【文章內(nèi)容簡介】 類目標的分類問題中去。 Adaboost算法的訓練過程是一個樣本權(quán)重的迭代更新過程。在Adaboost算法中每個樣本的權(quán)重值表示該樣本被錯分次數(shù)的多少,在每一輪權(quán)重更新的過程中,被錯分樣本的權(quán)重會變大,在下一輪循環(huán)中算法就會更加關(guān)注上一輪被分錯的樣本。如果一個樣本被錯分了很多次,那么這個樣本的權(quán)重就會越來越大,我們就稱這樣的樣本為“困難樣本”。通過這樣的方式Adaboost算法能夠“聚集于”那些困難(更富有信息)的樣本上。下面按照集成學習算法的兩個關(guān)鍵問題介紹Adaboost算法,首先是Adaboost算法應(yīng)用于人臉檢測的弱分類器H~like特征,然后介紹Adaboost的集成方法,即由Haar一like特征組成的弱分類器生成強分類器,最終獲得級聯(lián)分類器的方法。 Adaboost分類器實現(xiàn)主要分兩部分:Haar一like特征的選擇過程,即樣本訓練過程。檢測過程,即利用得到的Haar一like特征進行人臉檢測。下面分別給出樣本訓練過程及檢測過程的軟件邏輯實現(xiàn)。 樣本訓練過程的主要目的是從過完全的弱特征中獲取分類能力較好的少量弱特征,進而生成強分類器和級聯(lián)分類器。下面詳細介紹樣本訓練過程。在樣本訓練過程中,首先需要解決的就是人臉樣本庫的選擇及預(yù)處理。 人臉檢測程序主要是利用基于Adaboost學習算法訓練得到的人臉級聯(lián)分類器,進行實際的人臉檢測。人臉檢測程序流程包括圖像預(yù)處理、積分圖生成、特征值計算、級聯(lián)分類器判斷等步驟。下面給出級聯(lián)分類器人臉檢測程序的流程圖,以及程序關(guān)鍵代碼。 人眼訓練過程需要人眼庫,因為沒有現(xiàn)成的人眼庫,所以只能自己收集人眼樣本,建立人眼庫。人眼樣本,主要裁剪自人臉庫樣本以及一些互聯(lián)網(wǎng)下載人臉圖片中。樣本被統(tǒng)一縮放到20x12像素,樣本庫共包括1000個人眼樣本和1500個非人眼樣本 利用人眼檢測程序進行了大量圖片檢測,發(fā)現(xiàn)人眼檢測正確率非常高,只要能夠正確定位人臉,人眼檢測幾乎可以達到100%。經(jīng)過分析,可以發(fā)現(xiàn),這是由人眼特征決定的。首先,人眼特征簡單、變化小,不像人臉特征多、變化大。其次人眼搜索區(qū)域小,人眼的搜索區(qū)域為先前定位的人臉區(qū)域,而人臉搜索區(qū)域為整幅圖像。特征簡單、搜索區(qū)域小,導致人眼檢測正確率高,基本不會出現(xiàn)漏檢和誤檢。人眼狀態(tài)分析是疲勞狀態(tài)識別最關(guān)鍵的步驟,也是一個主觀的定義過程。人眼狀態(tài)分析算法可以分為基于統(tǒng)計和基于知識建模兩種方法。因為人眼開閉狀態(tài)連續(xù),狀態(tài)確定主觀,而基于統(tǒng)計的人眼狀態(tài)分析方法(模板匹配,Fisher法等)固有的離散特點,使得基于統(tǒng)計的方法樣本選擇難度大,使用靈活性很差,因此本系統(tǒng)優(yōu)先考慮基于知識建模的方法,該方法最大的特點就是模型參數(shù)可調(diào),所以可以通過調(diào)節(jié)參數(shù),盡量達到PERCLOS的P80模型的要求。最常見的兩種基于知識建模的人眼狀態(tài)分析基本方法是:Hough找圓法和灰度投影法。 Hough變換是圖像處理中從圖像中識別幾何形狀的基本方法之一。Hough變換的基本原理在于利用點與線的對偶性,將原始圖像空間給定的曲線通過曲線表達形式變?yōu)閰?shù)空間的一個點。這樣就把原始圖像中給定曲線的檢測問題轉(zhuǎn)化為尋找參數(shù)空間中的峰值問題。 簡而言之,Hough變換思想為:比如檢測圖像中的一條直線,在原始坐標系下的一個點對應(yīng)了參數(shù)坐標系中的一條直線,同樣參數(shù)坐標系的一條直線對應(yīng)了原始坐標系下的一個點。原始坐標系下呈現(xiàn)直線的所有點,它們的斜率和截距是相同的,所以它們在參數(shù)坐標系下對應(yīng)于同一個點。這樣在將原始坐標系下的各個點投影到參數(shù)坐標系下之后,看參數(shù)坐標系下有沒有聚集點,這樣的聚集點就對應(yīng)了原始坐標系下的直線。 灰度投影法基本原理:若人眼睜開,黑色瞳孔未被眼瞼遮蓋,則其垂直灰度投影在瞳孔位置形成一個波峰。若人眼閉合,黑色瞳孔被眼瞼遮蓋,則其垂直灰度投影基本呈水平直線。對眼睛部位進行垂直灰度投影,得到其灰度投影圖,然后判斷投影圖是否具有明顯的波峰,就可以判定眼睛狀態(tài)?；叶韧队胺ㄍ瑯用媾RHough找圓法同樣的問題,需要圖像的質(zhì)量較高和準確的人眼定位,否則就不能獲得明顯的波峰,甚至可能出現(xiàn)兩個較小波峰的情況,導致灰度均值較大等異常情況,導致狀態(tài)分析錯誤。其次灰度投影法需要較復(fù)雜的前處理步驟,以消除噪聲,才能得到很好的灰度投影圖(即明顯的單波峰,或小均值呈直線形式)。鑒于上述Hough找圓法、灰度投影法兩種基于知識建模方法固有的過分依賴其假設(shè)條件,需要精確幾何模型、魯棒性較差的缺點,我們提出了一種區(qū)域灰度比較法,即使得眼睛狀態(tài)分析具有基于知識建模方法的連續(xù)性、參數(shù)可調(diào)性,而且不需要精確的幾何模型,同時也使得狀態(tài)分析具有不錯的魯棒性。駕駛疲勞作為一個不可直接觀測的研究對象，其影響因素非常多且難以定量，各類度量指標對駕駛疲勞的界定又沒有統(tǒng)一的標準。因此，判斷駕駛疲勞程度是一個非常復(fù)雜的系統(tǒng)問題。與酒后駕駛的檢測指標不同，所有用來檢測駕駛疲勞的指標在獲取過程中均會受到不同程度的干擾。目前，還沒有一種方法能夠?qū)︸{駛疲勞程度進行準確無誤的檢測。因此，使用概率論的方法對駕駛疲勞程度進行識別具有一定的合理性。貝葉斯網(wǎng)絡(luò)模型的基本思想是：在信息不完備的情況下，通過可觀察隨機變量(證據(jù)變量)推斷不可觀察隨機變量(隱含變量)，進行概率推理。利用貝葉斯網(wǎng)絡(luò)求解駕駛疲勞程度識別的問題可以表述為：在已知疲勞度量指標測定結(jié)果的情況下，利用貝葉斯網(wǎng)絡(luò)方法求解在一定影響因素條件下，疲勞狀態(tài)處于各種程度(清醒、輕度疲勞、重度疲勞)時的概率。駕駛疲勞貝葉斯網(wǎng)絡(luò)的構(gòu)建包括兩個主要內(nèi)容：1)確定網(wǎng)絡(luò)節(jié)點；2)計算節(jié)點間的先驗概率。其中，網(wǎng)絡(luò)節(jié)點的選擇取決于疲勞的各種特征及影響因素，而節(jié)點先驗概率的確定則依賴于某個特征或因素對判斷疲勞程度的可能性。 駕駛疲勞作為系統(tǒng)的核心，其復(fù)雜的影響因素即該系統(tǒng)的輸入，在生理、眼動及駕駛績效等方面表現(xiàn)出來的特征即該系統(tǒng)的輸出。 將駕駛疲勞的影響因素分為三類:駕駛環(huán)境屬性、駕駛?cè)藗€體屬性以及原始疲勞屬性。各類影響因素的具體度量指標見圖1。其中，溫度、天氣等變量是駕駛環(huán)境變量的父節(jié)點，相應(yīng)的駕駛環(huán)境變量是溫度、天氣等變量的子節(jié)點，以此類推。 在建立的駕駛疲勞貝葉斯網(wǎng)絡(luò)模型中，條件概率分為兩類：一類是輸入層變量與隱含層變量之間的條件概率，另一類是隱含層變量與輸出層變量之間的條件概率。 輸入層變量和輸出層變量統(tǒng)稱為貝葉斯網(wǎng)絡(luò)中的證據(jù)變量。利用貝葉斯網(wǎng)絡(luò)建立駕駛疲勞程度識別模型的原理是在已知網(wǎng)絡(luò)中各節(jié)點先驗概率的前提下，結(jié)合證據(jù)變量的取值，根據(jù)貝葉斯公式計算不同駕駛疲勞程度的后驗概率。 采用模擬駕駛的方法進行實驗設(shè)計。實驗設(shè)備包括模擬駕駛仿真實驗平臺—AS1300卡車駕駛模擬系統(tǒng)、多通道生物生理記錄儀、攝像機等。同時采用斯坦福嗜睡量表(Stanford SI eepi ness Scale, SSS)對駕駛?cè)说闹饔^疲勞狀況進行問卷調(diào)查，以了解駕駛過程中駕駛?cè)藢ζ诘闹饔^感受。5基于FPGA的疲勞駕駛檢測系統(tǒng)設(shè)計主動紅外光源理論的內(nèi)容:人眼視網(wǎng)膜對不同波長紅外光的反射率不同,對850nm波長紅外光的反射率是90%,對940nm紅外光的反射率是40%,紅外波長在880士80nm范圍之內(nèi)時,人臉的其他部分對于紅外光的反射程度基本一致。這樣通過控制這兩組LED燈的閃爍頻率得到亮瞳孔和暗瞳孔圖像,將這兩幅圖像經(jīng)過差分獲得瞳孔明顯的幾乎沒有背景干擾的以人臉為主體的差分圖像,大大簡化了整體算法的復(fù)雜度。:獲得了差分圖像后,對其在水平和垂直方向上進行投影,通過確定人臉的上、下、左、右邊界來定位出人臉區(qū)域。依據(jù)人眼和人臉的固定幾何關(guān)系來定位出人眼的大致區(qū)域,接著在此區(qū)域內(nèi)利用復(fù)雜度算法檢測到瞳孔。人眼睛睜開時瞳孔面積大,當人閉眼時,瞳孔面積隨閉眼程度變化,當完全閉眼時瞳孔面積為0,所以通過統(tǒng)計瞳孔面積可以判斷當前采集到圖像中駕駛員是睜眼還是閉眼。最后通過統(tǒng)計一段時間內(nèi)閉眼幀數(shù)占總幀數(shù)的比例得到眨眼頻率進行駕駛員是否疲勞的判斷。P80疲勞算法定義了閉眼的標準和疲勞判斷的標準。閉眼標準為:眼臉遮住瞳孔的面積超過80%。疲勞標準是:一段時間內(nèi)閉眼幀數(shù)己:`總幀數(shù)的比例大于40%。本系統(tǒng)主要集成了圖像采集、存儲、算法處理、報警和顯示模塊,組成了以FPGA為核心控制器的疲勞駕駛檢測系統(tǒng)。 本設(shè)計中的圖像處理算法都是在FPGA上實現(xiàn)的,算法處理速度達到了視頻源25幀每秒的速度,解決了現(xiàn)有疲勞駕駛系統(tǒng)領(lǐng)域普遍存在的難以滿足實時性的問題。 整體硬件電路根據(jù)功能劃分為三部分,完成圖像輸入功能的圖像采集板、完成系統(tǒng)控制、圖像存儲以及其他功能模塊的主控電路板、實現(xiàn)圖像數(shù)據(jù)模擬轉(zhuǎn)數(shù)字以及數(shù)字轉(zhuǎn)模擬的輔助電路。下面分模塊介紹硬件電路的具體實現(xiàn)。 圖像采集板上集成的元器件由圖像傳感器、外圍電路元件和LED燈,設(shè)計并不復(fù)雜,所以我們設(shè)計為雙層板。考慮到本系統(tǒng)主要是基于主動紅外光源原理,所以圖像傳感器的選型以及LED燈的布局結(jié)構(gòu)設(shè)計對整個系統(tǒng)的功能實現(xiàn)有重要影響。 該模塊包括兩部分:CMOS圖像傳感器電路和LED電路。 (1)CMOS圖像傳感器電路：CMOS圖像傳感器的外圍電路主要由控制電路、石英晶振組成,它正常工作所需要的5v電壓則主要由主控板提供。 (2)LED電路：本設(shè)計用到了兩種波長的LED燈:850nm和940nm。:這兩燈的參數(shù)是:,工作電流為5一20mA,發(fā)光角度為30一45度。850nm波長LED燈的數(shù)量是32個,940nm波長LED燈的數(shù)量是28個,兩種紅外燈的數(shù)量存在差別主要是為了保證兩種燈的照度大致相等。圖中限流電阻大小是470歐姆,保證了LED燈可以正常工作。在CMOS圖像傳感器電路里,外圍電路不是很復(fù)雜,布局時注意:晶振應(yīng)盡量靠近芯片的時鐘輸入管腳。另外,每個電源管腳接的電容要盡量靠近其管腳放置,這樣才`能有效的起到抗干擾的作用。LED燈電路的布局設(shè)計主要考慮了紅外光源原理,該原理得以實現(xiàn)并出現(xiàn)亮瞳孔和暗瞳孔的前提條件是:紅外光源必須沿透鏡光軸位置,而且要保證產(chǎn)生暗瞳孔圖像時兩幅圖像有相同的光照度,實際操作中這一點很難實現(xiàn),所以如何布局這兩組LED燈是該系統(tǒng)功能是否成功實現(xiàn)的關(guān)鍵。通過多次實驗論證,本文將紅外光源設(shè)計為環(huán)形,圓心和圖像傳感器的幾何中心重疊,內(nèi)圓上放置940nm的LED燈,外圓上放置850nm的LED燈,取得了不錯的效果。原理圖的設(shè)計必須保證其正確性和可靠性,并且盡量使繪制的原理圖清晰、流暢。電路原理圖的兩個基本要求是:直觀。能表示電路的電器連接。繪制原理圖前有很多準備工作,下面主要對器件如何選型進行說明:對于每個模塊來說,首先是基準件的選擇,也就是該模塊的核心元件。選擇的時候考慮了以下幾點:第一:性價比高,這對于節(jié)省產(chǎn)品的成本來說很重要。第二:容易開發(fā):主要體現(xiàn)在硬件調(diào)試工具多,參考設(shè)計多,成功的案例多。第三:可擴展性好。其次,對于核心元件周圍的外圍器件的選擇考慮了以下幾點:第一:普遍性原則:盡量少使用冷芯片,而是使用被廣泛驗證過的元器件,這樣可以減少設(shè)計風險。第二:可替代原則:盡量選擇管腳之間兼容種類多的器件。第三:方便采購的原則:這樣才能在預(yù)期的時間內(nèi)完成工作。第四:資源節(jié)約原則:盡量用上器件的全部功能和管腳。 (l)元件布局(2)布線 輔助電路板上實現(xiàn)的功能模塊包括:電源電路、視頻解碼電路、視頻編碼電路以及串口電路。它的主要作用是配合主控板完成整體所需功能。沒有將輔助電路板上面實現(xiàn)的功能放在主控板上主要是基于以下的考慮:首先,為了保證產(chǎn)品的小型化,必須限制板子的尺寸,所以將兩個板子通過插槽連接起來,通過主控板上引出的管腳來控制輔助電路板信號,使得面積盡量的做小。其次,主控板是6層板,布線的復(fù)雜度比較高,如果將輔助板的功能放在上面使得難度加大。再次,這樣設(shè)計是為以后做打算,現(xiàn)在系統(tǒng)使用的是模擬攝像頭,所以需要視頻解碼芯片,如果將來使用數(shù)字攝像頭,這部分就可以削減掉。視頻編碼電路主要是為了將圖像通過VGA接口顯示到電腦上,如果以后該部分換作小型液晶屏來顯示,這部分也可以消減。串口模塊的作月J主要是將讀取圖像數(shù)據(jù)通過串口傳到PC機上,然后借助Matlab工具分析圖像數(shù)據(jù)為加速尋找到適合FPGA實現(xiàn)的圖像算法做準備。所以對于以后的產(chǎn)品優(yōu)化來說,這部分也可以根據(jù)需要進行取舍。另外,主控板上和輔助電路板上都設(shè)計了電源模塊也考慮到將來整個系統(tǒng)功能只在主控板上實現(xiàn)來降低成本以及設(shè)計的復(fù)雜度。 電路板制作好后,利用萬用表、示波器等儀器完成了硬件電路的物理測試。物理測試包括:測試電源模塊出來的電壓是否正確、電源和地之間有沒有短路,元器件有沒有虛焊的情況、電源電壓正確后有源品振輸出的時鐘是否正確等。對于集成芯片,先測試其電壓和地有無短路,沒有則通電并測試其內(nèi)部的參考電壓是否正確。本電路在調(diào)試的時候出現(xiàn)以下問題:電源模塊的FPGA內(nèi)核電壓不正確,查明原因是接的電阻太大,沒有滿足工作電流的要求,后用500歐姆電阻替換后,電壓正確。蜂鳴器不工作,問題就在畫封裝的時候,兩個管腳的網(wǎng)絡(luò)定義反了,修改后工作正常。6基于 NiosII 多核駕駛疲勞檢測系統(tǒng)設(shè)計 系統(tǒng)中配置了雙 NiosII 軟核 CPU，兩個 CPU 同在一塊SDRAM 內(nèi)存中運行，由 Avalon 總線模塊提供仲裁機制實現(xiàn)雙CPU 對 SDRAM 的分時訪問。CPU_A 主要負責圖像數(shù)據(jù)實時采集與SD卡的數(shù)據(jù)寫入等任務(wù)；CPU_B則完成圖像數(shù)據(jù)處理與發(fā)出控制信號。兩個 CPU 通過郵箱建立相互通信。CPU_A 把采集到的數(shù)據(jù)存入到 SRAM 中。SRAM 有兩塊地址固定的數(shù)據(jù)存儲區(qū) A 與 B。當 CPU_A 采集一幀圖像數(shù)據(jù)并存儲在 A 區(qū)后便產(chǎn)生中斷信號通知郵箱，CPU_B 開始讀取 A 區(qū)的數(shù)據(jù)，數(shù)據(jù)送至 CPU_B 的圖像預(yù)處理與人臉檢測模塊進行人臉檢測與定位。當 CPU_B 在讀取 A 區(qū)數(shù)據(jù)的時候攝像頭采集模塊繼續(xù)傳來數(shù)據(jù)，這時 CPU_A 將接收的數(shù)據(jù)存儲到 B 區(qū)中，當 B 區(qū)寫滿后 C