专利名称：一种电脑前疲劳状态的检测方法和装置的制作方法
技术领域：
本发明涉及模式识别技术领域，特别是涉及一种电脑前疲劳状态的检测方法和装 置。
背景技术：
目前，随着信息技术和互联网技术的发展，电脑已普及到千家万户，给人们在生活 和工作中带来了很多便利。但是，部分自控能力较差的用户(又称电脑族)，会因受电脑上 互联网信息的吸引，久坐在电脑前不肯离去；或者，很多电脑工作者需要长期在电脑前伏案 工作。电脑族久坐电脑前，看东西较近，一方面，迫使眼睫状肌处于收缩紧张状态，从而 使晶体变凸以适应视近物，眼睛长期处于紧张状态而得不到休息就会导致近视。另一方面， 视觉的过度疲劳会引起房水运行受阻，进而成为青光眼、干眼症、白内障等眼病的根源。如果能够在处于电脑前疲劳状态时，对电脑族进行必要提醒，使其离开电脑，则能 够避免对眼睛健康造成不利。但是，由于电脑族自身对电脑的吸引和依赖，加上电脑前疲劳状态只会对自身的 眼睛健康造成危害，故目前电脑前疲劳状态还未引起个人和社会的充分重视，与电脑前疲 劳状态相关的研究尚不多见；因此，电脑族并不知道何时应该离开电脑，以避免危害眼睛健康。总之，需要本领域技术人员迫切解决的一个技术问题就是如何能够检测电脑前 疲劳状态，以避免其对眼睛健康造成的危害。
发明内容
本发明所要解决的技术问题是提供一种电脑前疲劳状态的检测方法和装置，能够 根据摄像头捕获的电脑前脸部图像检测电脑前疲劳状态，以避免电脑前疲劳状态对眼睛健 康造成的危害。为了解决上述问题，本发明公开了一种电脑前疲劳状态的检测方法，包括获取摄像头捕获的电脑前脸部图像；对所述电脑前脸部图像进行人脸检测，得到人脸图像；依据所述人脸图像得到眼睛区域图像；对所述眼睛区域图像进行特征提取，得到特征向量；将所述特征向量输入到疲劳状态判别器中，输出是否处于疲劳状态的检测结果， 其中，所述疲劳状态判别器为依据包括疲劳状态和非疲劳状态的电脑前脸部图像样本所构 造的分类器，且所述电脑前脸部图像样本为摄像头捕获得到，且所述电脑前脸部图像样本 与所述电脑前脸部图像的捕获位置处于相同的位置区间。优选的，所述捕获位置包括摄像头与电脑屏幕之间的距离，电脑用户与电脑屏幕 之间的距离，以及，电脑用户的视线与电脑屏幕之间的距离；
所述位置区间为预置位置区间。
优选的，所述依据所述人脸图像得到眼睛区域图像的步骤，包括对所述人脸图像进行瞳孔定位，得到眼睛位置；根据所述眼睛位置，对所述人脸图像进行归一化操作；从归一化后的人脸图像中割取预设大小的裸眼图像，作为眼睛区域图像。优选的，所述将所述特征向量输入到疲劳状态判别器中，输出是否处于疲劳状态 的检测结果的步骤，包括将所述特征向量输入到疲劳状态判别器中，得到疲劳状态判别器的数值；对该数值进行判别分析，若该数值> 1，则输出处于疲劳状态的检测结果；若该数 值< -1，则输出处于非疲劳状态的检测结果；若-1 <该数值< 1，则根据计算得到的置信 值，输出检测结果。优选的，在输出处于疲劳状态的检测结果时，所述方法还包括发出语音提示，其中，该语音提示用于提醒电脑用户休息。优选的，所述疲劳状态判别器为通过以下步骤构造的分类器获取摄像头捕获的包括疲劳状态和非疲劳状态的电脑前脸部图像样本；对所述电脑前脸部图像样本进行人脸检测，得到人脸图像样本；依据所述人脸图像样本得到眼睛区域图像样本；通过特征提取，得到所述眼睛区域图像样本的特征向量；依据所述特征向量构造疲劳状态判别器。优选的，所述特征提取包括直接以所述眼睛区域图像样本的灰度值组成特征向量；或者，采用Gabor变换、主成分分析和线性判别分析的一种或多种，对所述眼睛区域图 像样本进行特征提取，得到相应特征向量。优选的，所述依据所述特征向量构造疲劳状态判别器的步骤，包括构造特征向量训练集{(Xi，yi)}，其中，i = 1，. . .，n，Xi为某一眼睛区域图像样本 的特征向量，Yi为该眼睛区域图像样本所属的样本类别，在其属于疲劳状态类别时yi = 1， 在其属于非疲劳状态类别时Yi = -1，η为眼睛区域图像样本的数量；针对所述特征向量训练集，训练获得作为眼睛区域分类器的支持向量机模型
η
/(χ) = sgn{^a*yt(χ, ·χ) + δ*}其中，sgn为符号函数，b*为分类阈值，、*为训练得到 ‘=1 ,
的最优分类参数。另一方面，本发明还公开了一种电脑前疲劳状态的检测装置，包括捕获模块，用于获取摄像头捕获的电脑前脸部图像；人脸检测模块，用于对所述电脑前脸部图像进行人脸检测，得到人脸图像；瞳孔定位模块，用于依据所述人脸图像得到眼睛区域图像；特征提取模块，用于对所述眼睛区域图像进行特征提取，得到特征向量；及检测模块，用于将所述特征向量输入到疲劳状态判别器中，输出是否处于疲劳状 态的检测结果，其中，所述疲劳状态判别器为依据包括疲劳状态和非疲劳状态的电脑前脸部图像样本所构造的分类器，且所述电脑前脸部图像样本为摄像头捕获得到，且所述电脑 前脸部图像样本与所述电脑前脸部图像的捕获位置处于相同的位置区间。优选的，所述捕获位置包括摄像头与电脑屏幕之间的距离，电脑用户与电脑屏幕 之间的距离，以及，电脑用户的视线与电脑屏幕之间的距离；所述位置区间为预置位置区间。
优选的，所述瞳孔定位模块包括位置获取单元，用于对所述人脸图像进行瞳孔定位，得到眼睛位置；归一化单元，用于根据所述眼睛位置，对所述人脸图像进行归一化操作；及割取单元，用于从归一化后的人脸图像中割取预设大小的裸眼图像，作为眼睛区 域图像。优选的，所述检测模块包括输入单元，用于将所述特征向量输入到疲劳状态判别器中，得到疲劳状态判别器 的数值；及判别分析单元，用于对该数值进行判别分析，若该数值> 1，则输出处于疲劳状态 的检测结果；若该数值< -1，则输出处于非疲劳状态的检测结果；若-1 <该数值< 1，则根 据计算得到的置信值，输出检测结果。优选的，所述装置还包括语音提示模块，用于在输出处于疲劳状态的检测结果时，发出语音提示，其中，该 语音提示用于提醒电脑用户休息。优选的，所述装置还包括疲劳状态判别器构造模块，包括样本获取单元，用于获取摄像头捕获的包括疲劳状态和非疲劳状态的电脑前脸部 图像样本；样本人脸检测单元，用于对所述电脑前脸部图像样本进行人脸检测，得到人脸图 像样本；眼镜区域样本获取单元，用于依据所述人脸图像样本得到眼睛区域图像样本；样本特征提取单元，用于通过特征提取，得到所述眼睛区域图像样本的特征向量； 及构造单元，用于依据所述特征向量构造疲劳状态判别器。优选的，所述特征样本特征提取单元，具体用于直接以所述眼睛区域图像样本的 灰度值组成特征向量；或者，采用Gabor变换、主成分分析和线性判别分析的一种或多种， 对所述眼睛区域图像样本进行特征提取，得到相应特征向量。优选的，所述构造单元包括训练集构造子单元，构造特征向量训练集{(Xi，yi)}，其中，i = 1，. . .，n，Xi为某 一眼睛区域图像样本的特征向量，Yi为该眼睛区域图像样本所属的样本类别，在其属于疲 劳状态类别时Yi = 1，在其属于非疲劳状态类别时Yi = -l，n为眼睛区域图像样本的数量； 及训练子单元，用于针对所述特征向量训练集，训练获得作为眼睛区域分类器的支
η
持向量机模型/⑷二明对工巧 ,·^ + ^}其中，sgn为符号函数，b*为分类阈值，、*
‘=1 ,为训练得到的最优分类参数。与现有技术相比，本发明具有以下优点首先，由于电脑用户处于非疲劳状态时，眼睛通常正常睁开，而处于疲劳状态时， 眼睛往往半睁半合或者微闭、微睁，也即，处于疲劳状态的眼睛与处于非疲劳状态的眼睛在 形状和大小上是存在细微差别的；因而，本发明针对包括疲劳状态和非疲劳状态的眼睛区 域图像样本进行统计训练，得到的疲劳状态判别器能够具有这两类眼睛区域图像样本的特 征描述能力，以及，这两类眼睛区域图像样本之间细微差别的判别能力；其次，在对摄像头捕获的电脑前脸部图像进行电脑前疲劳状态检测时，仅需将所 述电脑前脸部图像的特征向量输入到疲劳状态判别器中，即可输出是否处于疲劳状态的检 测结果；不仅检测速度可以得到保证，并且，由于所述电脑前脸部图像与统计训练所应用眼 睛区域图像样本的捕获位置处于相同的位置区间，因此，能够避免电脑用户在电脑前的位 置幅度变化较大对统计模式识别精度产生的影响，从而可以有效提高检测的准确度。
图1是本发明一种疲劳状态判别器训练方法实施例的流程图；图2是本发明一种预置位置区间的示意图；图3是本发明一种瞳孔定位的示意图；图4是本发明一种电脑前疲劳状态的检测方法实施例的流程图；图5是本发明一种电脑前疲劳状态的检测装置实施例的结构图。
具体实施例方式为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实 施方式对本发明作进一步详细的说明。参照图1，示出了本发明一种疲劳状态判别器训练方法实施例的流程图，具体可以 包括步骤101、获取摄像头捕获的包括疲劳状态和非疲劳状态的电脑前脸部图像样 本；在实际中，可以采用统计模式识别方法，将摄像头捕获的处于疲劳状态的含有正 面或准正面人脸图像作为正样本，以及，将处于非疲劳状态的含有正面或准正面人脸图像 作为反样本，由于电脑用户在电脑前的位置幅度变化较大，为避免位置幅度变化对统计模式识 别精度产生影响，在本发明的一种优选实施例中，可以通过设置，使这些电脑前脸部图像样 本的捕获位置在预置位置区间内。其中，所述捕获位置具体可以包括摄像头与电脑屏幕 之间的距离，电脑用户与电脑屏幕之间的距离，以及，电脑用户的视线与电脑屏幕之间的距 罔； 参照图2，示出了本发明一种预置位置区间的示例，其中，摄像头在电脑屏幕的正 上方，电脑用户与电脑屏幕之间的距离区间为[50，70]cm，电脑用户的视线与电脑屏幕之间 的距离为电脑荧屏第一行字在视线下约3cm，也即，视线在电脑屏幕上的投影与电脑荧屏 第一行字的距离为约3cm。
可以理解，上述预置位置区间只是作为示例，本领域技术人员可以根据实际情况， 设置其它预置位置区间，在电脑屏幕尺寸增加时，将电脑用户与电脑屏幕之间的距离区间 变为[60，80]，等等，本发明对具体的预置位置区间不加以限制。步骤102、对所述电脑前脸部图像样本进行人脸检测，得到人脸图像样本；人脸检测是 指确定输入图像(所述电脑前脸部图像样本)中是否存在人脸，并在 存在时，确定所有人脸的位置、大小和位姿的过程。由于人脸检测作为人脸信息处理中的一 项关键技术，近年来成为模式识别与计算机视觉领域内已经得到比较成功应用的课题，因 此，这里可以采用已有的人脸检测技术从所述电脑前脸部图像样本中得到人脸图像样本， 在此不作赘述。步骤103、依据所述人脸图像样本得到眼睛区域图像样本；本专利发明人在研究中发现，电脑前用户处于疲劳状态或非疲劳状态时，一张人 脸图像中的眼睛区域图像会有着显著的变化，因为该眼睛区域图像通常反映了眼睛睁开闭 合程度，具体而言，处于非疲劳状态时，眼睛正常睁开，而处于疲劳状态时，眼睛往往半睁半 合或者微闭、微睁；所以处于疲劳状态的眼睛与处于非疲劳状态的眼睛在形状和大小上都 会存在细微差别。因此，本发明针对眼睛区域图像样本统计这些形状和大小上的细微差别。在实际中，可以通过以下子步骤得到眼睛区域图像样本子步骤Al、对所述人脸图像进行瞳孔定位，得到眼睛位置；在具体实现中，可以采用统计模式识别方法，将采集并分割获得的正面人脸图像 中的双眼区域图像和非双眼区域图像作为训练样本，训练得到双眼区域检测器。例如，采用 自适应增强(Adaboost，adaptive boosting)算法对10000张24X 16的双眼区域图像和非 双眼区域图像进行训练，得到双眼区域检测器。在进行眼睛定位时，可以采用所述双眼区域检测器在人脸图像内搜索双眼区域位 置，确定双眼区域位置后，在所述双眼区域位置内定位左眼位置和右眼位置。参考图3示出 了一种瞳孔定位的示意图，其中3a为双眼区域检测器搜索到的眼睛矩形区域位置，3b所示 的矩形中心即为眼睛位置。子步骤A2、根据所述眼睛位置，对所述人脸图像进行归一化操作；在具体实现中，所述归一化操作可以包括尺寸归一化和灰度归一化操作。其中，尺 寸归一化的操作可以为将样本图像旋转，使每个人脸的双眼之间的连线为水平方向，然后 按照双眼中心距离固定的原则，比例缩放旋转后的图像，根据双眼距离固定、双眼中心连线 中点到人脸图像上矩形框距离固定的原则裁剪图像，即得到了尺寸归一化后的图像。灰度归一化的操作可以采取对尺寸归一化后的图像进行灰度拉伸，以改善图像的 对比度；或者，采用直方图均衡化等直方图修正技术使图像具有相近的统计意义上的均值 和方差，以部分消除光照的影响，本发明对具体的操作方式不加以限制。子步骤A3、从归一化后的人脸图像中割取预设大小的裸眼图像，作为眼睛区域图 像。在实际中，所述割取通常是根据瞳孔中心，分割出两个矩形区域。这里的预设大小 应与训练分类器时的样本的单眼区域图像样本和双眼区域图像样本的尺寸一致。例如，对 一个归一化80X88大小的人脸，可以分割出32X22大小的眼睛区域。需要说明的是，由于电脑用户的两只眼睛的活动基本上是一致的，也即，疲劳程度基本一致，因此，这里可以只分割出单眼区域。可以理解，为了疲劳状态判别器的精度起见， 亦可以使用双眼区域。总之，本领域技术人员可以根据实际需要，确定使用单眼区域还是双 眼区域，本发明对此不加以限制。
经过上述处理后，多个处于疲劳状态的眼睛区域图像样本(以下简称正样本)以 及多个处于非疲劳状态的眼睛区域图像样本(以下简称反样本)在某些特征上才会具有一 定的相似性，而正样本和反样本之间才会具有一定的差异，此时才可以采用统计模式识别 算法进行疲劳状态判别器的训练与识别。步骤104、通过特征提取，得到所述眼睛区域图像样本的特征向量；由于步骤102已对眼睛区域进行灰度化处理，在实际中，可直接以所述眼睛区域 图像样本的灰度值组成特征向量；例如，直接以32X22 = 704个像素值作组成特征向量。 作为一个眼睛区域的特征表达。但是，直接以704个像素的灰度值组成特征向量，由于没有经过去噪，可能导致分 类器性能降低。因此，在本发明的一种优选实施例中，可以采用Gabor变换、主成分分析和线性判 别分析的一种或多种，对所述眼睛区域图像样本进行特征提取，得到相应特征向量。其中，Gabor变换在图像分析和计算机视觉方面有着广泛的应用。它提供了一种 有效的图像分析途径。它的主要优势在于其无限的平滑能力以及频域响应的指数衰减特 性。当被用于提取人脸特征时，它不但能够很好的提取人脸部的不同尺度和不同方向的细 节，而且它对光照变化、人脸图像的平移和微小形变等不利因素也有一定的适应能力，所以 Gabor变换能够避免噪声对分类器性能的影响。基于主成分分析(PCA，PrincipalComponent Analysis)和线性判别分析(LDA， Linear Discriminant Analysis)的线性降维方法以其数学基础的成熟和实现上的简单而 被深入地研究。其中，PCA通过对训练样本集合的相关矩阵进行特征值分解实现，它旨在针 对所有图像提取出最能够表现所有图像特征的特征向量集。LDA利用样本当中的类信息，试 图“重塑，，样本集合的分布，从而使其更加有利于分类。LDA算法提取出的是最能体现不同 类别的特征向量。 对于上述特征提取的结合，基于Gabor变换的PCA和LDA方法目前已被广泛使用， 因为相比在纯灰度人脸图像上进行PCA和LDA，在Gabor “小波脸”上进行PCA和LDA的性 能更好。在实际中，本领域技术人员可以根据实际情况，采用上述特征提取方法的一种或 多种，或者，采用其它特征提取方法(如FisherFace方法等)。本发明对具体的特征提取方 法不加以限制。步骤105、依据所述特征向量构造疲劳状态判别器。为解决疲劳状态和非疲劳状态的两类问题，在众多机器学习方法中，支持向量机 (SVM, support vector machine)是一种使得分类结构化误差最小的分类器构造方法，是 一种具有更好推广性的分类器构造方法。因而，本发明优选采用支持向量机作为两类分类 器来构造所述疲劳状态判别器，所述构造疲劳状态判别器的步骤可以通过以下子步骤来实 现子步骤Bi、构造特征向量训练集{(Xi，yi)}，其中，i = 1，. . .，n，Xi为某一眼睛区域图像样本的特征向量，Yi为该眼睛区域图像样本所属的样本类别，在其属于疲劳状态类 别时= 1，在其属于非疲劳状态类别时= -1，η为眼睛区域图像样本的数量；子步骤Β2、针对所述特征向量训练集，训练获得作为眼睛区域分类器的支持向量
η
机模型/⑷二明对工仅 ,·^ + ^其中，sgn为符号函数，b*为分类阈值，α:为训 ‘=1 ,
练得到的最优分类参数。当然，上述采用SVM方法构造疲劳状态判别器的方式只是作为示例，本领域技术 人员可以根据具体情形采用其它统计学习方法，如LDA、AdaBoost方法等，本发明对具体的 统计学习方法不加以限制。例如，用Gabor+PCA获得的特征向量，可以通过LDA运算获得线 性判别分类器。参照图4，示出了本发明一种电脑前疲劳状态的检测方法实施例的流程图，具体可 以包括步骤401、获取摄像头捕获的电脑前脸部图像； 步骤402、对所述电脑前脸部图像进行人脸检测，得到人脸图像；步骤403、依据所述人脸图像得到眼睛区域图像；步骤404、对所述眼睛区域图像进行特征提取，得到特征向量；步骤405、将所述特征向量输入到疲劳状态判别器中，输出是否处于疲劳状态的检 测结果，其中，所述疲劳状态判别器为依据包括疲劳状态和非疲劳状态的电脑前脸部图像 样本所构造的分类器，且所述电脑前脸部图像样本为摄像头捕获得到，且所述电脑前脸部 图像样本与所述电脑前脸部图像的捕获位置处于相同的位置区间。在具体实现中，所述疲劳状态判别器可以通过以下训练步骤获得步骤Cl、获取摄像头捕获的包括疲劳状态和非疲劳状态的电脑前脸部图像样本；步骤C2、对所述电脑前脸部图像样本进行人脸检测，得到人脸图像样本；步骤C3、依据所述人脸图像样本得到眼睛区域图像样本；步骤C4、通过特征提取，得到所述眼睛区域图像样本的特征向量；步骤C5、依据所述特征向量构造疲劳状态判别器。对于步骤401-404而言，应采用与步骤405所采用疲劳状态判别器训练过程相同 的方法对摄像头捕获的电脑前脸部图像进行数据处理，在此不作赘述。在本发明的一种优选实施例中，所述将所述特征向量输入到疲劳状态判别器中， 输出是否处于疲劳状态的检测结果的步骤，具体可以包括子步骤D1、将所述特征向量输入到疲劳状态判别器中，得到疲劳状态判别器的数 值；子步骤D2、对该数值进行判别分析，若该数值> 1，则输出处于疲劳状态的检测结 果；若该数值< -1，则输出处于非疲劳状态的检测结果；若-1 <该数值< 1，则根据计算得 到的置信值，输出检测结果。例如，训练步骤采用SVM方法，最终得到待认证用户的人脸模型为
η
/(x) = sgn{^a;>;(x;.x) + ^}其中，n代表样本类别数，Xi为某类别一样本的特征向 ‘=1 ,
量，Yi为该样本所属的样本类别，b*为分类阈值，α ^为训练得到的最优分类参数。那么，判别过程可以 为①若f (χ)彡1，则判别电脑用户处于疲劳状态；②若f (χ) ^ -1，则判别电脑用户处于非疲劳状态；③若-1 <f(x) < 1，则设定置信函数g(x) = 1 + ^(X)*100% ,根据计算得到的置信值，判别所述人脸图像的检测结果。考虑到电脑用户在非疲劳状态时眨眼引起的眼睛微闭情况，在采用疲劳状态判别 器进行实际的检测时，还可依据一段连续时间内摄像头捕获的电脑前脸部图像进行判别。例如，如果连续5分钟内，疲劳状态判别器针对摄像头捕获的50幅电脑前脸部图 像输出的检测结果均为处于疲劳状态，则可以最终判别电脑用户处于疲劳状态；而如果输 出的检测结果中，有45幅(按照时间连续排列)处于疲劳状态，而5幅处于非疲劳状态，则 仍最终判别电脑用户处于疲劳状态；而如果输出的检测结果中，位于中间的5幅处于疲劳 状态，而其余45幅处于非疲劳状态，则可以最终判别电脑用户处于非疲劳状态；如果输出 的检测结果中，位于前面的45幅处于疲劳状态，而最后5幅处于非疲劳状态，则需要将最后 5幅与下一时刻捕获图像的检测结果进行结合，以最终判别电脑用户是否处于疲劳状态。总之，本发明提供了一种利用疲劳状态判别器、对摄像头捕获的电脑前脸部图像 进行电脑前疲劳状态检测的方法，而不会对具体的检测方法加以限制。在本发明的一种优选实施例中，在输出处于疲劳状态的检测结果时，所述方法还 可以包括发出语音提示，其中，该语音提示用于提醒电脑用户休息。在实际中，可在电脑附近设置一个与疲劳状态判别器相连的语音提示器，在疲劳 状态判别器输出处于疲劳状态的检测结果时，该语音提示器可以发出“请休息一会，防止眼 睛疲劳”的声音，提醒电脑用户休息片刻。对于检测方法实施例而言，由于其与图1所示的训练方法实施例基本相似，所以 描述的比较简单，相关之处参见训练方法实施例的部分说明即可。需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组 合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发 明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书 中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。与前述检测方法实施例相应，本发明还公开了一种电脑前疲劳状态的检测装置实 施例，参照图5，具体可以包括捕获模块501，用于获取摄像头捕获的电脑前脸部图像；人脸检测模块502，用于对所述电脑前脸部图像进行人脸检测，得到人脸图像；瞳孔定位模块503，用于依据所述人脸图像得到眼睛区域图像；特征提取模块504，用于对所述眼睛区域图像进行特征提取，得到特征向量；及检测模块505，用于将所述特征向量输入到疲劳状态判别器中，输出是否处于疲劳 状态的检测结果，其中，所述疲劳状态判别器为依据包括疲劳状态和非疲劳状态的电脑前 脸部图像样本所构造的分类器，且所述电脑前脸部图像样本为摄像头捕获得到，且所述电 脑前脸部图像样本与所述电脑前脸部图像的捕获位置处于相同的位置区间。
在本发明实施例中，优选的是，所述捕获位置可以包括摄像头与电脑屏幕之间的 距离，电脑用户与电脑屏幕之间的距离，以及，电脑用户的视线与电脑屏幕之间的距离；所 述位置区间为预置位置区间。在本发明的一种优选实施例中，所述瞳孔定位模块503具体可以包括位置获取单元，用于对所述人脸图像进行瞳孔定位，得到眼睛位置；
归一化单元，用于根据所述眼睛位置，对所述人脸图像进行归一化操作；及割取单元，用于从归一化后的人脸图像中割取预设大小的裸眼图像，作为眼睛区 域图像。在本发明的一种优选实施例中，所述检测模块505具体可以包括输入单元，用于将所述特征向量输入到疲劳状态判别器中，得到疲劳状态判别器 的数值；及判别分析单元，用于对该数值进行判别分析，若该数值> 1，则输出处于疲劳状态 的检测结果；若 该数值< -1，则输出处于非疲劳状态的检测结果；若-1 <该数值< 1，则根 据计算得到的置信值，输出检测结果。在本发明的一种优选实施例中，所述装置还可以包括语音提示模块，用于在输出处于疲劳状态的检测结果时，发出语音提示，其中，该 语音提示用于提醒电脑用户休息。在本发明实施例中，优选的是，所述装置还可以包括疲劳状态判别器构造模块， 具体可以包括样本获取单元，用于获取摄像头捕获的包括疲劳状态和非疲劳状态的电脑前脸部 图像样本；样本人脸检测单元，用于对所述电脑前脸部图像样本进行人脸检测，得到人脸图 像样本；眼镜区域样本获取单元，用于依据所述人脸图像样本得到眼睛区域图像样本；样本特征提取单元，用于通过特征提取，得到所述眼睛区域图像样本的特征向量； 及构造单元，用于依据所述特征向量构造疲劳状态判别器。优选的，所述特征样本特征提取单元，可具体用于直接以所述眼睛区域图像样本 的灰度值组成特征向量；或者，采用Gabor变换、主成分分析和线性判别分析的一种或多 种，对所述眼睛区域图像样本进行特征提取，得到相应特征向量。优选的，所述构造单元具体可以包括训练集构造子单元，构造特征向量训练集{(Xi，yi)}，其中，i = 1，. . .，n，Xi为某 一眼睛区域图像样本的特征向量，Yi为该眼睛区域图像样本所属的样本类别，在其属于疲 劳状态类别时Yi = 1，在其属于非疲劳状态类别时Yi = -l，n为眼睛区域图像样本的数量； 及训练子单元，用于针对所述特征向量训练集，训练获得作为眼睛区域分类器的支
持向量机模型/⑷
权利要求
1.一种电脑前疲劳状态的检测方法，其特征在于，包括 获取摄像头捕获的电脑前脸部图像；对所述电脑前脸部图像进行人脸检测，得到人脸图像； 依据所述人脸图像得到眼睛区域图像； 对所述眼睛区域图像进行特征提取，得到特征向量；将所述特征向量输入到疲劳状态判别器中，输出是否处于疲劳状态的检测结果，其中， 所述疲劳状态判别器为依据包括疲劳状态和非疲劳状态的电脑前脸部图像样本所构造的 分类器，且所述电脑前脸部图像样本为摄像头捕获得到，且所述电脑前脸部图像样本与所 述电脑前脸部图像的捕获位置处于相同的位置区间。
2.如权利要求1所述的方法，其特征在于，所述捕获位置包括摄像头与电脑屏幕之间 的距离，电脑用户与电脑屏幕之间的距离，以及，电脑用户的视线与电脑屏幕之间的距离；所述位置区间为预置位置区间。
3.如权利要求1所述的方法，其特征在于，所述依据所述人脸图像得到眼睛区域图像 的步骤，包括对所述人脸图像进行瞳孔定位，得到眼睛位置；根据所述眼睛位置，对所述人脸图像进行归一化操作；从归一化后的人脸图像中割取预设大小的裸眼图像，作为眼睛区域图像。
4.如权利要求1所述的方法，其特征在于，所述将所述特征向量输入到疲劳状态判别 器中，输出是否处于疲劳状态的检测结果的步骤，包括将所述特征向量输入到疲劳状态判别器中，得到疲劳状态判别器的数值； 对该数值进行判别分析，若该数值> 1，则输出处于疲劳状态的检测结果；若该数值 ^ -1，则输出处于非疲劳状态的检测结果；若-1 <该数值< 1，则根据计算得到的置信值， 输出检测结果。
5.如权利要求1至4中任一项所述的方法，其特征在于，在输出处于疲劳状态的检测结 果时，所述方法还包括发出语音提示，其中，该语音提示用于提醒电脑用户休息。
6.如权利要求1至4中任一项所述的方法，其特征在于，所述疲劳状态判别器为通过以 下步骤构造的分类器获取摄像头捕获的包括疲劳状态和非疲劳状态的电脑前脸部图像样本； 对所述电脑前脸部图像样本进行人脸检测，得到人脸图像样本； 依据所述人脸图像样本得到眼睛区域图像样本； 通过特征提取，得到所述眼睛区域图像样本的特征向量； 依据所述特征向量构造疲劳状态判别器。
7.如权利要求6所述的方法，其特征在于，所述特征提取包括 直接以所述眼睛区域图像样本的灰度值组成特征向量； 或者，采用Gabor变换、主成分分析和线性判别分析的一种或多种，对所述眼睛区域图像样 本进行特征提取，得到相应特征向量。
8.如权利要求6所述的方法，其特征在于，所述依据所述特征向量构造疲劳状态判别器的步骤，包括构造特征向量训练集{(Xi，yi)}，其中，i = l，...，n，Xi为某一眼睛区域图像样本的特 征向量，Yi为该眼睛区域图像样本所属的样本类别，在其属于疲劳状态类别时Yi = 1，在其 属于非疲劳状态类别时Yi = -1，η为眼睛区域图像样本的数量；针对所述特征向量训练集，训练获得作为眼睛区域分类器的支持向量机模型η/(χ) = sgn{^a*yt(χ, ·χ) + δ*}其中，sgn为符号函数，b*为分类阈值，、*为训练得到 ‘=1 ,的最优分类参数。
9.一种电脑前疲劳状态的检测装置，其特征在于，包括 捕获模块，用于获取摄像头捕获的电脑前脸部图像；人脸检测模块，用于对所述电脑前脸部图像进行人脸检测，得到人脸图像； 瞳孔定位模块，用于依据所述人脸图像得到眼睛区域图像； 特征提取模块，用于对所述眼睛区域图像进行特征提取，得到特征向量；及 检测模块，用于将所述特征向量输入到疲劳状态判别器中，输出是否处于疲劳状态的 检测结果，其中，所述疲劳状态判别器为依据包括疲劳状态和非疲劳状态的电脑前脸部图 像样本所构造的分类器，且所述电脑前脸部图像样本为摄像头捕获得到，且所述电脑前脸 部图像样本与所述电脑前脸部图像的捕获位置处于相同的位置区间。
10.如权利要求9所述的装置，其特征在于，所述捕获位置包括摄像头与电脑屏幕之 间的距离，电脑用户与电脑屏幕之间的距离，以及，电脑用户的视线与电脑屏幕之间的距 1 ；所述位置区间为预置位置区间。
11.如权利要求9所述的装置，其特征在于，所述瞳孔定位模块包括 位置获取单元，用于对所述人脸图像进行瞳孔定位，得到眼睛位置；归一化单元，用于根据所述眼睛位置，对所述人脸图像进行归一化操作；及 割取单元，用于从归一化后的人脸图像中割取预设大小的裸眼图像，作为眼睛区域图像。
12.如权利要求9所述的装置，其特征在于，所述检测模块包括输入单元，用于将所述特征向量输入到疲劳状态判别器中，得到疲劳状态判别器的数 值；及判别分析单元，用于对该数值进行判别分析，若该数值> 1，则输出处于疲劳状态的检 测结果；若该数值< -1，则输出处于非疲劳状态的检测结果；若-1 <该数值< 1，则根据计 算得到的置信值，输出检测结果。
13.如权利要求9至12中任一项所述的装置，其特征在于，还包括语音提示模块，用于在输出处于疲劳状态的检测结果时，发出语音提示，其中，该语音 提示用于提醒电脑用户休息。
14.如权利要求9至12中任一项所述的装置，其特征在于，还包括疲劳状态判别器构 造模块，包括样本获取单元，用于获取摄像头捕获的包括疲劳状态和非疲劳状态的电脑前脸部图像 样本；样本人脸检测单元，用于对所述电脑前脸部图像样本进行人脸检测，得到人脸图像样本；眼镜区域样本获取单元，用于依据所述人脸图像样本得到眼睛区域图像样本； 样本特征提取单元，用于通过特征提取，得到所述眼睛区域图像样本的特征向量；及 构造单元，用于依据所述特征向量构造疲劳状态判别器。
15.如权利要求9至12中任一项所述的装置，其特征在于，所述特征样本特征提取单 元，具体用于直接以所述眼睛区域图像样本的灰度值组成特征向量；或者，采用Gabor变 换、主成分分析和线性判别分析的一种或多种，对所述眼睛区域图像样本进行特征提取，得 到相应特征向量。
16.如权利要求9至12中任一项所述的装置，其特征在于，所述构造单元包括 训练集构造子单元，构造特征向量训练集Kxi, YiM，其中，i = 1，. . .，n，Xi为某一眼睛区域图像样本的特征向量，Yi为该眼睛区域图像样本所属的样本类别，在其属于疲劳状 态类别时Yi = 1，在其属于非疲劳状态类别时Yi = -1，η为眼睛区域图像样本的数量；及 训练子单元，用于针对所述特征向量训练集，训练获得作为眼睛区域分类器的支持向 量机模型
全文摘要
本发明提供了一种电脑前疲劳状态的检测方法和装置，其中的方法具体包括获取摄像头捕获的电脑前脸部图像；对所述电脑前脸部图像进行人脸检测，得到人脸图像；依据所述人脸图像得到眼睛区域图像；对所述眼睛区域图像进行特征提取，得到特征向量；将所述特征向量输入到疲劳状态判别器中，输出是否处于疲劳状态的检测结果，其中，所述疲劳状态判别器为依据包括疲劳状态和非疲劳状态的电脑前脸部图像样本所构造的分类器，且所述电脑前脸部图像样本为摄像头捕获得到，且所述电脑前脸部图像样本与所述电脑前脸部图像的捕获位置处于相同的位置区间。本发明能够根据摄像头捕获的电脑前脸部图像检测电脑前疲劳状态，以避免对眼睛健康造成的危害。
文档编号G06K9/62GK102096810SQ20111002789
公开日2011年6月15日 申请日期2011年1月26日 优先权日2011年1月26日
发明者崔国勤 申请人:北京中星微电子有限公司