基于A(yíng)daboost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(dòng)，眨眼的速度會(huì )受疲勞程度、情感壓力、行為種類(lèi)、睡覺(jué)數量、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，本文采用 Adaboost算法[3][4][5]訓練和檢測眼睛睜閉狀態(tài)，把睜眼和閉眼圖片分類(lèi)出來(lái)。

　　Adaboost算法

　　Adaboost是一種自適應 boosting算法，它的原理就是將一些簡(jiǎn)單的弱分類(lèi)器 (矩形特征 )通過(guò)特定的訓練需求 (一般為檢測率和誤檢率的要求)組合成為一個(gè)強分類(lèi)器，在訓練和檢測時(shí)每一個(gè)強分類(lèi)器對待檢測的矩形特征進(jìn)行判決，將這些強分類(lèi)器級聯(lián)起來(lái)就可以生成一個(gè)準確的、快速的分類(lèi)器。它的特點(diǎn)就是檢測速度快，因為每一個(gè)強分類(lèi)器都可以否決待檢測的矩形特征，所以前面的強分類(lèi)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(lèi)器的訓練。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。設輸入的n個(gè)訓練樣本為:{(x1,y1)，(x2,y2)，......(xn,yn)}，其中xi是輸入的訓練樣本，yi∈{0,1}分別表示正樣本和負樣本，其中正樣本數為 l，負樣本數m。n=l+m，具體步驟如下：

　　(1) 初始化每個(gè)樣本的權重w1,i∈D(i);

　　(2)對每個(gè)t=1,..., T(T為弱分類(lèi)器的個(gè)數)

　?、侔褭嘀貧w一化為一個(gè)概率分布

　?、趯γ總€(gè)特征f，訓練一個(gè)弱分類(lèi)器hj計算對應所有特征的弱分類(lèi)器的加權錯誤率

　?、圻x取最佳的弱分類(lèi)器ht(擁有最小錯誤率)：et

　?、馨凑者@個(gè)最佳弱分類(lèi)器，調整權重

　　其中ei=0表示被正確地分類(lèi)，ei=1

　　表示被錯誤地分類(lèi)

　　(3)最后的強分類(lèi)器為：

　　基于A(yíng)daboost算法的眨眼識別

　　要保證視頻流中圖像處理的實(shí)時(shí)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(jìn)行快速的目標檢測，因此我們的人眼狀態(tài)檢測的定位，系統就選擇了 Adaboost算法?；贏(yíng)daboost的眨眼識別系統主要包含兩個(gè)模塊:訓練和檢測。其中訓練過(guò)程起著(zhù)決定性的作用。