论文部分内容阅读
摘 要：驾驶人人眼检测是实现道路驾驶技能考试智能化评判的关键技术，本文提出了一种基于Adaboost算法的人眼检测方法，对比了Hear-like特征和扩展Hear-like特征，分析了基于积分图的特征快速提取方法，实现了人眼特征的实时检测跟踪。
关键词：Adaboost；人眼检测；路考
Driver’s eye detection technology based on Adaboost using in road test system
NIU Qingning， ZHOU Zhiqiang， LIU Wenchao
（Road Traffic Safety Research Center of the Public Security Ministry， Beijing 100062，China）
Abstract： Driver’s eye detection is the key technology to achieve automatic-evaluation driving ability in road test. An eye detection method based on Adaboost is proposed in this paper. Hear-like features and expand Hear-like features are compared. Features rapid selected method based on integral image is analyzed. Real-time eye detection and tracking are complied.
Keywords： Adaboost algorithm；eye detection； road test
目前机动车驾驶人科目三道路驾驶技能考试采用智能化评判技术。为实现车辆在行驶中驾驶人观察后视镜、低头看挡、观察交通情况等项目的自动化智能评判，需要对驾驶人的眼部特征进行检测。
1 Adaboost算法
Adaboost是在Boosting算法的基础上发展而来的。Boosting算法思想源于Valiant提出的PAC（Probably Approximately Correct）学习模型，在模型中提出了弱分类器和强分类器的概念。所谓弱分类器是指识别率略高于50%，仅比随机猜测稍好的学习算法。同时，Valiant和Kearns在PAC学习模型中首次进行了弱分类器和强分类器可否相互转化的研究，即任意给定仅比随机猜测略好的分类器能否提升为强分类器[1]。Schapire在1990年首先提出了一种多项式的算法，实现了弱分类器转化为强分类器的设想[2]。1995年Freund和Schapire提出了可调整权重的 Boosting算法，解决了Boosting在实践上的许多问题，形成了最初的Adaboost算法[3]。
Adaboost主要进行特征选择并且将弱分类器联合成强分类器。Adaboost是一个重复的过程，该过程为选择具有最小分类错误率的弱分类器。而每个弱分类器仅由简单的特征向量组成。
2 Haar-like特征
Haar-like特征是一种快速、简单的特征提取方式。最早是Papageorigiou等人提出的，并由Viola和Jones对其进行扩展所得。
Haar-like特征的计算方法为深色矩形区域内的所有像素值的和与相邻浅色矩形区域所有像素值和的差。这些矩形区域大小、形状相同并且垂直或水平相邻，五种基础的矩形特征窗口如图1所示，定义如下：
（1）二矩形区域（水平和垂直）：计算两个区域总像素的差值。
（2）三矩形区域（水平和垂直）：计算两边矩形区域总像素和中间区域像素和差值。
（3）四矩形区域：计算对角每对矩形区域像素和的差值。
二矩形区域的大小以1×2像素为基础进行变换，三矩形区域以1×3像素为基础进行变换，四矩形区域以2×2像素变化。矩形特征窗口扫描整幅图片，然后变换大小继续下一次扫描。
扩展的Haar-like特征是由Rainer Lienhart等人提出，并针对扩展的矩形特征提出了快速计算方法[4]，图2为扩展后的矩形特征。Haar-like矩形特征的扩展丰富了原有的矩形特征，新矩形的增加降低了分类的难度和误警率。扩展的Haar-like 特征主要分为四种：边缘特征、线特征、中心环绕特征、对角线特征。
3 积分图
积分图作为一种中间表现形式可以使矩形特征快速被计算出来[5]。利用积分图可以快速的计算出图上任意矩形区域内的像素和，从而求得矩形值，具体计算过程为：
点（x，y）的值为从左到右的黑色区域的像素总和。
其中， 为点 在积分图像上的像素和， 为在原图像中点 处的像素值。
求出每个点所对应的像素和，图像中任意区域的像素和便可快速地计算出来。遍历图像一次便可求出所有区域的积分图。如图4所示：点1表示区域A所有像素值的和，点2表示区域A+B所有像素值的和，点3表示区域A+C所有像素值的和，点4表示区域A+B+C+D所有像素值的和。区域D的像素值为：
离线采集驾驶人眼部图片的正负样本，利用积分图快速计算并提取驾驶人眼部矩形区域Haar-like特征，创建特征集。以特征集为输入，根据给定的弱学习算法，确定阈值，将特征与弱分类器一一对应，获得弱分类集，以弱分类集为输入，使用Adaboost算法挑选出最优的弱分类器构成强分类器，以强分类器集为输入，将其组合成级联分类器。搭建驾驶人人眼检测模型，实现在线检测。
4 结束语
基于Adaboost算法的人眼检测技术实现了人眼实时检测和跟踪，实现了车辆在行驶中驾驶人注视特征实时采集，完成了驾驶人观察后视镜、观察交通情况等科目三道路驾驶技能考试项目实时检测，检测精度满足了智能评估系统要求，提升了路考系统的智能评判水平。
参考文献
[1] Valiant L. G， A Theory of Learnable. Communication of ACM [J]. 1984， 27： 1134-1142.
[2] Schapire R E. The strength of weak learn ability [J]. Machine Learning， 1990， 5（2）： 197-227.
[3] 涂承胜，刁力力，鲁明羽，陆玉昌. Boosting家族Adaboost系列代表算法[J]. 计算机科学，2003，30（3）： 30-34.
[4] Rainer Lienhart，Jochen Maydt. An Extended Set of Haar-like Features for Rapid Object Detection [J]. IEEE ICIP 2002， 1： 900-903.
[5] 王亚丽，基于毫米波雷达与机器视觉融合的前方车辆检测研究[D]，吉林大学硕士学位论文， 2013.
关键词：Adaboost；人眼检测；路考
Driver’s eye detection technology based on Adaboost using in road test system
NIU Qingning， ZHOU Zhiqiang， LIU Wenchao
（Road Traffic Safety Research Center of the Public Security Ministry， Beijing 100062，China）
Abstract： Driver’s eye detection is the key technology to achieve automatic-evaluation driving ability in road test. An eye detection method based on Adaboost is proposed in this paper. Hear-like features and expand Hear-like features are compared. Features rapid selected method based on integral image is analyzed. Real-time eye detection and tracking are complied.
Keywords： Adaboost algorithm；eye detection； road test
目前机动车驾驶人科目三道路驾驶技能考试采用智能化评判技术。为实现车辆在行驶中驾驶人观察后视镜、低头看挡、观察交通情况等项目的自动化智能评判，需要对驾驶人的眼部特征进行检测。
1 Adaboost算法
Adaboost是在Boosting算法的基础上发展而来的。Boosting算法思想源于Valiant提出的PAC（Probably Approximately Correct）学习模型，在模型中提出了弱分类器和强分类器的概念。所谓弱分类器是指识别率略高于50%，仅比随机猜测稍好的学习算法。同时，Valiant和Kearns在PAC学习模型中首次进行了弱分类器和强分类器可否相互转化的研究，即任意给定仅比随机猜测略好的分类器能否提升为强分类器[1]。Schapire在1990年首先提出了一种多项式的算法，实现了弱分类器转化为强分类器的设想[2]。1995年Freund和Schapire提出了可调整权重的 Boosting算法，解决了Boosting在实践上的许多问题，形成了最初的Adaboost算法[3]。
Adaboost主要进行特征选择并且将弱分类器联合成强分类器。Adaboost是一个重复的过程，该过程为选择具有最小分类错误率的弱分类器。而每个弱分类器仅由简单的特征向量组成。
2 Haar-like特征
Haar-like特征是一种快速、简单的特征提取方式。最早是Papageorigiou等人提出的，并由Viola和Jones对其进行扩展所得。
Haar-like特征的计算方法为深色矩形区域内的所有像素值的和与相邻浅色矩形区域所有像素值和的差。这些矩形区域大小、形状相同并且垂直或水平相邻，五种基础的矩形特征窗口如图1所示，定义如下：
（1）二矩形区域（水平和垂直）：计算两个区域总像素的差值。
（2）三矩形区域（水平和垂直）：计算两边矩形区域总像素和中间区域像素和差值。
（3）四矩形区域：计算对角每对矩形区域像素和的差值。
二矩形区域的大小以1×2像素为基础进行变换，三矩形区域以1×3像素为基础进行变换，四矩形区域以2×2像素变化。矩形特征窗口扫描整幅图片，然后变换大小继续下一次扫描。
扩展的Haar-like特征是由Rainer Lienhart等人提出，并针对扩展的矩形特征提出了快速计算方法[4]，图2为扩展后的矩形特征。Haar-like矩形特征的扩展丰富了原有的矩形特征，新矩形的增加降低了分类的难度和误警率。扩展的Haar-like 特征主要分为四种：边缘特征、线特征、中心环绕特征、对角线特征。
3 积分图
积分图作为一种中间表现形式可以使矩形特征快速被计算出来[5]。利用积分图可以快速的计算出图上任意矩形区域内的像素和，从而求得矩形值，具体计算过程为：
点（x，y）的值为从左到右的黑色区域的像素总和。
其中， 为点 在积分图像上的像素和， 为在原图像中点 处的像素值。
求出每个点所对应的像素和，图像中任意区域的像素和便可快速地计算出来。遍历图像一次便可求出所有区域的积分图。如图4所示：点1表示区域A所有像素值的和，点2表示区域A+B所有像素值的和，点3表示区域A+C所有像素值的和，点4表示区域A+B+C+D所有像素值的和。区域D的像素值为：
离线采集驾驶人眼部图片的正负样本，利用积分图快速计算并提取驾驶人眼部矩形区域Haar-like特征，创建特征集。以特征集为输入，根据给定的弱学习算法，确定阈值，将特征与弱分类器一一对应，获得弱分类集，以弱分类集为输入，使用Adaboost算法挑选出最优的弱分类器构成强分类器，以强分类器集为输入，将其组合成级联分类器。搭建驾驶人人眼检测模型，实现在线检测。
4 结束语
基于Adaboost算法的人眼检测技术实现了人眼实时检测和跟踪，实现了车辆在行驶中驾驶人注视特征实时采集，完成了驾驶人观察后视镜、观察交通情况等科目三道路驾驶技能考试项目实时检测，检测精度满足了智能评估系统要求，提升了路考系统的智能评判水平。
参考文献
[1] Valiant L. G， A Theory of Learnable. Communication of ACM [J]. 1984， 27： 1134-1142.
[2] Schapire R E. The strength of weak learn ability [J]. Machine Learning， 1990， 5（2）： 197-227.
[3] 涂承胜，刁力力，鲁明羽，陆玉昌. Boosting家族Adaboost系列代表算法[J]. 计算机科学，2003，30（3）： 30-34.
[4] Rainer Lienhart，Jochen Maydt. An Extended Set of Haar-like Features for Rapid Object Detection [J]. IEEE ICIP 2002， 1： 900-903.
[5] 王亚丽，基于毫米波雷达与机器视觉融合的前方车辆检测研究[D]，吉林大学硕士学位论文， 2013.