)可看出，对睁眼状 态下的列平均灰度曲线进行卷积而获得的曲线中出现了明显的波峰和波谷，而对闭眼状态 下的列平均灰度曲线进行卷积获得的曲线中则没有明显的波峰和波谷。在这种情况下，状 态确定单元130可根据卷积获得的曲线中的波峰波谷的振幅和/或数量判断眼睛状态。例 如，当通过所述卷积获得的曲线中的波峰和波谷的振幅超过预定幅度（所述预定幅度可根 据多次实验或用户经验而被预先确定）时，所述状态确定单元130可确定眼睛处于睁开状 态，当所述曲线中的波峰和波谷的振幅低于所述预定幅度时，所述状态确定单元130可确 定眼睛处于闭眼状态。可选择地，当所述卷积获得的曲线中的波峰和波谷的总数量超过预 定数量（例如，两个）时，所述状态确定单元130可确定眼睛处于睁开状态，当所述曲线中 的波峰和波谷的总数量低于所述预定数量时，所述状态确定单元130可确定眼睛处于闭眼 状态。或者可选择地，当通过所述卷积获得的曲线中的振幅超过预定幅度（所述预定幅度 可根据多次实验或用户经验而被预先确定）波峰和/或波谷的数量超过预定数量时，状态 确定单元130可确定眼睛处于睁开状态，否则，状态确定单元130可确定眼睛处于闭合装 置。
[0072] 图5是示出使用根据本发明的实施例的仿真结果图。图5示出单人多帧图像的检 测结果（即，检测针对单个人连续获取的多帧图像中的眼睛的开闭状态）。
[0073] 在图5中，横轴表示帧索引号，纵轴表示X方向（S卩，水平方向）的投影响应，S卩，使 用sigmoid函数与眼睛图像的水平投影（即，列平均灰度曲线）卷积的结果。尽管图4(c) 的左图中示出在与sigmoid函数卷积之后出现了两个极值点（即，分别对应于列平均灰度 曲线中眼白到瞳孔的阶跃部分的波谷的最小值和对应于列平均灰度曲线中瞳孔到眼白的 阶跃部分的波峰的最大值），但这仅是为了便于说明而示出的，可仅取这两个极值点之一来 说明检测效果。在图5中，使用对应于列平均灰度曲线中瞳孔到眼白的阶跃部分的波峰的 最大值来检测眼睛的开闭状态
[0074] 如图5中所示，"0"表示由根据本发明的示例性实施例的眼睛开闭状态检测装置 100的检测到的闭眼的帧，"X"表示实际的真实闭眼的帧，" + "表示接近闭合的情况。在图 5中的测试中设置的用于确定眼睛开闭状态的阈值为"3000"。然而，应该理解，该阈值的大 小的设置可通过反复的多次实验和对比来确定，而并不局限于某个具体的数值。
[0075] 从图5中可看出，由根据本发明的示例性实施例的眼睛开闭状态检测装置100检 测到闭眼的帧与实际出现闭眼的帧基本一致，具有较好的检测准确性。
[0076] 尽管在以上结合图4的描述中，使用水平轴投影的方式来检测眼睛的开/闭状态， 但本发明不限于此。根据本发明的另一示例性实施例，在眼睛分割单元120分割出眼睛图 像之后，状态确定单元130可通过检测眼睛图像中的所有像素的灰度值的分布来确定眼睛 是处于睁开状态还是闭眼状态。以下将结合图6描述根据本发明的另一示例性实施例的状 态确定单元130确定眼睛开/闭状态的方法。在图6中，横轴表示灰度值，纵轴表示像素的 数量。
[0077] 具体地讲，当眼睛睁开时，眼睛图像中的灰度值主要由瞳孔部位的像素的灰度值 和眼白部位的像素的灰度值表征，而眼睛闭合时，眼睛图像中的灰度值主要由睫毛部位的 像素的灰度值表征。因此，状态确定单元130可基于灰度值的分布确定眼睛开/闭状态。 如图6中所示，当眼睛睁开时，在统计眼睛图像的像素灰度值的分布的颜色直方图中，灰度 值主要分布在黑色区域（对应于瞳孔部位，灰度值接近于〇)和白色区域（对应于眼白部 位，灰度值接近于255)两个区域，灰度变化明显；而当眼睛闭合时，在所述颜色直方图中， 像素的灰度值主要分布在黑色区域（对应于睫毛部位，灰度值接近于〇)，灰度变化不明显， 因此，可容易通过这样的灰度值分布确定眼睛的开/闭状态。可选择地，状态确定单元130 也可计算眼睛图像的所有像素的灰度值的均方差。如图6中所示，当眼睛睁开时，眼睛图像 中眼白和瞳孔部位的像素的灰度值通常相差很大，在这种情况下，眼睛图像中的所有像素 的灰度值的均方差较大；而眼睛闭合时，眼睛图像中仅有睫毛形成的一条线，因此眼睛图像 中的像素的灰度值相近，眼睛图像中的所有像素的灰度值的均方差较小，甚至接近于〇。因 此，当计算的均方差大于或等于预设阈值（可通过实验或经验来提前确定该阈值）时，所述 状态确定单元130可确定眼睛处于睁开状态，当计算的均方差小于所述预设阈值时，所述 状态确定单元130可确定眼睛处于闭眼状态。
[0078] 图7是示出根据本发明的示例性实施例眼睛开闭状态检测方法的流程图。
[0079] 参照图7,在步骤710,可由根据本发明的实施例的眼睛开闭状态检测装置100中 的眼部区域检测单元110从目标图像检测包括眼睛的眼部区域。在本发明的实施例中，所 述眼部区域可以是包含眼睛的矩形区域，并且可使用机器学习算法来训练所述眼部区域检 测单元110,使得当眼部区域检测单元110对目标图像进行处理时，可从目标图像中检测出 眼部区域。
[0080] 优选地，在步骤710,当所述眼部区域检测单元110检测出的矩形眼部区域中的眼 睛相对于所述矩形眼部区域处于非水平状态时，眼部区域检测单元110可基于眼睛倾斜的 角度旋转目标图像，并从旋转后的目标图像再次检测包含眼睛的眼部区域，或者可选择地， 所述眼部区域检测单元110可对所述矩形眼部区域进行校正，使得经过校正的矩形眼部区 域中的眼睛相对于校正后的矩形眼部区域处于水平状态。这样，眼部区域检测单元110最 终输出到眼睛分割单元120的眼部区域图像中的眼睛相对于所述眼部区域会是水平的。
[0081] 在前文中已详细描述了眼部区域检测单元110的操作，因此为了简明，在此将不 再进行多余的描述。
[0082] 在步骤730,可由根据本发明的实施例的眼睛开闭状态检测装置100中的眼睛分 割单元120对检测到的眼部区域进行分割，以提取眼睛图像。
[0083] 仅作为示例，在步骤730中，所述眼睛分割单元120可使用高斯肤色模型来确定眼 部区域中的每个像素点是否属于皮肤区域，并将眼部区域中皮肤区域以外区域的图像提取 为眼睛图像。可从所述眼部区域的四个角点位置中的至少一个位置选择预定大小的区域作 为高斯肤色模型的皮肤样本来训练高斯肤色模型。可选择地，也可从所述眼部区域的上部 或下部选择预定大小的区域作为高斯肤色模型的皮肤样本来训练高斯肤色模型。
[0084] 在前文中已参照图2详细描述了眼睛分割单元120的操作，因此为了简明，在此将 不再进行多余的描述。
[0085] 在步骤750,可由根据本发明的实施例的眼睛开闭状态检测装置100中的状态确 定单元130基于眼睛图像中的灰度变化来确定眼睛是处于睁开状态还是闭眼状态。
[0086] 例如，状态确定单元130可对提取的眼睛图像进行水平轴投影，计算眼睛图像中 沿与眼睛垂直的方向上的每列像素的列平均灰度以形成列平均灰度曲线，并基于形成的列 平均灰度曲线的变化程度确定眼睛是处于睁开状态还是闭眼状态。
[0087] 当所述列平均灰度曲线的变化程度超过预定阈值时，所述状态确定单元130可确 定眼睛处于睁开状态，当所述列平均灰度曲线的变化程度低于所述预定阈值时，所述状态 确定单元130可确定眼睛处于闭眼状态.
[0088] 优选地，所述状态确定单元130还可将列平均灰度曲线的平均灰度行向量与边缘 检测模板函数进行卷积，以放大列平均灰度曲线的陡峭区域，并基于卷积获得的曲线确定 眼睛是处于睁开状态还是闭眼状态。在这种情况下，当通过所述卷积获得的曲线中的波峰 和波谷的振幅超过预定幅度时，所述状态确定单元130可确定眼睛处于睁开状态，当所述 曲线中的波峰和波谷的振幅低于所述预定幅度时，所述状态确定单元130可确定眼睛处于 闭眼状态。可选择地，当所述卷积获得的曲线中的波峰和波谷的总数量超过预定数量（例 如，两个）时，所述状态确定单元130可确定眼睛处于睁开状态，当所述曲线中的波峰和波 谷的总数量低于所述预定数量时，所述状态确定单元130可确定眼睛处于闭眼状态。或者 可选择地，当通过所述卷积获得的曲线中的振幅超过预定幅度（所述预定幅度可根据多次 实验或用户经验而被预先确定）波峰和/或波谷的数量超过预定数量时，状态确定单元130 可确定眼睛处于睁开状态，否则，状态确定单元130可确定眼睛处于闭合装置。
[0089] 作为另一示例，状态确定单元130还可通过检测眼睛图像中的所有像素的灰度值 的分布来确定眼睛是处于睁开状态还是闭眼状态。具体地讲，如果眼睛图像中的像素的灰 度值主要分布在灰度值接近于O的黑色区域和灰度值接近于255的白色区域两个区域，则 状态确定单元130可确定眼睛处于睁开状态。如果眼睛图像中的像素的灰度值主要分布在 灰度值接近于〇的黑色区域，则状态确定单元130可确定眼睛处于闭合状态。可选择地，所 述状态确定单元130也可计算眼睛图像的所有像素的灰度值的均方差，当计算的均方差大 于或等于预设阈值时，所述状态确定单元确定眼睛处于睁开状态，当计算的均方差小于所 述预设阈值时，所述状态确定单元确