一种睁眼闭眼状态检测方法与流程

本发明涉及人脸识别技术领域，具体涉及一种睁眼闭眼状态检测方法。

背景技术：

随着人工智能技术的发展，眼睛作为人类重要的面部特征有着广泛的使用场景。例如人脸识别过程中要判断是否睁眼以避免在睡眠时误解锁的问题；判断司机是否有疲劳驾驶的行为等方面，一种可靠的判断睁眼闭眼状态的方法显得极其重要。

技术实现要素：

本发明针对现有技术中存在的技术问题，提供一种睁眼闭眼状态检测方法，利用深度学习的方法，将上述截取的眼部图片进行分类训练，实现准确的区分“睁眼”和“闭眼”。

本发明解决上述技术问题的技术方案如下：一种睁眼闭眼状态检测方法，包括以下步骤：

步骤1，对当前帧图像进行人脸检测并获取人脸landmark的位置；

步骤2，利用检测到的人脸位置以及landmark坐标计算出眼部的区域，并截取眼部图片。

步骤3，利用预先训练好的神经网络模型进行眼部图片的分类，识别睁眼闭眼状态。

进一步，所述步骤1中对当前帧图像进行人脸检测采用的算法为mtcnn算法。

进一步，所述步骤2具体为：利用检测到的人脸位置以及landmark坐标计算出眼部的区域，取以两个眼睛之间的距离的0.4倍作为边长，两个眼睛坐标作为中心的正方形，分别截取两个正方形部分的图像作为眼部图片。

进一步，步骤3中所述的神经网络模型是基于深度学习网络mobilenet训练得到的分类模型；训练时采集不少于2000张不同光照条件下的眼部图片，并根据睁眼闭眼状态进行人工分类，构成训练集，对深度学习网络mobilenet进行训练。

本发明的有益效果是：

1.准确率高，利用mtcnn方法检测人脸，并利用深度学习的技术进行眼睛状态的分类，可以达到较高的准确率；

2.效率高，可以达到实时检测的效果，眼睛图片较小且睁眼闭眼特征较明显，可以使用比较高效的神经网络模型；

3.实施方便，只需要普通摄像头就可以完成该功能，不需要其他辅助设备。

附图说明

图1为本发明方法流程图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

图1为本发明方法流程图。如图1所示，一种睁眼闭眼状态检测方法，包括以下步骤：

步骤一，采用mtcnn算法对当前帧图像进行人脸检测并获取人脸landmark的位置。通过mtcnn算法可获取人脸的位置以及人脸landmark的位置，准确率高，速度快。

步骤二，利用步骤一中检测到的人脸位置以及landmark坐标计算出眼部的区域取以两个眼睛之间的距离的0.4倍作为边长，两个眼睛坐标作为中心的正方形，分别截取两个正方形部分的图像作为眼部图片。

步骤三，重复步骤一步骤二，收集大量的眼部图片，建议各种光线条件下收集2000张以上，并根据睁眼闭眼的状态人工进行分类。

步骤四，将步骤三中的图片集作为训练数据，对深度学习网络mobilenet进行分类训练。

步骤五，对于相机的图像，按步骤一步骤二截取眼部图片。

步骤六，利用步骤四训练得到的神经网络模型进行眼部图片的分类，此时即可得到睁眼闭眼的最后识别结果。

本发明的有益效果是：

1.准确率高，利用mtcnn方法检测人脸，并利用深度学习的技术进行眼睛状态的分类，可以达到较高的准确率；

2.效率高，可以达到实时检测的效果，眼睛图片较小且睁眼闭眼特征较明显，可以使用比较高效的神经网络模型；

3.实施方便，只需要普通摄像头就可以完成该功能，不需要其他辅助设备。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：

技术总结
本发明涉及一种睁眼闭眼状态检测方法，首先对当前帧图像进行人脸检测并获取人脸landmark的位置；利用检测到的人脸位置以及landmark坐标计算出眼部的区域，并截取眼部图片；利用预先训练好的神经网络模型进行眼部图片的分类，识别睁眼闭眼状态。本发明利用深度学习的方法，将上述截取的眼部图片进行分类训练，实现准确的区分“睁眼”和“闭眼”。

技术研发人员：刘汝帅;姚琪
受保护的技术使用者：武汉幻视智能科技有限公司
技术研发日：2018.06.06
技术公布日：2018.12.07