基于Adaboost算法的驾驶员眨眼识别
样本的选择至关重要，包括两个方面，首先是样本源，本文采用BioID-EyeDatabase和AR人脸库(来源于网络)[6]，样本库提供了人脸图片和人眼坐标，根据人眼坐标用Matlab编程来提取人眼。正样本从截取出的人眼图片中选取闭眼图片，负样本为剩下的睁眼图片。样本的训练过程就是按第2部分算法所阐述的方法选择弱分类器, 形成强分类器, 再由强分类器级联成为一个有效的分类器。在训练时给出检测率和误检率的要求，如检测率为0.99，误检率为0.3，若一共有n个强分类器，则最终的检测率为0.99n，最终的误检率为0.3n。
检测
检测就是根据训练所得到的分类器特征一般存储为.xml文件对输入图片进行检测。分类器是一个有若干个强分类器组成的级联分类器，检测结果是一系列的目标矩形，也就是图像中目标所在的位置。
实验结果分析
本文采用三种不同的负样本选择方法，进行了三次对比实验。
实验一：正样本582张闭眼图片，归一化为24×24，负样本1285张睁眼图片，正负样本如图1、图2所示，实验结果如图3所示。
从实验结果可以看出睁眼图片中把眉毛误检为闭眼图片，原因是负样本数量和种类少，导致误检率高。
本文提出了一种新的负样本选择方法，这样给我们扩展训练样本量提供了很大的帮助，就是在Opencv[7]中修改程序，利用已经训练好的分类器，来检测大量视频图片，把误检的图片保存下来加入到负样本中来作为下次训练的新的负样本，并继续训练，然后利用下次训练好的新的分类器来继续添加负样本。负样本截取软件界面如图4所示。
评论