基于多模态人脸库的驾驶员疲劳检测方法综述与实现

在人脸图像分析领域，常用人脸库对于算法研发和评估至关重要。本文主要介绍了六个常见的人脸数据库： 1. **MIT人脸数据库**：由麻省理工学院创建，包含16位志愿者的2592张面部图像，多样化的姿态、光照和大小变化，用于训练和测试算法的鲁棒性。 2. **FERET人脸数据库**：由FERET项目提供，包含14015张灰度人脸图像，涵盖多姿态和光照条件，分为训练集和测试集，是人脸识别领域的标准测试集。 3. **PIE人脸数据库**：来自美国卡耐基梅隆大学，拥有68位志愿者的大量数据，包括不同表情、姿态和光照的面部图像，适合于研究光照和表情变化的影响。 4. **AR人脸库**：由西班牙巴塞罗那计算机视觉中心创作，包含116个人的3288幅图像，涵盖光照、表情、遮挡和老化等多种因素。 5. **ORL人脸数据库**：剑桥大学A&T实验室的作品，400张面部图像记录了姿态、表情和装饰物的变化，尽管变化有限，但对于早期研究仍具有代表性。 6. **Yale A人脸数据库**：耶鲁大学的贡献，165张图片展示了光照变化，尤其强调了光照对疲劳检测的影响。 本文关注的是面部识别在驾驶员疲劳检测中的应用。作者首先通过文献综述，提出了以眼睛检测为主、脸部变化为辅的疲劳检测框架。针对彩色图像，设计了一种肤色分割方法，利用YCbCr色彩空间的分级别光照补偿和自适应阈值选择，以提高肤色区域的准确分割。对于灰度图像，采用几何特征和级联增强分类器（如Harr特征值和AdaBoost分类器）进行人脸检测，并优化了AdaBoost训练过程，减少训练时间。在眼睛定位和状态判断上，采用了无迹卡尔曼滤波（Unscented Kalman Filter）进行实时跟踪，通过监测眼睛连续闭合帧数来判断疲劳状态。此外，还考虑了嘴巴打哈欠作为疲劳综合判定的一个额外指标，利用嘴巴的宽高比来辅助疲劳状态的评估。 这些人脸库在面部识别和驾驶员疲劳检测研究中扮演了关键角色，帮助研究人员开发出更精确、鲁棒的疲劳检测系统，以期在实际应用中改善交通安全。然而，考虑到驾驶员疲劳检测面临的光照干扰和复杂变化，仍需不断优化算法以适应更多变的环境条件。