【正文】 Z．Q．Zhang Float Boost learning and statistical face detection [Y]IEEE ,26(9):“11121123”。（論文） 致謝 （論文） 參考文獻 參考文獻[1]BALAJ,DEJONGK,HUANGJ, routine for eye detection using hybrid genetic architectures[A] In: Backer E,Gelsema ES,eds. Proceedingsof the13thInternational Conference on Pattern Recognition[ C]. LosAlamitos: IEEECS Press,1996,606 610.[2] WUJ X,ZHOUZH. Efficient face candidates selector for face detection[J]. Pattern Recognition, 2003, 36 (5) :1175 1186.[3]SeeingMachines. [4] REINDERSMJ T,KOCHRWC,GERBRANDSJ J. Locatingfacial featuresinimage sequences usingneural networks[A]. In: ESSAI,ed. Proceedingsof the 2nd International ConferenceonAutomatic FaceandGesture Recognition[C]. Los Alamitos: IEEECSPress,1996, 230 235. [5]ITSASV Mitsubishi ASV2. :[6],and Vitoria Lobo,Determining driver visual attention with one camera,IEEE Transaction on Intelligent Transportation Systems,2003,4(4),205218.[7]陳艷琴，關(guān)于司機疲勞監(jiān)測的人眼檢測與跟蹤研究[D].中南大學(xué)，2004.[8]周玉彬，[J].醫(yī)療衛(wèi)生設(shè)備，2003，（4）：2528.[9]李峰，曾超，[J].光學(xué)儀器，2002,24（45），7072.[10]鄔正義，張笑非，[J].常熟理工學(xué)院學(xué)報，2005,19（6）：7376. [11] 葛如海，陳彥博，劉志強， .2006，16（9）：134138[12] 陳麗華，龔文，沈建國，基于人臉結(jié)構(gòu)特征的眼睛定位算法[J].電子工程Vol:31(9).:3436[13 張燕，楊嘵飛，趙瑞蓮， 基于Hough 變換圓監(jiān)測的人眼精確定位方法[J].,27 (2):4344[14]藍章禮，曹建秋，梁爽．復(fù)雜背景下視頻序列中的人臉定位算法．陰．計算機科學(xué)．2008．35(6)：4248[15] 張娜娜，馬燕，蘇桂蓮，基于灰度投影函數(shù)的眼睛定位方法[J].:32(10).:193195.[18]耿新，周華志，陳世福，基于混合投影函數(shù)的眼下定位[J],軟件學(xué)報. Vol:::13941399.[19]宋尚玲，王長宇，梅良模，基于自定義特征檢測模板的快速眼睛定位方法[J].山東大學(xué)報. Vol:36(1).:107110. [20]崔連延，徐林，顧樹生．基于復(fù)雜度和最佳閾值的人眼定位方法[J]．控制工程．2008．15(1)：1214[21]張龍，房曄，王廷年等．復(fù)雜背景中人臉檢測與特征定位[J]．西安工程大學(xué)學(xué)報．2008，22(1)：7175[22]張宇．基于彩色運動序列圖像中的人臉檢測系統(tǒng)的研究[D]．四川大學(xué)．2005．4863 [23]S．Z．Liand基于車輛運行狀態(tài)和基于駕駛員行為特征的監(jiān)測方法的融合是最有可能實現(xiàn)車中應(yīng)用的駕駛員疲勞狀態(tài)檢測方法。而不同的疲勞檢測方法分別具有各自的優(yōu)缺點。在實際應(yīng)用中，攝像頭采集的圖像中干擾因素較多且不清晰，為了更好地適應(yīng)應(yīng)用的需要，增強算法的抗干擾能力必然是一大研究課題。有待于進一步的研究和改進，有一定旋轉(zhuǎn)或較大傾斜以及側(cè)面的圖像將成為人臉信息處理的一個主要方向。單純依賴某一種方法很難實現(xiàn)精確的人眼檢測。具體問題如下：具體問題如下：，需要在保證定位準確性的基礎(chǔ)上，同時具有較高的實時性和較強的適用性，但是這兩方面一般來說很難兼顧，因此需要在平衡這二者性能的人眼定位方法的研究中做進一步探究。，簡要分析了在定位人眼后如何進一步對眼睛的疲勞狀態(tài)進行特征分析和應(yīng)用?？紤]到研究結(jié)果的實用性，本文系統(tǒng)以提高眼睛定位的準確性和快速性為目標，提出了新的算法。在多種駕駛員疲勞狀態(tài)監(jiān)測的方法中，基于駕駛員行為特征的疲勞監(jiān)測中很重要的一部分研究是人臉定位與人眼定位以及人眼疲勞特征分析。但也會因某些外界因素如光照條件、背景、色彩等而導(dǎo)致定位上的偏差，另外判斷算法較簡單，可能會導(dǎo)致失誤的現(xiàn)象，這些都需要在下一步的研究中進行改進與完善。對于較大且輪廓較清晰的眼睛檢測起來比較方便，且檢測精度較高；對于較小的眼睛，由于受到的干擾較多且特征不明顯，很難找到一種有效的方法實施檢測等等這些問題。此外還存在其他一些問題：如，眉毛、頭發(fā)、眼睫毛、鼻孔等臉部特征與瞳孔的色彩相近，如何有效區(qū)分眼睛與這些區(qū)域成為了制約眼睛檢測發(fā)展的重要問題；大多數(shù)研究沒有考慮配戴眼鏡的影響。本算法中要求為正面人臉圖像，如果出現(xiàn)側(cè)面，則定位就會不準確。 圖45 眼睛的垂直積分投影 人眼定位最終結(jié)果展示，如圖46,圖46 人眼定位結(jié)果 存在的缺陷及結(jié)果分析當前研究針對正面人臉圖像比較多，在人臉出現(xiàn)偏移和旋轉(zhuǎn)時檢測精度不高。垂直積分的兩個極小值可以使用類似前面接受的水平積分極小值計算方法，對于正面的人眼區(qū)域來說，兩眼近似在中間軸的兩邊，因此可以使用簡單的方法，求兩邊區(qū)域的最小值就可以。從曲線中可以看到，有兩個較小的極值峰，這主要是因為眼睛部位的眼珠灰度值較小。當確定人眼水平位置后，以眼睛的水平位置為中心，這樣得到的區(qū)域就是眼睛所在的區(qū)域。確定水平區(qū)域的關(guān)鍵是眼睛的高度。、次大值位置分別與積分的兩個最小與次小的極值位置進行比較，如果有一個誤差小于眼睛的一般高度，則定位成功，并取平均值為眼睛的水平位置；如果有兩個誤差小于眼睛的一半高度，則取下方位置為人眼位置；否則水平定位失敗。，在眼睛部位有三個極小值，因此對于極小值位置距離小于眼睛的一半高度時，對極小值進行合并，這三個極值峰就合并為一個極值峰。，求出前兩個最大極值及次極值的位置為候選眼睛的位置。，并求出極大值系列。但當眉毛與頭發(fā)劉海和在一起時，眉毛的極值就不會出現(xiàn)，因此僅根據(jù)積分投影也不能確定眼睛位置。眼睛較周圍的灰度值低，利用積分平均投影，在眼睛處會出現(xiàn)低峰，在水平積分平均投影曲線中，眼睛部位的極小值次小或最后，這取決于眉毛的濃與淡。在水平微分平均投影曲線，在眼睛部分及眉毛部位會出現(xiàn)極大值峰，如果人眼區(qū)域中完整地包含鼻子，則在鼻子處也會出現(xiàn)極大值。眼睛在人眼區(qū)域的水平方向上的灰度變化頻率較高，例如，從面部灰色—暗眼眶—眼白—黑眼珠—眼白—暗眼眶面部灰色—暗眼眶—眼白—黑眼珠—眼白—暗眼眶—面部灰色。對人臉圖像進行眼睛范圍確定，得到的人眼區(qū)域，如圖42所示。眼睛(下部)，(控制人眼下邊界)。眼睛的范圍包括眼睛的上界與下界，上界以眼睛的上部作為眼睛位置，下界以眼睛的下部作為眼睛位置。具體計算方法如下：(1)對人臉圖像進行灰度垂直積分平均投影，得p(i),i=0,1,2，…，W1(W為圖像寬度)；(2)求出p的最大值和；(3)求出()/2處的左右邊界，就是人眼的水平范圍。根據(jù)以上功能需求，系統(tǒng)界面如圖41所示，圖41 系統(tǒng)界面 人眼區(qū)域范圍定位為了更準確地定位眼睛，需從人臉區(qū)域中取出容易被分隔出的、又影響人眼定位的干擾信號，如耳朵、嘴、胡須、鼻子等。3. 實現(xiàn)人眼水平位置的定位，然后再對眼睛水平區(qū)域定位，以便更精確地確定眼睛的垂直位置。根據(jù)本文算法的具體內(nèi)容，系統(tǒng)所需實現(xiàn)的功能包括：1. 實現(xiàn)靜態(tài)原始圖像的顯示和處理后圖像的顯示。 }第四章 功能分析及實現(xiàn) 功能簡介 本文在研究了圖像定位人眼的算法基礎(chǔ)上，實現(xiàn)了相應(yīng)地實現(xiàn)系統(tǒng)，其主要功能實現(xiàn)了將預(yù)處理的靜態(tài)圖像，通過灰度變換、人眼區(qū)域范圍確定、水平及垂直定位等處理，實現(xiàn)眼睛的較準確定位。 s=s/( +1)。y=。x++) {float s=0。 }//垂直灰度微分平均投影函數(shù)H_differential_projection//輸入?yún)?shù) f[][]——灰度圖像 r ——圖像范圍//輸出參數(shù)：p——投影曲線 for(int x=+1。 s=s/(+1)。x=。y++) {float s=0?；叶任⒎制骄队昂头謩e為 (310) (311)圖35 灰度微分投影//水平灰度微分平均投影函數(shù)V_differential_projection//輸入?yún)?shù) f[][]——灰度圖像 r ——圖像范圍//輸出參數(shù)：p——投影曲線 for(int y=。水平微分投影如式(38): (38)水平微分投影可以反映整個垂直方向上的灰度差變化情況，圖35中右邊的曲線就是水平微分投影曲線，它反映了該圖像在垂直方向的中間部位灰度差較大。 p[k++]=s。y++) s=s+f[y][x]。 for(int y=。x=。 }//垂直灰度積分平均投影函數(shù)H_integral_projection//輸入?yún)?shù) f[][]——灰度圖像 r ——圖像范圍//輸出參數(shù)：p——投影曲線void color_gray1::H_integral_projection(BYTE f[1000][1000],RECT r,int p[300]){ int k=0。 s=s/(+1)。x= 。y++){float s=0。 for(int y= 。垂直積分投影是將每一列像素的灰度值求和后投影到水平方向上，當y的取值范圍為，垂直積分投影如式(35)： (35)垂直積分投影可以反映整個水平方向上的總灰度變化情況，圖34中的上邊曲線就是垂直投影曲線，它反映了該圖像在水平方向的右部灰度較小。//定義對話框類對象dlg圖33 人眼區(qū)域灰度化前后 灰度圖像的投影3． 灰度積分投影積分投影分為水平積分投影與垂直積分投影，水平積分投影是將每一行像素的灰度值求和后投影到垂直方向上 ，設(shè)f(x,y) 是圖像中像素點(x,y)處的灰度值，且x的范圍為x。此外還要為了通過菜單項顯示對話框，要進行以下操作：在“ResourceView”選項卡，選擇“Menu”中的主菜單，添加菜單項。對于三個分量的灰度圖顯示程序，類同OnDisp()函數(shù)內(nèi)容，只是在顯示像素點的顏色時，定義f[y][x]為圖像的灰度值，則f[y][x]=pDocpic[y][x][0]或f[y][x]=pDocpic[y][x][1]或f[y][x]=pDocpic[y][x][2]。f(x,y)=(x,y)+(x,y)+(x,y) (33)對于平均值法和加權(quán)平均法的程序設(shè)計類似分量法，只是在輸出灰度圖時，對三個灰度分量進行平均或加權(quán)平均。f(x,y)=(R(x,y)+G(x,y)+B(x,y))/3 (32)(3) 加權(quán)平均法 根據(jù)重要性能及其他指標，將三個分量以不同的權(quán)值進行加權(quán)平均。(2) 平均值法 由于許多目標的顏色并不唯一，如汽車的顏色有種類，因此需要某一個分量灰度來突出汽車是不可能的。(i,j)=R(x,y) (i,j)= G(x,y) (i,j)=B(x,y) (31)其中(i,j)(k=1,2,3)為轉(zhuǎn)換后的灰度圖像在(x,y)處的灰度值。一般有以下幾種方法對彩色圖像進行灰度化。黑白照片包含了黑白之間的所有的灰度色調(diào)，每個像素值都是