一种基于边缘及颜色双特征空间直方图的人眼跟踪方法
【专利摘要】本发明提出一种基于边缘及颜色双特征空间直方图的人眼跟踪方法，它有七大步骤。在经典均值偏移算法框架体系下，对人眼区域的颜色特征及边缘特征分别建立空间直方图模型，目标区域模型与候选区域模型在颜色特征空间与边缘特征空间中各自的相似度由巴氏系数衡量，综合相似度为两子特征的加权和。利用由新的综合相似度推导得出的迭代公式计算均值偏移向量进行人眼实时跟踪。本发明对于快速运动人眼及眨动人眼的跟踪有实时性好，鲁棒性强的优点。
【专利说明】一种基于边缘及颜色双特征空间直方图的人眼跟踪方法
【技术领域】
[0001]本发明涉及计算机视觉技术在驾驶员疲劳检测系统中的应用，特别涉及一种基于边缘及颜色双特征空间直方图的人眼跟踪方法。
【背景技术】
[0002]在基于图像处理的驾驶员疲劳检测系统中，驾驶员眼睛的状态是判断疲劳的重要依据。在第一帧成功定位眼睛的基础之上，为了满足实时性的要求，对于后续帧的处理，大多采用视频目标跟踪算法来跟踪眼睛的位置。当驾驶员在正常驾驶汽车时，大部分时间眼睛注释前方路况，头部有轻微晃动，当头部左右转动时，时间较短，因此人眼跟踪算法应该能满足头部的快速转动的要求，另外，还需要考虑到光照变化及眼睛眨动的影响。
[0003]基于近年来对于人眼跟踪的研究，提出了一些有效的跟踪算法。有用眼睛模板在模板匹配算法框架下对人眼进行跟踪，有用粒子滤波算法跟踪眼睛的位置。基于穷尽搜索的模板匹配算法和基于大量粒子采样的粒子滤波算法计算量较大，在实时运行时对硬件的要求高。而在目标跟踪领域，均值偏移算法因其迭代向量计算简单，实时性好并且对于目标的部分遮挡和旋转的鲁棒性强的优点被广泛应用研究。在实际应用中，为了取得更好的跟踪效果，研究者对传统均值偏移算法进行了改进。有将均值偏移与卡尔曼滤波相结合来跟踪人眼，但是人眼的运动并非线性高斯过程，跟踪精度无法保证。有将粒子滤波器与均值偏移相结合，粒子滤波的跟踪精度较好但是降低了实时性。以上采用均值偏移算法的人眼跟踪只基于颜色直方图对目标区域建模，这种只考虑颜色分布信息而没有考虑空间分布信息的算法，在光照变化或背景较复杂时，跟踪效果往往不令人满意。
【发明内容】
[0004]为解决上述技术问题，本发明提出一种基于边缘及颜色双特征空间直方图的人眼跟踪方法，该方法在基于空间直方图均值偏移跟踪算法的基础上，将受光照变化影响弱的边缘特征与颜色特征联合建模，用两个子特征的综合相似度衡量候选区域与目标区域的相似程度，用基于综合相似度推导出的均值偏移向量计算公式进行迭代运算，在满足实时性要求光照变化鲁棒性要求的同时，提高了对于快速移动人眼和眨动人眼的跟踪精度。
[0005]本发明不涉及人眼检测部分，在初始图像中，人眼目标区域为一已确定位置和大小的矩形区域。
[0006]本发明一种基于边缘及颜色双特征空间直方图的人眼跟踪方法，该方法具体步骤包括:
[0007]步骤1.目标区域建模。利用Soble算子对初始帧中人眼区域进行边缘提取，计算目标区域的颜色空间直方图h。’和边缘空间直方图V。
[0008]步骤2.候选区域建模。在当前帧中，初始搜索位置Ytl定为上一帧中眼睛的位置，计算候选区域的颜色空间直方图&(%)和边缘空间直方图he(ytl)。
[0009]步骤3.计算目标区域与候选区域相似度。计算各个特征空间中的目标模型与候选模型的相似度和特征权重值，从而计算联合相似度P (%)。
[0010]步骤4.计算均值偏移向量。计算每个采样点的权值，从而得到当前搜索位置处的均值偏移向量，若IIyryciII > ε (ε为衡量均值偏移向量不为O的最小阀值)，则该向量指向被跟踪目标的新位置Y1，若I IyrytlI I ( ε，则停止搜索。
[0011]步骤5.相似度比较。将搜索窗口移动到步骤4中的新位置Y1处，更新候选模型，即计算Y1处的颜色空间直方图1iJy1)和边缘空间直方图he(yi)。
[0012]步骤6.计算Y1处的联合相似度P (Y1) ο
[0013]步骤7.若P (Y1) < P (yQ)，则新位置为
【权利要求】
1.一种基于边缘及颜色双特征空间直方图的人眼跟踪算法，其特征在于:该方法具体步骤包括: 步骤1.目标区域建模；利用Soble算子对初始帧中人眼区域进行边缘提取，计算目标区域的颜色空间直方图h。’和边缘空间直方图he’ ； 步骤2.候选区域建模；在当前帧中，初始搜索位置％定为上一帧中眼睛的位置，计算候选区域的颜色空间直方图1iJytl)和边缘空间直方图he(ytl)； 步骤3.计算目标区域与候选区域相似度；计算各个特征空间中的目标模型与候选模型的相似度和特征权重值，从而计算联合相似度P (Y0); 步骤4.计算均值偏移向量；计算每个采样点的权值，从而得到当前搜索位置处的均值偏移向量，若I IyrytlI I > ε，ε为衡量均值偏移向量不为O的最小阀值，则该向量指向被跟踪目标的新位置Y1，若I IyrycJ I≤ ε，则停止搜索； 步骤5.相似度比较；将搜索窗口移动到步骤4中的新位置yi处，更新候选模型，即计算Y1处的颜色空间直方图hjy)和边缘空间直方图he(yi)； 步骤6.计算Y1处的联合相似度P (Y1)； 步骤7.若P (Y1) < P (yQ),则新位置为Jr1 1/2(yi _+_y?)，否则yQ — Y1,转到步骤4。
2.根据权利要求1所述的一种基于边缘及颜色双特征空间直方图的人眼跟踪算法，其特征在于:在步骤I中，进行边缘提取的Soble算子水平和垂直梯度模板分别为:
利用梯度模板与3X3图像矩阵卷积得水平垂直梯度Gx和Gy，则梯度幅值G和梯度方向Θ由公式(I)计算出；
目标区域颜色空间直方图h。’ = <nc), με), Σ->的计算步骤为:将RGB颜色空间均分为N。个区间，首先计算落入第b个区间的像素加权个数"，接着计算落入第b个区间的像素点的坐标均值向量％和坐标协方差矩阵Σc'b，计算方法由公式(2)给出；
公式(2)中，点IxJi =卜N为初始帧人眼矩形区域中的N个采样像素点，Xtl为矩形区域中心；k(.)为核函数,选取Epanechnikov核函数，h为核窗宽；若第i个采样点Xi落入第b个区间则δ ib为1，否则为O ;C为归一化常数:
目标区域的边缘空间直方图h/ = <ne), μ' Σ”>计算方法为，根据梯度幅值G≥T将像素点分为边缘像素点和非边缘像素点，阀值T由最大类间方差法得出，对边缘像素点，根据梯度方向Θ分为个Ne区间，分别计算落入每个区间的边缘像素点的加权个数，坐标均值向量和协方差矩阵，计算方法与计算颜色空间直方图同理。
3.根据权利要求1所述的一种基于边缘及颜色双特征空间直方图的人眼跟踪算法，其特征在于:在步骤2中，当前帧的起始搜索位置与初始帧中眼睛位置相同，矩形搜索窗口的大小不变，用上述方法提取搜索窗口区域的边缘点，并计算候选模型的颜色空间直方图hc (y0) = <nc (y0), μ c (y0), Σc (y0) > 和边缘空间直方图 he (y0) = <ne (y0), μ e (y0), 2e(y0)>。
4.根据权利要求1所述的一种基于边缘及颜色双特征空间直方图的人眼跟踪算法，其特征在于:在步骤3中，目标模型与候选模型在颜色空间的相似度P ?为:
公式(3)中，表示空间相似度，η为高斯归一化常数， 同理，目标模型与候选模型在边缘空间的相似度为Pjytl) =BHe, 则特征权重ω,和综合相似度P (y0)为:
5.根据权利要求1所述的一种基于边缘及颜色双特征空间直方图的人眼跟踪算法，其特征在于:在步骤4中，搜索窗口中每个采样点的权值λ i和个特征空间偏移向量Vk为:
公式(5)中，k分别代表边缘e和颜色C，则当前搜索点处的均值偏移向量由下式计算:
计算结果即为新位置yi。
【文档编号】G06T7/00GK104166996SQ201410382238
【公开日】2014年11月26日 申请日期:2014年8月6日 优先权日:2014年8月6日
【发明者】王建, 陈洪, 赵云波, 周文立 申请人:北京航空航天大学