)分類器的示例性說明，但本發(fā)明的特點(diǎn)在于級聯(lián)式擴(kuò)展，在使用環(huán)境中如果遇到新的環(huán)境干擾可以方便地進(jìn)行級聯(lián)，進(jìn)行眼睛狀態(tài)的進(jìn)一步檢測?？梢钥闯?，本發(fā)明的檢測方法及系統(tǒng)，主要是將需要判斷的眼睛圖片數(shù)據(jù)輸入級聯(lián)式判斷系統(tǒng)，最終判斷出眼睛的睜閉狀態(tài)，由于采用級聯(lián)式分類檢測及易于擴(kuò)展，這樣可以在復(fù)雜多變的環(huán)境中，快速、有效地識別出眼睛的狀態(tài)，增加適應(yīng)環(huán)境能力，從而解決了目前的檢測模型存在的以下技術(shù)問題：1)在面對現(xiàn)實環(huán)境中復(fù)雜多面的干擾，實驗中訓(xùn)練的檢測模型往往不能很好地適應(yīng)使用環(huán)境，往往造成誤判，同時在訓(xùn)練時如果將訓(xùn)練數(shù)據(jù)簡單的增加各種干擾數(shù)據(jù)；2)會造成訓(xùn)練數(shù)據(jù)復(fù)雜性急速增加，造成模型過大，泛化能力差；3)實際環(huán)境是干擾多變的，無法將各種干擾數(shù)據(jù)采集，并且干擾情況多變，模型無法擴(kuò)展。本發(fā)明的檢測方法及系統(tǒng)，應(yīng)用十分廣泛，如應(yīng)用于當(dāng)今如火如荼的人臉識別方面的交互式活體識別，可以利用眼睛的狀態(tài)來識別照片和真人，方法使用靈活，可用于移動終端設(shè)備或非移動終端設(shè)備中使用，易于根據(jù)現(xiàn)實中的干擾進(jìn)行系統(tǒng)擴(kuò)展。本發(fā)明通過利用級聯(lián)強(qiáng)分類器進(jìn)行實時人體眼睛狀態(tài)檢測，從面可以應(yīng)對實際進(jìn)行眼睛狀態(tài)監(jiān)測時環(huán)境的復(fù)雜性。通過級聯(lián)應(yīng)對各種干擾環(huán)境的強(qiáng)分類器，來進(jìn)行眼睛睜閉狀態(tài)檢測，具有實時性和抗攻擊性的特點(diǎn)，可用于移動終端人臉識別中的交互式活體檢測。本發(fā)明通過集成分類器來應(yīng)對現(xiàn)實環(huán)境的某種干擾和人為惡意攻擊，實時檢測人體眼睛睜閉狀態(tài)，避免了用單獨(dú)模型無法有效檢測的現(xiàn)象，且可以通過級聯(lián)強(qiáng)分類器有效解決現(xiàn)實環(huán)境中的各種干擾和人為攻擊，并且隨著現(xiàn)實環(huán)境干擾的變化，靈活地改變眼睛狀態(tài)檢測模型。本發(fā)明通過級聯(lián)強(qiáng)分類器式的檢測方式可以解決各種環(huán)境干擾，從而解決了了現(xiàn)實使用的移動終端設(shè)備環(huán)境復(fù)雜多變，單一模型不可能應(yīng)對各種干擾帶來的影響的問題，并且可以隨時改變模型來解決環(huán)境帶來的新影響，使得本發(fā)明的級聯(lián)式眼睛狀態(tài)檢測方法靈活、易用，功能強(qiáng)大，可擴(kuò)展性強(qiáng)。盡管已經(jīng)示出和描述了本發(fā)明的實施例，對于本領(lǐng)域的普通技術(shù)人員而言，可以理解在不脫離本發(fā)明的原理和精神的情況下可以對這些實施例進(jìn)行多種變化、修改、替換和變型，發(fā)明專利的范圍由所附權(quán)利要求及其等同物限定。當(dāng)前第1頁1 2 3