基于Adaboost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，眨眼的速度會受疲勞程度、情感壓力、行為種類、睡覺數量、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，把睜眼和閉眼圖片分類出來。

　　Adaboost算法

　　Adaboost是一種自適應 boosting算法，它的原理就是將一些簡單的弱分類器 (矩形特征 )通過特定的訓練需求 (一般為檢測率和誤檢率的要求)組合成為一個強分類器，在訓練和檢測時每一個強分類器對待檢測的矩形特征進行判決，將這些強分類器級聯起來就可以生成一個準確的、快速的分類器。它的特點就是檢測速度快，因為每一個強分類器都可以否決待檢測的矩形特征，所以前面的強分類器就可以把大部分錯誤的特征給排除掉。

　　下面介紹Adaboost算法對強分類器的訓練。本文正樣本為包含各種姿態人眼的圖片(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) 初始化每個樣本的權重w1,i∈D(i);

　　(2)對每個t=1,..., T(T為弱分類器的個數)

　　①把權重歸一化為一個概率分布

　　②對每個特征f，訓練一個弱分類器hj計算對應所有特征的弱分類器的加權錯誤率

　　③選取最佳的弱分類器ht(擁有最小錯誤率)：et

　　④按照這個最佳弱分類器，調整權重

　　其中ei=0表示被正確地分類，ei=1

　　表示被錯誤地分類

　　(3)最后的強分類器為：

　　基于Adaboost算法的眨眼識別

　　要保證視頻流中圖像處理的實時性就必須采用特定的算法。Adaboost算法由于它特殊的算法模式，可以進行快速的目標檢測，因此我們的人眼狀態檢測的定位，系統就選擇了 Adaboost算法。基于Adaboost的眨眼識別系統主要包含兩個模塊:訓練和檢測。其中訓練過程起著決定性的作用。