一种基于显著性检测的SVM模型工人疲劳精准判别方法与流程

本发明涉及疲劳判别技术领域，具体而言，涉及一种基于显著性检测的svm模型工人疲劳精准判别方法。

背景技术：

在工作节奏较快的现代社会，很多工作人员短时间内往往需要完成大量的工作。在工作的过程中，极易产生过度疲劳的现象。过度疲劳的工作人员往往会出现工作效率低下、出错频率较高甚至引发严重的疾病。如果我们可以利用采集到的工人脸部图像对工人进行疲劳判别有很好的实际应用价值，它往往可以较好地对疲劳工作人员进行预警，让他们及时休息，更合理地配置工人资源。

针对上述问题，传统的方法往往依赖于多幅图像甚至是一段视频，不能够对单幅图像有很好的判别效果，漏检、错检是经常出现的情况，会直接产生较为严重的后果。因此，如何建立一个基于单幅图像的工人疲劳判别方法，能够较为精准地判别工人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：

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显著性检测的svm模型工人疲劳精准判别方法，能够较为精准地判别工人是否疲劳。

本发明的实施例是这样实现的：

一种基于显著性检测的svm模型工人疲劳精准判别方法，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，选取多个疲劳工人的面部图像作为负训练样本；

利用ft显著性检测方法分别对正训练样本和负样本进行检测，若显著性区域面积不足整幅图像的1/4，直接将样本予以删除，反之则予以保留；

分别对保留的正训练样本及负训练样本进行sift特征提取，从而实现对图像的表征，得到待检测图像；

利用svm模型对表征后的训练样本进行训练，得到疲劳决策模型；

利用疲劳决策模型对待检测图像进行分数判别；

当基于svm模型的得分超过预设值时，将其判定为非疲劳图像；

当基于svm模型的得分低于预设值，将其判定为疲劳图像；

当基于svm模型的得分在预设值边缘时，利用k-means聚类算法进行二次判定。

这样的方法，利用了显著性检测挑选了更加精良的训练样本，工人疲劳检测模型的鲁棒性和精度都会得到显著提升；充分考虑了svm模型边缘结果判断不精准的问题，利用k-means模型有针对性地解决了边缘结果判断不精准的问题，从而有效地提升了工人疲劳检测的精度。

在本发明的一些实施例中，利用k-means聚类算法进行二次判定的步骤包括：

将得分在预设值边缘的待检测图像、多个正样本、多个负样本放入一起；

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或不显著变化；

若得分在预设值边缘的待检测图像被聚类为正样本类别，将其判定为非疲劳图像；

若得分在边缘部分的待检测图像被聚类为负样本类别，将其判定为疲劳图像。

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。

在本发明的一些实施例中，上述预设值为60-80分。

在本发明的一些实施例中，上述预设值为70分。

在本发明的一些实施例中，预设值边缘为预设值前加减5分的范围内。

在本发明的一些实施例中，非疲劳工人的面部图像的数量与疲劳工人的面部图像的数量一致。

在本发明的一些实施例中，上述非疲劳工人的面部图像的数量或疲劳工人的面部图像的数量大于100个。

在本发明的一些实施例中，上述将得分在预设值边缘的待检测图像、多个正样本、多个负样本放入一起的步骤中，正样本和负样本的数量分别大于50个。

在本发明的一些实施例中，正样本和负样本的数量相等均为100个。

本发明实施例至少具有如下优点或有益效果：

一种基于显著性检测的svm模型工人疲劳精准判别方法，包括选取多个非疲劳工人的面部图像作为正训练样本，选取多个疲劳工人的面部图像作为负训练样本；利用ft显著性检测方法分别对正训练样本和负样本进行检测，若显著性区域面积不足整幅图像的1/4，直接将样本予以删除，反之则予以保留；分别对保留的正训练样本及负训练样本进行sift特征提取，从而实现对图像的表征，得到待检测图像；利用svm模型对表征后的训练样本进行训练，得到疲劳决策模型；利用疲劳决策模型对待检测图像进行分数判别；当基于svm模型的得分超过预设值时，将其判定为非疲劳图像；当基于svm模型的得分低于预设值，将其判定为疲劳图像；当基于svm模型的得分在预设值边缘时，利用k-means聚类算法进行二次判定。

这样的方法，利用了显著性检测挑选了更加精良的训练样本，工人疲劳检测模型的鲁棒性和精度都会得到显著提升；充分考虑了svm模型边缘结果判断不精准的问题，利用k-means模型有针对性地解决了svm模型边缘结果判断不精准的问题，从而有效地提升了工人疲劳检测的精度。

附图说明

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。

图1为本发明一种基于显著性检测的svm模型工人疲劳精准判别方法一实施例的流程图；

图2为本发明一种基于显著性检测的svm模型工人疲劳精准判别方法另一实施例的流程图。

具体实施方式

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。

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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本申请所提供的实施例中，应该理解到，所揭露的方法，也可以通过其它的方式实现。系统实施例仅仅是示意性的，例如，附图中的框图显示了根据本申请的多个实施例的系统和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备，可以是个人计算机，服务器，或者网络设备等，执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-onlymemory）、随机存取存储器（ram，randomaccessmemory）、磁碟或者光盘等各种可以存储程序代码的介质。

在本发明实施例的描述中，“多个”代表至少2个。

在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

实施例

请参照图1，本实施例提供一种基于显著性检测的svm模型工人疲劳精准判别方法，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，选取多个疲劳工人的面部图像作为负训练样本；

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。

s2：利用ft显著性检测方法分别对正训练样本和负样本进行检测，若显著性区域面积不足整幅图像的1/4，直接将样本予以删除，反之则予以保留；

图像在频率域可以分成低频部分和高频部分。低频部分反映了图像的整体信息，如物体的轮廓，基本的组成区域。高频部分反映了图像的细节信息，如物体的纹理。显著性区域检测用到的更多的是低频部分的信息。在实际进行计算时，ft显著性检测方法使用窗口5*5的高斯平滑来实现对最高频的舍去。

s3：分别对保留的正训练样本及负训练样本进行sift特征提取，从而实现对图像的表征，得到待检测图像；

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。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。

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。

示例性的，还可以采用gist特征提。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。

示例性的，还可以采用hog特征提取。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。

s4：利用svm模型对表征后的训练样本进行训练，得到疲劳决策模型；

需要说明的是，svm（supportvectormachine）是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，利用间隔最大化求最优分离超平面。svm理论提供了一种避开高维空间的复杂性,直接用此空间的内积函数(既是核函数)，再利用在线性可分的情况下的求解方法直接求解对应的高维空间的决策问题。当核函数已知，可以简化高维空间问题的求解难度。同时svm是基于小样本统计理论的基础上的，这符合机器学习的目的。而且支持向量机比神经网络具有较好的泛化推广能力。

s5：利用疲劳决策模型对待检测图像进行分数判别；

s6：当基于svm模型的得分超过预设值时，将其判定为非疲劳图像；当基于svm模型的得分低于预设值，将其判定为疲劳图像；

在本发明的一些实施例中，上述预设值可根据实际情况进行设定，例如将预设值为60-80分。优选上述预设值为70分。

示例性的，若预设值为70分，当基于svm模型的得分超过70分时，将其判定为非疲劳图像，当基于svm模型的得分低于70分时，将其判定为疲劳图像。

s7：当基于svm模型的得分在预设值边缘时，利用k-means聚类算法进行二次判定。

当基于svm模型的得分在70分时，利用k-means聚类算法进行二次判定。

这样的方法，利用了显著性检测挑选了更加精良的训练样本，工人疲劳检测模型的鲁棒性和精度都会得到显著提升；充分考虑了svm模型边缘结果判断不精准的问题，利用k-means模型有针对性地解决了边缘结果判断不精准的问题，从而有效地提升了工人疲劳检测的精度。

请参考图2，在本发明的一些实施例中，利用k-means聚类算法进行二次判定的步骤包括：

s31：将得分在预设值边缘的待检测图像、多个正样本、多个负样本放入一起；

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。

s32：随机选取2个初始聚类中心；

s33：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；

s34：对每个簇，以所有样本的均值作为该簇新的聚类中心；

s35：重复上述步骤,直到聚类中心不再变化或不显著变化；

s36：若得分在预设值边缘的待检测图像被聚类为正样本类别，将其判定为非疲劳图像；若得分在边缘部分的待检测图像被聚类为负样本类别，将其判定为疲劳图像。

需要说明的是，k-means聚类算法是无监督的聚类算法，它实现起来比较简单，聚类效果也不错，因此应用很广泛。本申请发明采用k-means聚类算法，原理比较简单，实现也是很容易，收敛速度快。聚类效果较优。算法的可解释度比较强。主要需要调参的参数仅仅是簇数k。

示例性的，预设值边缘为预设值前加减5分的范围内。

示例性的，上述将得分在预设值边缘的待检测图像、多个正样本、多个负样本放入一起的步骤中，正样本和负样本的数量分别大于50个。

示例性的，正样本和负样本的数量相等均为100个。

本发明实施例至少具有如下优点或有益效果：

一种基于显著性检测的svm模型工人疲劳精准判别方法，包括选取多个非疲劳工人的面部图像作为正训练样本，选取多个疲劳工人的面部图像作为负训练样本；利用ft显著性检测方法分别对正训练样本和负样本进行检测，若显著性区域面积不足整幅图像的1/4，直接将样本予以删除，反之则予以保留；分别对保留的正训练样本及负训练样本进行sift特征提取，从而实现对图像的表征，得到待检测图像；利用svm模型对表征后的训练样本进行训练，得到疲劳决策模型；利用疲劳决策模型对待检测图像进行分数判别；当基于svm模型的得分超过预设值时，将其判定为非疲劳图像；当基于svm模型的得分低于预设值，将其判定为疲劳图像；当基于svm模型的得分在预设值边缘时，利用k-means聚类算法进行二次判定。

这样的方法，利用了显著性检测挑选了更加精良的训练样本，工人疲劳检测模型的鲁棒性和精度都会得到显著提升；充分考虑了svm模型边缘结果判断不精准的问题，利用k-means模型有针对性地解决了svm模型边缘结果判断不精准的问题，从而有效地提升了工人疲劳检测的精度。

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。

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。