一种基于多特征算子的K-means工人疲劳简易判别方法与流程

一种基于多特征算子的k
‑
means工人疲劳简易判别方法
技术领域
1.本发明涉及计算机技术领域，具体而言，涉及一种基于多特征算子的k
‑
means工人疲劳简易判别方法。


背景技术：

2.当今社会，工作者往往承担着巨大的工作压力。在某些情况下，工作者需要加班完成任务，极易出现疲劳。当工作者出现疲劳的情况时，容易出现明显的工作失误，严重时会危及人身健康。更重要的是，长期疲劳往往会引发非常严重的疾病。另外，由于监管、安全等方面的需要，工厂的现代化设备往往可以较为容易地采集工作者的图像。因此，如何利用工作者的图像进行疲劳判别是一项非常有意义的工作。
3.针对上述问题，传统的方法为了保证较高的精度，不仅更多的依赖于多幅图像、视频等，而且往往利用较为复杂的训练、判别模型进行训练和决策。即使获得了较高的判别精度，往往消耗了较多的计算资源。因此，如何建立一个基于单幅图像的工作者疲劳判别方法，利用较低消耗的模型判别工作者是否疲劳是一项非常有意义且亟待解决的工作。


技术实现要素：

4.为了克服上述问题或者至少部分地解决上述问题，本发明实施例提供一种基于多特征算子的k
‑
means工人疲劳简易判别方法，利用较低消耗的模型判别工作者是否疲劳。
5.本发明的实施例是这样实现的：一种基于多特征算子的k
‑
means工人疲劳简易判别方法，包括以下步骤：选取多个非疲劳工人的面部图像作为正训练样本图像；选取多个疲劳工人的面部图像作为负训练样本图像；分别对选取的正训练样本图像和负训练样本图像进行多尺度图像细节优化处理得到优化处理后正训练样本图像和负训练样本图像；分别对优化处理后的正训练样本图像和负训练样本图像进行sift特征提取，利用sift特征算子实现对待检测图像进行表征，得到第一表征图像；利用k
‑
means聚类算法对第一表征图像进行判别得到第一判别结果，第一判别结果包括判定为疲劳图片或非疲劳图片；分别对优化处理后的正训练样本图像和负训练样本图像进行gist特征提取，利用gist特征算子实现对待检测图像进行表征，得到第二表征图像；利用k
‑
means聚类算法对第二表征图像进行判别得到第二判别结果，第二判别结果包括判定为疲劳图片或非疲劳图片；分别对优化处理后的正训练样本图像和负训练样本图像进行hog特征提取，利用hog特征算子实现对待检测图像进行表征，得到第三表征图像；利用k
‑
means聚类算法对第三表征图像进行判别得到第三判别结果，第三判别结果包括判定为疲劳图片或非疲劳图片；
若待检测图像在第一判别结果、第二判别结果和第三判别结果中有两个及以上结果被判定为非疲劳图片，则将其最终判定为非疲劳图片；若待检测图像在第一判别结果、第二判别结果和第三判别结果中有两个及以上结果被判定为疲劳图片，则将其最终判定为疲劳图片。
6.这样的方法，通过多尺度图像细节优化处理、多特征算子特征提取、k
‑
means算法等方法充分结合，更加全面、精准、鲁棒地对工人疲劳进行判别；整个系统使用的模型较为简易，没有较大的计算资源消耗，极大地节省了相关资源并降低了运算时间。
7.在本发明的一些实施例中，所述分别对选取的正训练样本图像和负训练样本图像进行多尺度图像细节优化处理包括以下步骤：利用最小二乘滤波器对图像进行过滤；将剩余的正训练样本图像和负训练样本图像分为多个尺度；不同尺度之间进行减除计算，获得不同程度的细节信息；将不同程度的细节信息加权到原图中；得到含有丰富细节信息的加强图像。
8.在本发明的一些实施例中，利用k
‑
means聚类算法分别对第一表征图像、第二表征图像和三表征图像进行判别包括以下步骤：从第一表征图像、第二表征图像、第三表征图像、多个正训练样本图像、多个负训练样本图像中随机选取2个初始聚类中心；计算每个样本到各聚类中心的距离，将每个样本归到其距离最近的聚类中心；对每个簇，以所有样本的均值作为该簇新的聚类中心；重复上述步骤,直到聚类中心不再变化；若待检测图像被聚类为正样本类别，我们将其判定为非疲劳图像；若待检测图像被聚类为负样本类别，我们将其判定为疲劳图像。
9.在本发明的一些实施例中，sift特征提取并利用sift特征算子实现对图像的表征、gist特征提取并利用gist特征算子实现对图像的表征和hog特征提取并利用hog特征算子实现对图像的表征并列运行。
10.在本发明的一些实施例中，sift特征提取包括：构建尺度空间；定义图像的尺度空间为：；其中，g是高斯函数：；其中，g(x，y，σ)是尺度可变高斯函数，（x，y）是空间坐标，σ是尺度空间因子，是高斯正态分布的标准差，反映了图像被模糊的程度，其值越大图像越模糊，对应的尺度也就越大，l(x，y，σ)对应高斯尺度空间。
11.在本发明的一些实施例中，所述将表征图像、多个正训练样本图像、多个负训练样本图像放入一起的步骤中，正训练样本与负训练样本的数量一致。
12.在本发明的一些实施例中，正训练样本与负训练样本的数量分别至少大于50个。
13.在本发明的一些实施例中，正训练样本与负训练样本的数量分别为100个。
14.在本发明的一些实施例中，所述选取的方法包括：人工选取。
15.在本发明的一些实施例中，所述选取的方法包括：机器选取。
16.本发明实施例至少具有如下优点或有益效果：本发明提供一种基于多特征算子的k
‑
means工人疲劳简易判别方法，通过选取多个非疲劳工人的面部图像作为正训练样本图像；选取多个疲劳工人的面部图像作为负训练样本图像；分别对选取的正训练样本图像和负训练样本图像进行多尺度图像细节优化处理得到优化处理后正训练样本图像和负训练样本图像；分别对优化处理后的正训练样本图像和负训练样本图像进行sift特征提取，利用sift特征算子实现对待检测图像进行表征，得到第一表征图像；利用k
‑
means聚类算法对第一表征图像进行判别得到第一判别结果，第一判别结果包括判定为疲劳图片或非疲劳图片；分别对优化处理后的正训练样本图像和负训练样本图像进行gist特征提取，利用gist特征算子实现对待检测图像进行表征，得到第二表征图像；利用k
‑
means聚类算法对第二表征图像进行判别得到第二判别结果，第二判别结果包括判定为疲劳图片或非疲劳图片；分别对优化处理后的正训练样本图像和负训练样本图像进行hog特征提取，利用hog特征算子实现对待检测图像进行表征，得到第三表征图像；利用k
‑
means聚类算法对第三表征图像进行判别得到第三判别结果，第三判别结果包括判定为疲劳图片或非疲劳图片；若待检测图像在第一判别结果、第二判别结果和第三判别结果中有两个及以上结果被判定为非疲劳图片，则将其最终判定为非疲劳图片；若待检测图像在第一判别结果、第二判别结果和第三判别结果中有两个及以上结果被判定为疲劳图片，则将其最终判定为疲劳图片。
17.这样的方法，通过多尺度图像细节优化处理、多特征算子特征提取、k
‑
means算法等方法充分结合，更加全面、精准、鲁棒地对工人疲劳进行判别；整个系统使用的模型较为简易，没有较大的计算资源消耗，极大地节省了相关资源并降低了运算时间。
附图说明
18.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
19.图1为本发明一种基于多特征算子的k
‑
means工人疲劳简易判别方法一实施例的流程图；图2为本发明一种基于多特征算子的k
‑
means工人疲劳简易判别方法另一实施例的流程图；图3为本发明一种基于多特征算子的k
‑
means工人疲劳简易判别方法又一实施例的流程图。
具体实施方式
20.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是
本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
21.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
22.请参照图1
‑
3，本实施例提供一种基于多特征算子的k
‑
means工人疲劳简易判别方法，包括以下步骤：s1：选取多个非疲劳工人的面部图像作为正训练样本图像，选取多个疲劳工人的面部图像作为负训练样本图像；选取的方法可以是人工选取多个非疲劳工人的面部图像作为正训练样本图像及疲劳工人的面部图像作为负训练样本；也可以是机器选取多个非疲劳工人的面部图像作为正训练样本图像及疲劳工人的面部图像作为负训练样本。正训练样本和负训练样本的数量可以根据实际情况进行选择，实验时，正训练样本的数量等于负训练样本的数量，且正训练样本的数量与负训练样本的数量分别至少大于50个，若数量小于50个则结果会不准确，本实施例选取正训练样本的数量与负训练样本的数量分别为100个。
23.s2：分别对选取的正训练样本图像和负训练样本图像进行多尺度图像细节优化处理得到优化处理后正训练样本图像和负训练样本图像；示例性的，请参照图2，所述分别对选取的正训练样本图像和负训练样本图像进行多尺度图像细节优化处理的步骤包括：s21：利用最小二乘滤波器对图像进行过滤；s22：将剩余的正训练样本图像和负训练样本图像分为多个尺度；s23：不同尺度之间进行减除计算，获得不同程度的细节信息；s24：将不同程度的细节信息加权到原图中；s25：得到含有丰富细节信息的加强图像。
24.类似于retinex，使用了三个尺度的高斯模糊，再和原图做减法，获得不同程度的细节信息，然后通过一定的组合方式把这些细节信息融合到原图中，从而得到加强原图信息的能力。
25.多尺度图像细节优化处理中算法的编程包括：int im_multiscalesharpen(unsigned char*src，unsigned char *dest， int width，int height，int stride，int radius){
ꢀꢀꢀꢀ
int channel=stride/width；if((src==null)||(dest==null)) returnim_status_nullrefrence；if((width<=0)||(height<=0)) returnim_status_invalidparameter；if((channel!=1)&&(channel!=3)&&(channel!=4)) returnim_status_invalidparameter；
intstatus=im_status_ok；unsignedchar*b1=(unsignedchar*)malloc(height*stride*sizeof(unsignedchar))；unsignedchar*b2=(unsignedchar*)malloc(height*stride*sizeof(unsignedchar))；unsignedchar*b3=(unsignedchar*)malloc(height*stride*sizeof(unsignedchar))；if((b1==null)||(b2==null)||(b3==null)){if(b1!=null)free(b1);if(b2!=null)free(b2);if(b3!=null)free(b3);returnim_status_outofmemory；}status=im_expblur(src,b1,width,height,stride,radius)；if(status!=im_status_ok)gotofreememory；status=im_expblur(src，b2，width,height,stride,radius*2)；if(status!=im_status_ok)gotofreememory；status=im_expblur(src，b3，width，height，stride，radius*4)；if(status!=im_status_ok)gotofreememory；for(inty=0;y<height*stride；y++){intdiffb1=src[y]
‑
b1[y]；intdiffb2=b1[y]
‑
b2[y]；intdiffb3=b2[y]
‑
b3[y]；dest[y]=im_clamptobyte(((4
‑
2*im_sign(diffb1))*diffb1+2*diffb2+diffb3)/4+src[y])；}freememory:free(b1)；free(b2)；free(b3)；returnstatus；}s3：分别对优化处理后的正训练样本图像和负训练样本图像进行sift特征提取，利用sift特征算子实现对待检测图像进行表征，得到第一表征图像；其中，g(x，y，σ)是尺度可变高斯函数，（x，y）是空间坐标，σ是尺度空间因子，是高斯正态分布的标准差，反映了图像被模糊的程度，其值越大图像越模糊，对应的尺度也就越大，l(x，y，σ)对应高斯尺度空间。σ大小决定图像的平滑程度，大尺度对应图像的概貌特征，
小尺度对应图像的细节特征，大的σ值对应粗糙尺度，反之，对应精细尺度。
[0026]
sift特征提取对旋转、尺度缩放、亮度等有鲁棒性，是一种非常稳定的局部特征，因此，采用sift特征提取，工作者面部产生位置变化，成高亮状态下也可以检测出来。
[0027]
s3
‑
1：利用k
‑
means聚类算法对第一表征图像进行判别得到第一判别结果，第一判别结果包括判定为疲劳图片或非疲劳图片；示例性的，请参照图3，利用k
‑
means聚类算法分别对第一表征图像、第二表征图像和三表征图像进行判别包括以下步骤：s31:从第一表征图像、第二表征图像、第三表征图像、多个正训练样本图像、多个负训练样本图像中随机选取2个初始聚类中心；s32:计算每个样本到各聚类中心的距离，将每个样本归到其距离最近的聚类中心；s33:对每个簇，以所有样本的均值作为该簇新的聚类中心；s34:重复上述步骤,直到聚类中心不再变化；s35:若待检测图像被聚类为正样本类别，我们将其判定为非疲劳图像；s36:若待检测图像被聚类为负样本类别，我们将其判定为疲劳图像。
[0028]
s4：分别对优化处理后的正训练样本图像和负训练样本图像进行gist特征提取，利用gist特征算子实现对待检测图像进行表征，得到第二表征图像；gist特征提取专门对复杂的图片识别准确率高，gist特征提取本质上是对图片的信息进行提取去冗余，如果图片的内容较为复杂时，其能够有效提取出有用的特征信息，缩小数据量，此时提取到的特征相较于原始信息明显增大了图片的区分度。因此，gist特征提取专门对面部复杂的图像进行有效取出有用的特征信息，如面部有皱纹、坑洼、痘痘也可以精准判定为疲劳图片或非疲劳图片。
[0029]
s4
‑
1：利用k
‑
means聚类算法对第二表征图像进行判别得到第二判别结果，第二判别结果包括判定为疲劳图片或非疲劳图片；同理，若待检测图像被聚类为正样本类别，我们将其判定为非疲劳图像；若待检测图像被聚类为负样本类别，我们将其判定为疲劳图像。
[0030]
s5：分别对优化处理后的正训练样本图像和负训练样本图像进行hog特征提取，利用hog特征算子实现对待检测图像进行表征，得到第三表征图像；需要说明的是，hog特征提取和sift特征提取都是描述子，hog特征提取与sift特征提取的主要区别：(1)sift特征提取是基于关键点特征向量的描述。
[0031]
(2)hog特征提取是将图像均匀的分成相邻的小块，然后在所有的小块内统计梯度直方图。
[0032]
(3)sift特征提取需要对图像尺度空间下对像素求极值点，而hog中不需要。
[0033]
(4)sift特征提取一般有两大步骤，第一个步骤对图像提取特征点，而hog不会对图像提取特征点。
[0034]
本发明运用hog特征提取的优点在于：(1)hog特征提取表示的是边缘(梯度)的结构特征，因此可以描述局部的形状信息；
(2)位置和方向空间的量化一定程度上可以抑制平移和旋转带来的影响；(3)采取在局部区域归一化直方图，可以部分抵消光照变化带来的影响；(4)由于一定程度忽略了光照颜色对图像造成的影响，使得图像所需要的表征数据的维度降低了；(5)而且由于这种分块分单元的处理方法，也使得图像局部像素点之间的关系可以很好得到表征。
[0035]
hog特征提取可以刚好的描述局部的形状信息，一定程度忽略了光照颜色对图像造成的影响，图像局部像素点之间的关系可以很好得到表征。
[0036]
s5
‑
1：利用k
‑
means聚类算法对第三表征图像进行判别得到第三判别结果，第三判别结果包括判定为疲劳图片或非疲劳图片；同理，若待检测图像被聚类为正样本类别，我们将其判定为非疲劳图像；若待检测图像被聚类为负样本类别，我们将其判定为疲劳图像。
[0037]
s6：若待检测图像在第一判别结果、第二判别结果和第三判别结果中有两个及以上结果被判定为非疲劳图片，则将其最终判定为非疲劳图片；若待检测图像在第一判别结果、第二判别结果和第三判别结果中有两个及以上结果被判定为疲劳图片，则将其最终判定为疲劳图片。
[0038]
具体的，sift特征提取对旋转、尺度缩放、亮度等有鲁棒性，是一种非常稳定的局部特征，因此，采用sift特征提取，工作者面部产生位置变化，成高亮状态下也可以检测出来。
[0039]
gist特征提取专门对面部复杂的图像进行有效取出有用的特征信息，如面部有皱纹、坑洼、痘痘也可以精准判定为疲劳图片或非疲劳图片。
[0040]
hog特征提取可以刚好的描述局部的形状信息，一定程度忽略了光照颜色对图像造成的影响，图像局部像素点之间的关系可以很好得到表征。
[0041]
需要说明的是，传统的方法为了保证较高的精度，不仅更多的依赖于多幅图像、视频等，而且往往利用较为复杂的训练、判别模型进行训练和决策。即使获得了较高的判别精度，往往消耗了较多的计算资源。而特征提取虽然可以对工人疲劳进行判别，但单一的特征提取存在误差，判别的准确率有待提高。鉴于此，本申请分别采用sift特征提取、gist特征提取和hog特征提取判断工作者是否疲劳，每种特征提取都对图像判别都有针对性，避免漏了特征。相较于单一特征提取，更加全面、精准、鲁棒地对工人疲劳进行判别，极大的增加了判断准确率。
[0042]
通过多尺度图像细节优化处理、多特征算子特征提取、k
‑
means算法等方法充分结合，更加全面、精准、鲁棒地对工人疲劳进行判别；整个系统使用的模型较为简易，没有较大的计算资源消耗，极大地节省了相关资源并降低了运算时间。
[0043]
在本发明的一些实施例中，步骤s3、步骤s4、步骤s5可以并列运行。
[0044]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。
[0045]
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论
从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。