改進(jìn)的人眼定位算法在DSP上的快速實(shí)現(xiàn)

孫立書(shū)， 余 偉

（浙江東方職業(yè)技術(shù)學(xué)院工程技術(shù)系，浙江溫州 325011）

0 引 言

目前，有關(guān)駕駛員疲勞檢測(cè)的方法有基于生理的測(cè)量方法、基于車輛行為的方法及基于計(jì)算機(jī)視覺(jué)的檢測(cè)方法。基于生理的測(cè)量方法具有測(cè)量精度高的特點(diǎn)，因此具有較強(qiáng)的說(shuō)服力。但是測(cè)量時(shí)需要在駕駛環(huán)境放置醫(yī)療設(shè)備，會(huì)影響駕駛員操作行為，影響駕駛效果，不適合實(shí)際應(yīng)用。基于車輛行為的方法，如車輛偏離中心線的距離、轉(zhuǎn)向、速度和加速度的變化可以反映出司機(jī)是否處于異常狀態(tài)。但是這些測(cè)量值中能反映司機(jī)處于異常和非異常狀態(tài)的臨界值是多少？測(cè)量值在哪個(gè)范圍內(nèi)變動(dòng)表明司機(jī)處于正常駕駛狀態(tài)？確定此范圍的依據(jù)又是什么？這些都很難確定，因此它具有較高誤檢率，較低的檢測(cè)精度。基于計(jì)算機(jī)視覺(jué)的檢測(cè)方法是使用攝像頭實(shí)時(shí)拍攝駕駛員的頭像，通過(guò)圖像處理與識(shí)別技術(shù)分析駕駛員的眼部狀態(tài)，即眼睛是睜開(kāi)的還是閉合的，或者通過(guò)判斷睜開(kāi)和閉合的程度來(lái)判斷駕駛員疲勞與否。它具有非接觸性、信號(hào)采集方便快捷、可靠性高、穩(wěn)定性強(qiáng)等特點(diǎn)，已成為駕駛員疲勞檢測(cè)的一種重要方法。據(jù)統(tǒng)計(jì)，駕駛員通過(guò)視覺(jué)獲取外界信息約占90%。因此，通過(guò)模式識(shí)別技術(shù)檢測(cè)人眼的狀態(tài)是判斷駕駛員是否疲勞的主要依據(jù)之一。目前，國(guó)際上是以著名的PERCLOS80理論，即眼睛閉合80%的時(shí)間占某一特定時(shí)間的百分比來(lái)作為判斷駕駛員是否疲勞的主要依據(jù)。采用該種方法進(jìn)行疲勞檢測(cè)主要分為3步。首先，對(duì)采集的視頻圖像進(jìn)行人臉檢測(cè)；然后，在此基礎(chǔ)上進(jìn)行人眼檢測(cè)和跟蹤；最后，采用PERCLOS80理論進(jìn)行疲勞判斷。對(duì)采集到的視頻圖像能否進(jìn)行正確、實(shí)時(shí)的人臉檢測(cè)是影響疲勞檢測(cè)精度和檢測(cè)效率的重要因素。

PC環(huán)境下人臉識(shí)別系統(tǒng)是一種非在線檢測(cè)，具有非實(shí)時(shí)性和滯后性等缺點(diǎn)，且成本高、穩(wěn)定性差、應(yīng)用局限性大。DM643是一款功能強(qiáng)大的DSP芯片，在音視頻和圖像處理方面具有高速性能，被廣泛應(yīng)用于人臉識(shí)別系統(tǒng)中，由此產(chǎn)生了嵌入式人臉識(shí)別系統(tǒng)。文中提出在DSP上快速實(shí)現(xiàn)疲勞檢測(cè)系統(tǒng)中的人臉檢測(cè)，利用駕駛室內(nèi)背景相對(duì)固定的特點(diǎn)，采用臨界值法和K-means算法檢測(cè)定位人眼。設(shè)計(jì)時(shí)考慮數(shù)據(jù)處理的實(shí)時(shí)性、硬件系統(tǒng)的規(guī)模、軟件系統(tǒng)調(diào)試難度等諸多因素，采用TI公司TMS320DM643芯片為核心處理器，C語(yǔ)言編程。采用羅技快看高手版4000CCD攝影機(jī)，每秒攝取30張畫(huà)面。人眼檢測(cè)的流程如圖1所示。

1 人臉區(qū)域提取

目前，檢測(cè)人臉的方法有很多［1－6］，而每個(gè)方法不盡相同，根據(jù)過(guò)去臉部檢測(cè)的相關(guān)研究歸納出兩種常見(jiàn)方法。其一是對(duì)影像中的膚色區(qū)域作形狀判別；其二則是在膚色區(qū)域中搜尋是否含有臉部特征。在臉部的檢測(cè)上，經(jīng)過(guò)復(fù)雜度和效率的衡量，運(yùn)用計(jì)算快速且檢測(cè)效率高的Haar臉部檢測(cè)［7－8］及連續(xù)適應(yīng)性中心移動(dòng)演算法（Continuously Adaptive Mean Shift，Cam Shift）。Haar臉部檢測(cè)負(fù)責(zé)取得影像中人臉的部分，取得臉部區(qū)域后，再以Cam Shift用色彩幾率分布及統(tǒng)計(jì)的方式追蹤人臉，能確定濾除臉部區(qū)域中非膚色部分，兩種檢測(cè)方法具體如下。

圖1 人眼檢測(cè)的流程圖

1.1 Haar臉部檢測(cè)算法

Viola和Jones［7］提出一個(gè)機(jī)器學(xué)習(xí)之視覺(jué)上物件檢測(cè)演算法。不僅大大縮短計(jì)算時(shí)間，且擁有很高的檢測(cè)率，做法中有三項(xiàng)貢獻(xiàn)：其一是類似Haar特征及將影像轉(zhuǎn)換為能快速應(yīng)用類似Haar特征的形式；其二是使用Ada Boost分類器，它能排除多數(shù)不必要的類似Haar特征，將目標(biāo)放在關(guān)鍵的類似Haar特征上；其三是以串聯(lián)的形態(tài)結(jié)合了許多分類器，提高檢測(cè)效率并縮短計(jì)算時(shí)間。R Lienhart［8］等以兩個(gè)重要的改革更進(jìn)一步加強(qiáng)了Viola和Jones的物件檢測(cè)演算法，在基本的類似Haar特征里，加入旋轉(zhuǎn)的類似Haar特征，這些新的特征也和原本的類似Haar特征一樣，可以在常數(shù)時(shí)間內(nèi)被計(jì)算出來(lái)，且利用決策樹(shù)來(lái)取代串聯(lián)的分類器，加強(qiáng)了檢測(cè)的效能。

1.2 Cam shift運(yùn)動(dòng)物體跟蹤算法

Gary等人提出Cam Shift算法［9］，即“Continuously Adaptive Mean Shift”算法，是一種運(yùn)動(dòng)跟蹤算法。它主要通過(guò)視頻圖像中運(yùn)動(dòng)物體的顏色信息來(lái)達(dá)到跟蹤物體的目的。連續(xù)適應(yīng)性中心移動(dòng)演算法Cam Shift是利用直方圖來(lái)計(jì)算二維圖像中色彩的概率分布，它可以處理動(dòng)態(tài)的色彩分布變化，其中包含處理靜態(tài)色彩分布的中心移動(dòng)演算法（Mean Shift）。Mean Shift是利用色彩概率分布的上升梯度去搜尋物體，算法過(guò)程如下：

步驟1：在顏色概率分布圖中選取搜索窗的大小。

步驟2：設(shè)定搜索窗的起始位置。

步驟3：計(jì)算搜索窗的重心（用xc表示）。

其中

步驟5：移動(dòng)搜索窗的中心至重心，如果移動(dòng)距離大于預(yù)設(shè)的閾值，則重復(fù)步驟3、步驟4和步驟5。直到搜索窗的中心與質(zhì)心間的移動(dòng)距離小于預(yù)設(shè)的閾值，或者循環(huán)運(yùn)算的次數(shù)達(dá)到某一最大值，停止計(jì)算。

將Mean Shift算法擴(kuò)展到連續(xù)圖像序列，就是Cam Shift算法。它將視頻的所有幀做Mean Shift運(yùn)算，并將上一幀的結(jié)果，即搜索窗的大小和中心，作為下一幀Mean Shift算法搜索窗的初始值。如此迭代下去，就可以實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤。算法過(guò)程如下：

步驟1：設(shè)定搜索窗的起始位置及大小。

步驟2：計(jì)算搜索窗的顏色概率分布（反向投影）。

步驟3：運(yùn)行Mean Shift算法，獲得搜索窗新的大小和位置。

步驟4：在下一幀圖像中用步驟3中的值重新初始化搜索窗的大小和位置，重復(fù)步驟2繼續(xù)運(yùn)行。

在彩色圖像中，計(jì)算整張圖像色彩概率分布的計(jì)算量是很龐大的，Cam Shift在執(zhí)行上其實(shí)不需要計(jì)算整張影像的色彩概率分布，所以Gary等人改進(jìn)了Cam Shift，這項(xiàng)改進(jìn)是將色彩概率分布的計(jì)算局限在搜索窗周圍，如此一來(lái)，不僅減少計(jì)算量也提升了執(zhí)行速度，算法具體過(guò)程如下：

步驟1：將整個(gè)圖像設(shè)為搜尋區(qū)域。

步驟2：設(shè)定Mean Shift搜索窗的起始位置。

步驟3：在搜索窗的起始位置上，在較搜索窗大一點(diǎn)的范圍內(nèi)計(jì)算色彩概率分布。

步驟4：運(yùn)行Mean Shift一次或多次，獲得搜索窗新的位置和大小。

步驟5：在下一幀視頻圖像中，用步驟3獲得的值初始化搜索窗的位置和大小。跳轉(zhuǎn)到步驟2繼續(xù)運(yùn)行。

采用Open CV中Haar臉部辨識(shí)和Cam Shift函數(shù)進(jìn)行臉部檢測(cè)，檢測(cè)結(jié)果如圖2所示。

圖2 人臉檢測(cè)

2 人眼檢測(cè)和定位

人臉區(qū)域找到以后，在此區(qū)域進(jìn)行人眼檢測(cè)，人眼檢測(cè)的方法有很多［10－13］，每個(gè)方法都有自己的限制條件。對(duì)于人眼檢測(cè)采用較簡(jiǎn)單的方法，即臨界值法，它是依據(jù)灰度直方圖決定一個(gè)臨界值，將灰度圖像轉(zhuǎn)換為黑白圖像，即二值化圖像。檢測(cè)人臉時(shí)，提取臉部區(qū)域以后，采用灰度圖像轉(zhuǎn)換函數(shù)將它轉(zhuǎn)換為灰度圖像，如圖3所示。

圖3 人臉原圖及灰度圖像

先將臉部區(qū)域分為上下兩個(gè)部分，預(yù)設(shè)眼睛一定在臉部的上半部，并利用臨界值法留下較黑的像素點(diǎn)。在臨界值的選取上，以灰度直方圖利用統(tǒng)計(jì)的方式自動(dòng)化選取，其做法是累計(jì)臉部區(qū)域上半部的像素?cái)?shù)目，以占其總數(shù)目5%的值，對(duì)直方圖5進(jìn)行統(tǒng)計(jì)去選取二值化的臨界值T＝40。圖3的臉部區(qū)域灰度直方圖（灰度值的范圍為0～235）如圖4所示。人臉圖像如圖5所示，其二值化的結(jié)果如圖6所示。

圖4 臉部區(qū)域灰度直方圖

圖5 人臉圖像

圖6 臨界值法二值化的人臉圖像

二值化后留下的像素點(diǎn)是眼睛區(qū)域，以K-means聚類演算法對(duì)眼睛區(qū)域做分群的動(dòng)作，K-means算法如下：

步驟2：將訓(xùn)練資料依據(jù)它們與各個(gè)聚類中心的距離（歐幾里德距離或其它距離測(cè)量）遠(yuǎn)近，分配到最近的聚類中心。

步驟3：依據(jù)下列公式更新聚類中心位置，

式中：cj——所有被歸類于第j個(gè)聚類的資料集合；

Nj——屬于cj的資料的個(gè)數(shù)。

考慮到鼻孔偶爾會(huì)出現(xiàn)在臉部區(qū)域的上半部，所以將眼睛區(qū)域以K-means分為三群：一群為左眼，其初始在大致左眼的位置；一群為右眼，其初始在大致右眼的位置；另一群則為鼻孔，其初始在左右眼中心下方一點(diǎn)的位置。K-means的迭代次數(shù)設(shè)為一次，實(shí)驗(yàn)結(jié)果如圖7所示［14－17］。

3 算法優(yōu)化

3.1 使用CCS優(yōu)化選項(xiàng)

CCS集成開(kāi)發(fā)環(huán)境中提供了優(yōu)化選項(xiàng)，在不同場(chǎng)合選擇使用不同優(yōu)化選項(xiàng)，可以改進(jìn)程序性能。如在Generate Debug Info選項(xiàng)中，選擇No Debug選項(xiàng)，即不輸出調(diào)試信息，大大加快程序運(yùn)行速度。

3.2 二級(jí)緩存L2的使用

在文中系統(tǒng)中，將常用到的兩個(gè)數(shù)據(jù)（檢測(cè)分類器和識(shí)別轉(zhuǎn)換矩陣）和兩個(gè)程序（檢測(cè)和識(shí)別代碼）盡可能多地放到L2中，如程序1所示。

程序1：sra m段指向DM643片內(nèi)L2存儲(chǔ)空間：

3.3 采用EDMA技術(shù)搬移數(shù)據(jù)

由于DM643片內(nèi)RAM是有限的，經(jīng)常把數(shù)據(jù)存儲(chǔ)在片外。采用EDMA技術(shù)把用到的數(shù)據(jù)從片外搬入片內(nèi)，大大提高程序的運(yùn)行速度。測(cè)試結(jié)果見(jiàn)表1。

圖7 人眼定位

表1 人臉識(shí)別算法優(yōu)化結(jié)果

將人臉識(shí)別算法移植到硬件系統(tǒng)后，對(duì)于大小為640×480的灰度圖像，優(yōu)化前完成一次操作需要67.36 s，無(wú)法滿足嵌入式人臉識(shí)別系統(tǒng)的要求，優(yōu)化以后完成一次操作只需要0.48 s，為優(yōu)化前的0.7%，基本滿足實(shí)時(shí)人臉識(shí)別要求。

4 結(jié) 語(yǔ)

在疲勞駕駛狀態(tài)檢測(cè)過(guò)程中，人眼檢測(cè)和定位是非常重要也是很關(guān)鍵的一個(gè)環(huán)節(jié)。首先采用Cam Shift算法提取人臉區(qū)域；然后采用K-means算法實(shí)現(xiàn)人眼檢測(cè)和定位；對(duì)傳統(tǒng)的在PC機(jī)上實(shí)現(xiàn)人臉檢測(cè)的缺點(diǎn)和不足進(jìn)行分析。以高速圖像處理芯片TM S320D M 643為核心，Windows XP操作系統(tǒng)，采用i7-3612QM型號(hào)第三代智能英特爾酷睿i7處理器，內(nèi)存4 GHz，搭建硬件平臺(tái)。采用Matlab7.0仿真軟件，在該硬件平臺(tái)上對(duì)人臉識(shí)別算法進(jìn)行優(yōu)化。實(shí)驗(yàn)結(jié)果表明，人臉識(shí)別速度提高93%，實(shí)現(xiàn)實(shí)時(shí)、快速的人臉檢測(cè)，從而實(shí)現(xiàn)快速的人眼檢測(cè)與定位。

［1］ 丁吉，李大偉.DSP Builder在圖像邊緣提取中的應(yīng)用［J］.長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，31（1）：52-57.

［2］ C Garcia，G Zikos，G Tziritas.Face detection in color images using wavelet packet analysis［C］／／Proceedings of the 6th IEEE International Conference on Multimedia Computing and Systems.Florence：［s.n.］，1999：703-708.

［3］ R L Hsu，M A Nottaleb，A K Jain.Face detection in color images［J］.IEEE Trans.on Pattern Analysis and Machine Intelligence，2002，24（5）：696-706.

［4］ C Lin，K C Fan.Human face detection using geomeric triangle relationship［C］／／Proceedings of the IEEE 15th International Conference on Pattern Recognition.2000：941-944.

［5］ Li Tian，Y T Kanade，J F Cohn.Evaluation of gabor-wavelet-based facial action unit recognition in image sequences of increasing complexity［C］／／Proceedings of 5th IEEE International Conference on Automatic Face and Gesture Recognition.2002：218-223.

［6］ C A Perez，A Palma，C A Holzmann，et al.Face and eye tracking algorithm based on digital image processing［C］／／IEEE International Conference on Systems，Man and Cybernetics.2001：1178-1183.

［7］ P Viola，M Jones.Robust real-time object detection［C］／／Proceedings of IEEE Workshop on Statistical and Theories of Computer Vision.2001.

［8］ R Lienhart，A Kuranov，V Pisarevsky.Empirical analysis of detection cascades of boosted classifiers for rapid object detection［C］／／Technical Report. MRL：Intel Labs.2002.

［9］ G R Bradski.Computer vision face tracking for use in a perceptual user interface［C］／／Proceedings of IEEE Workshop on Applications of Computer Vision.1998：214-129.

［10］ R S Feris，T E Campos，R M Cesar.Detection and tracking of facial features in video sequences［C］／／Mexican International Conference on Artifi-cal Intelligence.2001：129-137.

［11］ Anon.Open source computer vision library（OpenCV）.［EB／OL］［2014-01-10］.http：／／sourceforge.net／projects／opencvlibrary／.

［12］ M Rizon，J L Wu.Automatic eye detection using intensity and edge information［J］.Proceedings of TENCON，2000（2）：24-27.

［13］ R Senaratne，S Halgamuge.Optimised landmark model matching for face recognition［C］／／Proceedings of the Seventh International Conference on Automatic Face and Gesture Recognition.2006：120-125.

［14］ 張寧，李娜.基于Adaboost算法的人臉檢測(cè)技術(shù)的研究與實(shí)現(xiàn)［J］.現(xiàn)代電子技術(shù)，2011，14：56-58.

［15］ 劉瑞禎，于仕琪.OpenCV教程［M］.北京：北京航空航天大學(xué)出版社，2007：5-20.

［16］ 陳盛勇，劉盛.基于OpenCV的計(jì)算機(jī)視覺(jué)技術(shù)實(shí)現(xiàn)［M］.北京：科學(xué)出版社，2008：197-203.

［17］ 楊枝靈，王開(kāi)巧.Visual C＋＋數(shù)字圖像獲取處理及實(shí)踐應(yīng)用［M］.北京：人民郵電出版社，2003.