基于區域灰度特征比較和人眼瞼曲率的狀態識別

趙恒煒

(西安建筑科技大學信息與控制工程學院，陜西西安 710055)

基于區域灰度特征比較和人眼瞼曲率的狀態識別

趙恒煒

(西安建筑科技大學信息與控制工程學院，陜西西安 710055)

針對眼睛狀態檢測在實際疲勞監控系統應用中的缺陷，提出了一種基于區域灰度特征比較和眼瞼曲率的人眼狀態識別算法。在確定眼睛區域的前提下，提取眼睛區域的灰度特征和眼瞼曲率特征，確定眼睛狀態。通過對不同背景、光照變化、眼睛傾斜和旋轉，以及戴眼鏡等多種復雜環境下進行眼睛狀態檢測，實驗結果表明，文中算法具有處理速度快、魯棒性高等特點。

區域灰度特征比較法;眼瞼曲率法;算法融合

據不完全統計，全世界每年死于交通事故的人數約為60萬，僅車禍受傷的人數，平均每年約有1 000萬人［1］。英國交通研究實驗室(Transport Research Laboratory)認為:疲勞駕駛導致的交通事故占全部交通事故的10%。有資料表明，高速公路上發生的交通事故中有50%以上，是由于長時間疲勞駕駛或所見目標單調而造成注意力不集中、打瞌睡等原因所造成。

隨著計算機圖像處理技術的發展，利用圖像處理技術檢測駕駛員的疲勞狀態已經成為可能。首先利用攝像機實時檢測駕駛員的眼睛位置，其次根據圖像處理方法檢測駕駛員的眼睛狀態并判斷是否疲勞駕駛，因此眼睛狀態的識別具有重要意義［2］。

目前，研究人員在進行眼睛狀態識別這一領域中做了大量研究，提出了多種方法，其中主要方法有邊緣復雜度法、灰度投影法［3］、模板匹配法［4］、眼睛面積法、Hough變換找珠法、眼瞼曲率法［5］、SVM 訓練法等。以上方法各具特點，但在識別率、魯棒性、實時性等方面難以全面兼顧，總會存在某種缺陷。本文首先在傳統的灰度投影法思想的基礎上，提出了一種基于區域灰度特征的識別方法，其具有速度快、識別率高等特點。為進一步提高算法性能，把傳統的眼瞼曲率法和區域灰度特征法進行融合，通過把兩種方法分別在邊緣特征和區域灰度特征方面的優勢相結合，實現更高的識別率和更強的魯棒性。

1 眼睛狀態識別

1.1 區域灰度特征比較法

通過對眼睛的觀察發現，瞳孔和眼角區域在睜眼和閉眼時有明顯變化，于是可以通過對這種變化的量化分析實現眼睛狀態的識別。

(1)如圖1所示選擇眼睛瞳孔和眼角所在的兩個矩形區域作為比較目標。瞳孔區域盡可能取作者簡介:瞳孔的內側矩陣區域使其與瞳孔近似，眼角區域盡可能選擇眼角眼白的混合區，以突出其灰度變化復雜的特點。

(2)對眼睛區域進行灰度化，同時計算步驟1中標注區域的灰度均值和方差，如式(1)，式(2)所示，眼睛瞳孔區域灰度均值和方差分別記為V1、σ1，眼角區域灰度均值和方差分別記為V2、σ2。

式中，I(x，y)表示點(x，y)處的像素灰度值，m、n 分別表示矩形區域的寬和高。

(3)分別比較 V1、V2和 σ1、σ2，當睜眼時，由于眼睛的瞳孔和眼白出現，瞳孔區域灰度值很低，而眼角區域灰度值很高，因此V1?V2。同時瞳孔區域以較低的灰度像素均勻分布，眼角區域灰度分布復雜，因此σ1?σ2;當閉眼時瞳孔和眼白消失，這兩個區域的灰度分布接近，因此V1≈V2且σ1≈σ2。利用此方法，通過設置合適的閾值可以準確判斷眼睛的開閉狀態。

圖1 眼睛特征區域選取

區域灰度特征比較法計算量小、速度快，同時保留了基于知識建模方法的人眼狀態連續、參數可調性，拋棄了需要精確幾何模型的缺點，利用區域灰度均值和方差，具有較強的魯棒性。但當背景或光線陰暗圖片造成噪聲時，如果噪聲嚴重，可能影響二值化后的圖像進而造成判斷錯誤，因此提出和眼瞼曲率法相結合的思想對算法作進一步改進。

1.2 眼瞼曲率法

1.2.1 上眼瞼的提取

(1)邊緣提取。邊緣對應于圖像中灰度劇烈變化的地方，是圖像的重要特征之一，描述邊緣特征包括灰度的變化率和方向。邊緣提取在機器視覺和圖像處理中較為重要，邊緣檢測算子依據邊緣上的灰度的一階導數最大值和二階導數過零點提取邊緣點，如Sobel算子、Canny算子、Prewitt算子、Robert算子、Laplacian算子等。Canny算子具有較強抑制噪聲的能力，其原理如下:因為圖像中的邊緣可能指向不同的方向，所以Canny算子使用4個mask檢測水平、垂直以及對角線方向的邊緣。原始圖像和每個mask做卷積運算，并且標識每個點在這個點上的最大值以及生成的邊緣的方向，這樣從原始圖像生成得到圖像中每個點亮度梯度圖以及亮度梯度的方向。由于較高的亮度梯度有可能是邊緣，但是無確切的值來限定多大的亮度梯度是邊緣，所以Canny使用滯后閾值。使用Canny算子提取邊緣時能夠得到較好的效果，具有較強的抗噪性。圖2(b)為邊緣檢測結果圖，眼睛的大部分邊緣均被提取出。因此可見經過Canny算子運算后的圖像，邊界從整幅圖像中突顯出來。

(2)上眼瞼輪廓的提取［5］。眼睛邊緣圖中包含所需的邊緣信息。觀察圖2(b)可知，上眼瞼基本位于邊緣圖上部，因此掃描圖像取出每列的最上面的點，即得到上眼瞼曲線，如圖2(c)。由于噪聲干擾，會存在一些孤立點對提取上眼瞼曲線造成影響，必須消除噪聲點干擾，采用三次曲線擬合方法對上眼瞼曲線擬合，結果如圖2(d)所示。

圖2 上眼瞼輪廓檢測

(3)眼瞼曲率的計算。由于利用上眼瞼的整體特性，因此計算的是眼瞼的平均曲率。平均曲率的計算公式為

其中，Δφ表示曲線段切線變化的角度;Δs為弧長。

如果直接利用該公式容易受噪聲點干擾，魯棒性較低，而且由于計算量大造成速度慢，因此需尋找更為簡單的方法。文獻［6］提出對每一眼瞼分段，利用以下近似公式求每段的曲率，最后求其中值作為眼瞼的平均曲率

其中，BD、AC為圖3圓弧中的弦長，并且 A，B，C沿圓弧等間隔選取。

圖3 近似圓弧

該方法在不影響計算精度的基礎上，因為減少了計算量，所以整個系統的計算速度明顯提高。但在計算過程中，發現該方法計算出的眼瞼曲率為零的情況較多，其主要由于每一眼瞼分段較短，幾乎變成直線。為此，文中對該方法進行改進，不用分段求曲率，而是將眼瞼曲線作為整體進行簡化計算，具體如下:

(1)選擇眼瞼曲線的兩邊端點分別為A、C，則其縱坐標差值為AC。

(2)依次掃描眼瞼上各點，比較各點的橫坐標，橫坐標靠上的點為眼瞼的中點，即B點，計算B點到AC的距離得到BD。

(3)根據公式(4)計算曲率。

1.2.2 眼睛狀態識別

睜眼和閉眼時眼瞼曲線曲率不同而且彎曲方向也會不同，這是判斷眼睛睜閉的重要特征。根據圖3可知，當睜眼時B在AC上方，閉眼時B在AC的下方。因此定義當B在AC的上方時曲率為正，反之曲率為負。由于睜眼、半睜眼或瞇眼時上眼瞼曲率為正，實際眼睛狀態識別過程中，當上眼瞼曲率大于閾值時則判斷為開眼，否則認為閉眼。

2 實驗結果與分析

實驗環境選用CPU E5300 2.9 GHz，2 GB的內存。操作系統為 Microsoft Windows XP SP3，仿真平臺為Matalab 7.8。

2.1 區域灰度特征比較法

選取不同光照下的眼睛圖片，通過對灰度特征比較法計算特征值，部分結果列于表1和表2。從所得數據可知，區域灰度均值和方差在開眼和閉眼狀態下具有明顯變化，同時由于圖像的灰度值受光線影響較大，因此采用開眼和閉眼時的灰度均值比、灰度方差比作為眼睛狀態判決的閾值，具有較好的適應性。

2.2 眼瞼曲率法

同樣對不同光照下的眼睛圖片計算眼瞼曲率，通過眼瞼曲率法提取上眼瞼和計算眼瞼曲率，將部分結果列于表3。從所得數據中可知，眼瞼曲率伴隨眼睛睜閉狀態而發生變化，因此可作為眼睛狀態識別的特征之一。

表1 睜閉眼睛灰度均值對比表

表2 睜閉眼睛灰度方差對比表

表3 睜閉眼睛曲率表

3 結束語

疲勞駕駛是車禍事故的主要原因之一，因此對駕駛員的疲勞狀態進行監測，減少由于疲勞駕駛而引發的事故，具有重要現實意義。人眼狀態識別是構建駕駛疲勞檢測系統的關鍵步驟之一。文中首先提出了一種基于比較區域灰度特征的眼睛狀態識別方法，具有速度快、識別率高等優點。當光線較暗或噪聲劇烈時，通過融合眼瞼曲率法做進一步綜合判斷，使兩種方法優勢互補，這樣既縮短了計算時間，而且提高了人眼狀態識別的精確度和魯棒性。

［1］DAWSON D，LAMOND N，DONKIN K，et al.Quantitative similarity between the cognitive psychomotor performance decrement associated with sustained wakefulness and alcohol intoxication［C］.In Hartley，L，R(Ed.)ManagingFatigue in Transportation Proceedings of the Third International Conference on Fatigue and Transportation，Fremantle，Western Australia.Oxford UK.Elsevier Science Ltd，1998.

［2］王榮本，郭克友，儲江偉.一種基于Gabor小波的駕駛員眼部狀態識別方法的研究［J］.中國圖象圖形學報，2003，8(9):1043 －1047.

［3］左坤隆，劉文耀，朱 昊.基于差分投影和梯度向量流場的眼睛特征提取［J］.計算機工程，2005，31(4):26－28.

［4］陳艷琴.關于司機疲勞監測的人眼檢測與跟蹤研究［D］.長沙:中南大學，2004.

［5］江水郎.基于視覺的駕駛員疲勞檢測研究［D］.上海:上海交通大學，2008.

［6］周玉彬.基于視頻方法檢測駕駛員疲勞/瞌睡程度的技術研究［D］.西安:第四軍醫大學，2003.

Eye State Detection Based on Comparison of Eye Gray Area Feature and Eyelid Curvature

ZHAO Hengwei
(School of Information and Control Engineering，Xi'an University of Architecture and Technology，Xi'an 710055，China)

In order to improve the defects of current eye state detection when used for fatigue monitoring，this paper proposes a new vision sensor-based comparison of eye gray area and eyelid curvature.Under the premise that the eyes area is found，the eye state is determined by extracting the features of the gray area and eyelid curvature characteristic features.Eye state detection in such complex environments as different backgrounds，changing illuminations，eye tilting and rotation，and wearing glasses shows that the algorithm has faster processing speed and robustness.

comparison of eye gray area;eyelid curvature;merge

TP391.41

A

1007－7820(2012)06－017－03

2012-01-05

趙恒煒(1978－)，男，碩士研究生。研究方向:圖像處理。