人脸特征点检测算法的改进与疲劳检测算法的研究
发布时间：2021-03-18 14:44
随着社会的快速发展,交通安全成为当下的一个社会热点问题,这当中,由疲劳驾驶等不安全驾驶行为引发了大量的交通事故,给人民的生命财产安全造成了极大的损失。基于现代化科学技术的疲劳检测技术的研究具有显著的社会意义和商业价值。在众多技术中,基于计算机视觉的技术具有设备简单、普及性高等优点,得到了学术界和工业界的广泛关注。特别地,计算机视觉领域中的人脸特征点检测的技术为实时、鲁棒的疲劳检测提供了可能性。本文围绕人脸特征点检测算法的改进和基于人脸特征点的疲劳检测算法展开研究。本文首先结合实际问题的需要,对牛顿提升树模型加以推广,提出了多响应牛顿提升树模型,以适应一般的情形下的多响应的学习问题。进一步地,本文在人脸形状索引的基础上提出了统计量特征,用以更好地描述图像局部区域内像素的整体分布情况。通过级联多响应牛顿提升树,并联合统计量特征,本文对ERT算法加以改进,提出了CNBT人脸特征点检测算法。本文创建了基于人脸特征点对的人脸状态特征,并提出了基于几何方法和互信息对该特征进行特征选择的算法。在人脸状态特征的基础上,本文还提出了针对哈欠、瞌睡两种疲劳特征的统一的分类模型,并进而提出了统一的C-LPD...
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
本文的研究路线
东南大学硕士学位论文8第二章相关算法和模型的介绍本章主要对本文研究内容相关的一些算法及模型进行介绍，这些算法和模型主要包括：分类回归树模型、树的提升算法、用于人脸特征点检测的级联回归树(ERT)模型、基于嘴部和\或眼部高宽比的疲劳检测算法。本文第三章基于分类回归树和树的提升算法，提出了多响应牛顿提升树(m-NBT)模型；第四章中，基于m-NBT提出了级联牛顿提升树(CNBT)人脸特征点检测算法，作为对ERT算法的改进；第五章中，提出了基于CNBT的疲劳检测算法(C-LPDD)，并将其与基于人脸特征点的高宽比判别法对比。本章内容组织如下：2.1介绍了分类回归树；2.2节概括性地介绍了树的提升算法；2.3节在介绍了ERT人脸特征点检测算法；2.4节总结本章内容。2.1分类回归树本文第三章将对牛顿提升树作多响应扩展，并在第四章将其用于人脸特征点检测。牛顿提升树本质上是以分类回归树为基学习器的集成模型，出于后文论述需要，本节中对分类回归树的加以概述。分类回归树（ClassificationandRegressionTree,CART）是一种基本的分类与回归模型，最早由Breiman等人提出[47]。CART呈二叉树状结构，由结点和有向边组成。CART的结点包括两种类型：内部结点和叶结点，每一条边由相应的父结点指向其子结点。每一个内部结点关联了一个特征以及该特征的一个阈值，每一个叶结点上关联了一个常向量。图2.1中(a)为在BostonHousing数据集上学习出的回归树的结构示意图。(a)回归树的结构图(b)回归树对特征空间的划分的示意图图2.1在BostonHousing数据集上训练的回归树CART的学习过程就是二叉树结构生长的过程，也就是结点不断分裂过程。这里给出对根结点的分裂的说明[48][47]。
第二章相关算法和模型的介绍13自提出以来的二十多年里，人脸特征点检测的问题得到了大量的研究，许多有效的算法和模型得以提出，取得了丰富的成果。这当中，基于级联回归树(EnsembleofRegressionTrees,ERT)的检测方法是少数能够在CPU环境上实现实时人脸特征点检测的算法之一，并且有着较低的误差。考虑到本文待研究哈欠检测问题对实时性有着很高的要求，本文选择在ERT算法的基础上加以改进，在不牺牲过多时间性能的前提下，进一步降低特征点检测的误差。本节中对ERT人脸特征点检测的原理加以介绍。2.3.1人脸特征点与人脸形状人类特征点是人脸图像上，一系列具有特殊语义的点，如脸颊、眉毛和嘴唇等。图2.2是i·bug网站上提供的300-W数据集[51][52][53]中的标准68-特征点标记方式和示例。(a)标准68点标记方式(b)68点示意图图2.2300-W数据集中68人脸特征点的示意图沿用人脸特征点检测领域的习惯用语，本文将上所有人脸特征点的坐标组合成的向量称为图像上的人脸形状(facialshape)，或者，在不造成歧义的情况下，直接将其简称为形状。为方便论述，本节首先从习惯的符号记法中抽象出人脸形状的形式化定义：定义2.3(人脸形状)对于一个给定的-特征点标记方式，设x∈2表示第个特征点在上的坐标，则用向量=(x1,x2,…,x)∈2表示上个特征点的全体。人脸特征点检测通常是在给定的数据集上学习得到相应的模型，并且在精心设计的结构化的数据集中，平均的人脸形状通常有着特殊的含义。出于本章叙述的需要，本节给出人脸特征点数据集和平均人脸形状的定义：定义2.4(人脸特征点数据集及平均形状)人脸特征点数据集由一系列图像及这些图像上的人脸形状组成，记作={(,)|=1,2,…,}。将中人脸形状的均值称为平均形状，记作=∑=1。
【参考文献】：
期刊论文
[1]基于人脸特征点分析的疲劳驾驶实时检测方法[J]. 柳龙飞,伍世虔,徐望明. 电视技术. 2018(12)
[2]基于嘴巴特征点曲线拟合的哈欠检测[J]. 谢国波,陈云华,张灵,丁伍洋. 计算机工程与科学. 2014(04)
[3]基于面部特征的疲劳驾驶检测[J]. 张丽雯,杨艳芳,齐美彬,蒋建国. 合肥工业大学学报(自然科学版). 2013(04)
硕士论文
[1]基于视频的驾驶员疲劳状态检测方法研究[D]. 李德武.湖南工业大学 2018
[2]基于面部视觉特征的疲劳检测方法研究[D]. 郑拓.齐鲁工业大学 2018
[3]基于视觉的驾驶员疲劳驾驶车载检测系统研究[D]. 仲海啸.江苏科技大学 2018
[4]基于脑电信号的疲劳状态检测与改善方法研究[D]. 王晓妍.燕山大学 2018
[5]基于多模生理信号的精神疲劳检测系统的设计与研究[D]. 李志学.兰州大学 2018
[6]基于脑电信号识别的驾驶疲劳检测方法研究[D]. 张淞杰.杭州电子科技大学 2018
[7]基于驾驶行为的疲劳驾驶检测方法研究[D]. 金雪.北京工业大学 2015
本文编号：3088499
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
本文的研究路线
东南大学硕士学位论文8第二章相关算法和模型的介绍本章主要对本文研究内容相关的一些算法及模型进行介绍，这些算法和模型主要包括：分类回归树模型、树的提升算法、用于人脸特征点检测的级联回归树(ERT)模型、基于嘴部和\或眼部高宽比的疲劳检测算法。本文第三章基于分类回归树和树的提升算法，提出了多响应牛顿提升树(m-NBT)模型；第四章中，基于m-NBT提出了级联牛顿提升树(CNBT)人脸特征点检测算法，作为对ERT算法的改进；第五章中，提出了基于CNBT的疲劳检测算法(C-LPDD)，并将其与基于人脸特征点的高宽比判别法对比。本章内容组织如下：2.1介绍了分类回归树；2.2节概括性地介绍了树的提升算法；2.3节在介绍了ERT人脸特征点检测算法；2.4节总结本章内容。2.1分类回归树本文第三章将对牛顿提升树作多响应扩展，并在第四章将其用于人脸特征点检测。牛顿提升树本质上是以分类回归树为基学习器的集成模型，出于后文论述需要，本节中对分类回归树的加以概述。分类回归树（ClassificationandRegressionTree,CART）是一种基本的分类与回归模型，最早由Breiman等人提出[47]。CART呈二叉树状结构，由结点和有向边组成。CART的结点包括两种类型：内部结点和叶结点，每一条边由相应的父结点指向其子结点。每一个内部结点关联了一个特征以及该特征的一个阈值，每一个叶结点上关联了一个常向量。图2.1中(a)为在BostonHousing数据集上学习出的回归树的结构示意图。(a)回归树的结构图(b)回归树对特征空间的划分的示意图图2.1在BostonHousing数据集上训练的回归树CART的学习过程就是二叉树结构生长的过程，也就是结点不断分裂过程。这里给出对根结点的分裂的说明[48][47]。
第二章相关算法和模型的介绍13自提出以来的二十多年里，人脸特征点检测的问题得到了大量的研究，许多有效的算法和模型得以提出，取得了丰富的成果。这当中，基于级联回归树(EnsembleofRegressionTrees,ERT)的检测方法是少数能够在CPU环境上实现实时人脸特征点检测的算法之一，并且有着较低的误差。考虑到本文待研究哈欠检测问题对实时性有着很高的要求，本文选择在ERT算法的基础上加以改进，在不牺牲过多时间性能的前提下，进一步降低特征点检测的误差。本节中对ERT人脸特征点检测的原理加以介绍。2.3.1人脸特征点与人脸形状人类特征点是人脸图像上，一系列具有特殊语义的点，如脸颊、眉毛和嘴唇等。图2.2是i·bug网站上提供的300-W数据集[51][52][53]中的标准68-特征点标记方式和示例。(a)标准68点标记方式(b)68点示意图图2.2300-W数据集中68人脸特征点的示意图沿用人脸特征点检测领域的习惯用语，本文将上所有人脸特征点的坐标组合成的向量称为图像上的人脸形状(facialshape)，或者，在不造成歧义的情况下，直接将其简称为形状。为方便论述，本节首先从习惯的符号记法中抽象出人脸形状的形式化定义：定义2.3(人脸形状)对于一个给定的-特征点标记方式，设x∈2表示第个特征点在上的坐标，则用向量=(x1,x2,…,x)∈2表示上个特征点的全体。人脸特征点检测通常是在给定的数据集上学习得到相应的模型，并且在精心设计的结构化的数据集中，平均的人脸形状通常有着特殊的含义。出于本章叙述的需要，本节给出人脸特征点数据集和平均人脸形状的定义：定义2.4(人脸特征点数据集及平均形状)人脸特征点数据集由一系列图像及这些图像上的人脸形状组成，记作={(,)|=1,2,…,}。将中人脸形状的均值称为平均形状，记作=∑=1。
【参考文献】：
期刊论文
[1]基于人脸特征点分析的疲劳驾驶实时检测方法[J]. 柳龙飞,伍世虔,徐望明. 电视技术. 2018(12)
[2]基于嘴巴特征点曲线拟合的哈欠检测[J]. 谢国波,陈云华,张灵,丁伍洋. 计算机工程与科学. 2014(04)
[3]基于面部特征的疲劳驾驶检测[J]. 张丽雯,杨艳芳,齐美彬,蒋建国. 合肥工业大学学报(自然科学版). 2013(04)
硕士论文
[1]基于视频的驾驶员疲劳状态检测方法研究[D]. 李德武.湖南工业大学 2018
[2]基于面部视觉特征的疲劳检测方法研究[D]. 郑拓.齐鲁工业大学 2018
[3]基于视觉的驾驶员疲劳驾驶车载检测系统研究[D]. 仲海啸.江苏科技大学 2018
[4]基于脑电信号的疲劳状态检测与改善方法研究[D]. 王晓妍.燕山大学 2018
[5]基于多模生理信号的精神疲劳检测系统的设计与研究[D]. 李志学.兰州大学 2018
[6]基于脑电信号识别的驾驶疲劳检测方法研究[D]. 张淞杰.杭州电子科技大学 2018
[7]基于驾驶行为的疲劳驾驶检测方法研究[D]. 金雪.北京工业大学 2015
本文编号：3088499
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3088499.html
最近更新
教材专著
