点狂MX，Ymx)，其中，和Y胃分别为所述外接矩形左上角像素坐标点的列像素坐标和行 像素坐标，分别为所述外接矩形右下角像素坐标点的列像素坐标和行像素坐标； 然后，计算所述嘴部特征区域轮廓的实际形状所覆盖的像素高度值H=Y"?-Y胃，像素宽度值
[0011] 上述述用于疲劳驾驶检测的打哈欠动作检测方法中，作为一种优选方案，所述嘴 部轮廓高宽比阔值e的设定值取值范围为0.3?0.6。
[0012] 上述述用于疲劳驾驶检测的打哈欠动作检测方法中，作为一种优选方案，所述打 哈欠状态累加阔值N的设定值取值范围为3fa?6fa，化为视频图像的帖频值。
[0013] 相比于现有技术，本发明具有W下有益效果： 1、本发明用于疲劳驾驶检测的打哈欠动作检测方法，借助面部匹配模板的各个面部特 征区域各自对应的特征区域轮廓来分别匹配确定视频图像中人脸图像区域中各个面部特 征区域的相对位置关系，从而很好地保证了对嘴部定位的准确性，同时采用主动形状模型 匹配算法对视频图像的人脸图像区域中嘴部区域进行快速的匹配定位，数据运算量小、处 理速度快，确保了嘴部定位的实时性。
[0014] 2、本发明用于疲劳驾驶检测的打哈欠动作检测方法中，通过对视频图像的人脸图 像区域中嘴部区域匹配定位确定嘴部特征区域轮廓的实际形状，进而识别嘴部开合状态， 实现对打哈欠动作的检测，检测准确性高，速度快，能够用于为疲劳驾驶检测提供更具及时 性的提示信号。
【附图说明】
[0015] 图1为主动形状模板匹配算法数据库中的人脸模板"my68-ld. amf"的示意图。
[0016] 图2为本发明用于疲劳驾驶检测的打哈欠动作检测方法的流程框图。
【具体实施方式】
[0017] 本发明提供一种用于疲劳驾驶检测的打哈欠动作检测方法，该方法可W应用在通 过对驾驶室进行视频拍摄后执行疲劳驾驶检测的计算机设备中实现对人脸嘴部区域的快 速定位，并对嘴部状态进行识别，快速实现对打哈欠动作的检测，从而为疲劳驾驶检测提供 及时的提示信号。
[0018] 通过对疲劳检测的具体情况加W分析可W发现，正常驾驶过程中驾驶员头部频繁 转动，表示该驾驶员在观察路况和车况，而当驾驶员处于疲劳驾驶状态时会出现呆滞，即头 部运动幅度很小的情况。而根据驾驶室环境和成像设备安装位置，在驾驶员头部运动幅度 很小的条件下，安装在驾驶仪表台上的成像设备可W清晰对驾驶员的人脸部W及眉毛、眼 睛、鼻部、嘴部等面部特征区域进行清晰成像，从而能够在成像设备拍摄到的视频图像中 获得较为清晰的驾驶员人脸整体区域轮廓W及眉毛、眼睛、鼻部、嘴部等面部特征区域图 像。由于与人脸眼部的细节纹理相比，该些面部特征区域的范围和面积较大，在成像质量 和数据处理复杂程度要求较低的条件下也能够较好地得W识别，如果考虑基于眉毛、眼睛、 鼻梁、鼻孔、脸部等不同区域之间的相对位置关系，来实现对人脸嘴部区域的定位，那么就 能够避免依据复杂的纹理特征对嘴部进行识别所带来的处理流程复杂、数据处理量大的问 题，提高识别效率，增强检测实时性。
[0019] 基于上述分析思路，在本发明的打哈欠动作检测方法中，通过在计算机设备中预 设的面部匹配模板，并且在面部匹配模板中描绘有人脸整体区域、左眉部、右眉部、右眼部、 左眼部、鼻部和嘴部该7个面部特征区域各自所对应的特征区域轮廓，且各个面部特征区 域对应的特征区域轮廓的初始轮廓形状及其相互之间的初始相对位置已根据先验知识得 W确定，借助该面部匹配模板的7个面部特征区域对应的特征区域轮廓，采用主动形状模 型匹配算法与视频图像中人脸图像区域的各个面部特征区域进行对应的匹配定位，能够利 用各个面部特征区域位置来相互验证各个特征区域轮廓匹配定位的准确性，从而实现对视 频图像的人脸图像区域中嘴部区域准确、快速的定位，并获得视频图像的人脸图像区域中 嘴部特征区域轮廓的实际形状。当然，如果在具体应用中有需要，还可W在面部匹配模板 中设置其它的面部特征区域对应的特征区域轮廓，例如额部、耳部、下己等面部特征区域所 W对应的特征区域轮廓，W进一步确保嘴部区域定位的准确性。但面部匹配模板中特征区 域轮廓数量的增多会相应增加数据处理量和检测延时，降低检测实时性。因此，在确保定 位准确性并兼顾检测实时性的前提下，在面部匹配模板中保留人脸整体区域、左眉部、右眉 部、右眼部、左眼部、鼻部和嘴部该7个面部特征区域所对应的特征区域轮廓是较优的选择 方案。并且，本发明的打哈欠动作检测方法中，采用主动形状模型匹配算法进行嘴部区域的 定位，而在主动形状模板匹配算法数据库中存在可用的人脸模板，例如主动形状模板匹配 算法数据库中的人脸模板"my68-ld. amf"，其中通过68个特征点来描绘出人脸的人脸整体 区域、左眉部、右眉部、右眼部、左眼部、鼻部和嘴部该7个面部特征区域所对应的特征区域 轮廓，如图1所示，分别为；人脸整体区域对应的特征区域轮廓具有15个特征点，特征点编 号依次为0?14 ;左眉部对应的特征区域轮廓具有6个特征点，特征点编号依次为15?20 ;右 眉部对应的特征区域轮廓具有6个特征点，特征点编号依次为21?26;右眼部对应的特征区 域轮廓具有5个特征点，特征点编号依次为27?31 ;左眼部对应的特征区域轮廓具有5个特 征点，特征点编号依次为32?36 ;鼻部对应的特征区域轮廓具有12个特征点，特征点编号依 次为37?47 W及67 ;嘴部对应的特征区域轮廓具有19个特征点，特征点编号依次为48?66。 其中，每个面部特征区域对应的特征区域轮廓中各个特征点的初始位置（即相当于初始轮 廓形状）W及各个特征区域轮廓相互之间的初始相对位置已根据先验知识得W确定。因此 主动形状模板匹配算法数据库中的人脸模板"my68-ld. amf"即可直接作为本发明方法中的 面部匹配模板加W使用，避免了自行创建面部匹配模板数据，并且经过前人的使用经验，人 脸模板"my68-ld. amf"已具备较好的匹配定位效果。
[0020] 在准备好面部匹配模板后，即可借助面部匹配模板进行打哈欠动作的检测处理。 本发明的基本思想是；对于逐帖输入的单帖视频图像数据，经过人脸检测和面部特征区域 定位处理之后，可W得到面部匹配模板匹配到单帖视频图像中人脸各个面部特征区域的位 置，结合各个面部特征区域的检测结果，确定面部匹配模板中嘴部特征区域轮廓的位置和 实际形状，根据嘴部特征区域轮廓的实际形状判断嘴部的开合情况，并结合多帖图像计算 嘴部张开的持续时间，对打哈欠动作加W识别和检测。本发明用于疲劳驾驶检测的打哈欠 动作检测方法的具体流程如图2所示，包括如下步骤： 1)初始化打哈欠状态累加器n的值为0,预设定嘴部轮廓高宽比阔值e和打哈欠状态 累加阔值N的值。
[0021] 其中，嘴部轮廓高宽比阔值e用于作为判断嘴部开合情况的判别阔值；打哈欠状 态累加器n用于记录在视频图像中检测到嘴部张开动作的连续帖数，即相当于计算嘴部张 开动作的持续时间；打哈欠状态累加阔值N即作为检测到嘴部张开动作的连续帖数达到被 视为打哈欠动作的帖数判别阔值。
[0022] 2)读取一帖视频图像。
[0023] 3)采用级联分类器对当前帖视频图像进行人脸检测，判定当前帖视频图像中是否 检测到人脸图像区域；如果是，则继续执行步骤4 ;否则，跳转执行步骤8。
[0024] 本发明的打哈欠动作检测方法，是在基于视频图像人脸区域检测的基础上而实施 的，在视频图像分析中采用级联分类器检测人脸图像区域已经是比较成熟的现有技术，在
【背景技术】中提及的几篇技术文献中都有采用到该一技术。
[0025] 4)调用预设的面部匹配模板，采用主动形状模型匹配算法将面部匹配模板中的各 个特征区域轮廓与当前帖视频图像中人脸图像区域的各个面部特征区域进行对应的匹配 定位，确定面部匹配模板在当前帖视频图像的人脸图像区域中各个面部特征区域对应的特 征区域轮廓的实际形状。
[0026] 本发明义用义用主动形状板型匹配算法（Active化ape Model，缩与为ASM)在当 前帖视频图像中对面部匹配模板进行匹配和定位，因为主动形状模型匹配算法具有匹配运 算速度较快、定位准确的特点，并且数据运算量也较小。主动形状模型匹配算法是建立在 点分布模型（Point Distribution Model,缩写为PDM)基础上的一种算法，其通过训练图 像样