首先阴孟，總結(jié)一下檢測某一特征的方法：
（1）模板匹配計(jì)算當(dāng)前幀與模板相同位置處的灰度值或顏色值的差值永丝，通過特定的距離公式來計(jì)算匹配程度慕嚷。
穩(wěn)定可靠與光照和姿勢無關(guān)計(jì)算量大
（2）區(qū)域分割對(duì)面部區(qū)域進(jìn)行二值化分割對(duì)孤立區(qū)域進(jìn)行標(biāo)示闯冷，再根據(jù)幾何特征進(jìn)行定位蛇耀。（如連通面積等）纺涤。
運(yùn)算量小噪聲影響大
（3）對(duì)稱變換法：DST方向?qū)ΨQ變換計(jì)算量大
（4）灰度投影法：對(duì)人臉圖像進(jìn)行水平和垂直方向的投影，根據(jù)波峰波谷分布信息確定眼睛的位置外永。（將二維換到一維中去）定位速度較快受瞳孔灰度類似的眉毛或頭發(fā)影響大。
（5）基于統(tǒng)計(jì)的方法通過對(duì)大量目標(biāo)樣本和非目標(biāo)樣本進(jìn)行訓(xùn)練學(xué)習(xí)得到一組模型參數(shù)骆膝，基于模型構(gòu)建分類器或者濾波器來檢測目標(biāo)掐暮。采用大量樣本訓(xùn)練分類器路克，最后基于統(tǒng)計(jì)信息進(jìn)行分類精算。
基于機(jī)器學(xué)習(xí)的疲勞識(shí)別殖妇，為第5種方案，屬于統(tǒng)計(jì)方法座每。即輸入訓(xùn)練樣本峭梳，使用嘴巴部分、眼睛部分的圖片作為訓(xùn)練樣本的輸入蹂喻，可標(biāo)注為閉嘴葱椭、中度張嘴和張嘴，閉眼口四、微閉和睜眼孵运，也可直接檢測嘴巴部分的哈欠狀態(tài)和閉眼時(shí)的眼睛狀態(tài)，當(dāng)檢測到哈欠狀態(tài)時(shí)蔓彩，對(duì)連續(xù)幀進(jìn)行計(jì)數(shù)治笨。當(dāng)連續(xù)到一定閾值驳概，即可進(jìn)行疲勞報(bào)警。此時(shí)這種方法的優(yōu)點(diǎn)在于可以考慮到盡可能多的影響因素旷赖，如光線的變化顺又，克服人臉偏轉(zhuǎn)的影響，直接對(duì)面部情況進(jìn)行標(biāo)注。
查閱相關(guān)文獻(xiàn)，《基于多視頻窗口的疲勞駕駛監(jiān)測系統(tǒng)研究_王萬軍》一文，使用Adaboost算法提高準(zhǔn)確率，其作用是：檢測人臉。基于haar特征的Adaboost算法在不同的背景下對(duì)人臉檢測具有好的效果。積分圖就是從圖像起點(diǎn)到各個(gè)點(diǎn)所形成的矩形區(qū)域像素之和作為一個(gè)數(shù)組元素保存在內(nèi)存中。使用積分圖可方便計(jì)算。為規(guī)避頭部偏轉(zhuǎn)和光照強(qiáng)度的影響，使用動(dòng)態(tài)膚色建模：首先確定人臉膚色候選區(qū)域；再對(duì)候選區(qū)域進(jìn)行二次判別，如進(jìn)行器官分布特征來驗(yàn)證人臉區(qū)域系瓢。增加初始時(shí)的采樣環(huán)節(jié)骗绕，對(duì)不同的駕駛員建立膚色CgCr模型。
對(duì)于遮擋問題，還有一種解決方案：使用面部幾何規(guī)律，使用基于等腰三角形的自適應(yīng)遮擋估計(jì)：
有了這組公式，即使一面被遮擋蒙袍，也可以計(jì)算出關(guān)鍵點(diǎn)的坐標(biāo)信息以现。
《基于近紅外圖像的疲勞駕駛檢測研究與系統(tǒng)實(shí)現(xiàn)_張恒》詳細(xì)為我們介紹了Adaboost算法的步驟憎蛤，其實(shí)質(zhì)就是使用幾個(gè)特征訓(xùn)練多個(gè)分類器棚辽，然后將這些分類器進(jìn)行結(jié)合瓷患，而結(jié)合的過程也是機(jī)器學(xué)習(xí)的過程爱态，每一次在分類過程中都把分錯(cuò)的樣本加大權(quán)重洞渔，確保下次在分類時(shí)該類樣本能夠被正確分類。Adaboost能夠保證在若干個(gè)迭代學(xué)習(xí)后整體錯(cuò)誤率低，在每次迭代之后會(huì)更新樣本的權(quán)重地梨，Adaboost算法會(huì)對(duì)分錯(cuò)的樣本加重權(quán)重赖钞，使得其在下一個(gè)分類器中能夠被正確分類谴餐，最后將這些分類器結(jié)合起來得到一個(gè)強(qiáng)分類器年枕。
《基于面部特征的全天候疲勞駕駛檢測及預(yù)警系統(tǒng)的研究_羅聲平》一文，使用改進(jìn)ASM算法（Active shape model結(jié)合了Adaboost），其是基于PDM點(diǎn)分布模型的統(tǒng)計(jì)學(xué)習(xí)算法转晰，實(shí)現(xiàn)待定位模板產(chǎn)生了一定程度形變時(shí)的目標(biāo)定位查邢。步驟如下：
（1）建立統(tǒng)計(jì)形狀模型 手工標(biāo)定目標(biāo)特征點(diǎn) ?對(duì)齊后的形狀向量集進(jìn)行PCA
（2）建立統(tǒng)計(jì)特征模型 灰度信息采樣 構(gòu)建局部灰度特征
（3）目標(biāo)搜索匹配 對(duì)法線采樣點(diǎn)進(jìn)行灰度值求導(dǎo)的方法得到特征點(diǎn)的局部特征。
共搜集了30幅左眼圖像組建左眼庫（該方法可能對(duì)頭部轉(zhuǎn)過角度有改善）
步驟流程圖如下：
《一種快速駕駛員疲勞檢測方法》
為了解決誤判問題，文中使用基于Haar特征的Adaboost算法訓(xùn)練分類器， 實(shí)現(xiàn)嘴的正常狀態(tài)和張嘴狀態(tài)的區(qū)分，再針對(duì)區(qū)分結(jié)果實(shí)現(xiàn)二次處理，計(jì)算嘴的張開程度宣增，判定是否處于疲勞狀態(tài)玫膀。
處理方法：
文中選取打哈欠及各種張嘴時(shí)的嘴部圖像為正樣本，選取臉部其他部分圖像為負(fù)樣本爹脾，正樣本和負(fù)樣本圖像均從網(wǎng)上搜索得到帖旨，正樣本圖像250張，大小統(tǒng)一縮放為24×24灵妨，負(fù)樣本圖像550張解阅，部分樣本圖片如圖7所示。
數(shù)量：正樣本250張闷串，負(fù)樣本550張瓮钥。
正樣本：
負(fù)樣本：
訓(xùn)練分類器使用Opencv提供的opencv_haartraining.exe訓(xùn)練程序得到分類器描述文件。由于嘴位于人臉的下半部分烹吵，所以搜索區(qū)域可縮小至人臉下半部分碉熄，節(jié)省搜索時(shí)間。檢測完成得到打哈欠（或張嘴）的圖片肋拔，則再用局部搜索確定二值化分割閾值锈津，把嘴的輪廓分割出來。 為判斷嘴的張開程度凉蜂，我們同樣在輪廓上取最具代表性的4個(gè)點(diǎn)： 上下邊緣點(diǎn)和左右邊緣點(diǎn)琼梆， 通過計(jì)算輪廓的外接矩形的寬高比來判定是否為打哈欠狀態(tài)，一般認(rèn)為當(dāng)寬高比大于1.5的時(shí)候處于疲勞狀態(tài)窿吩。
以上這些文獻(xiàn)中均為使用了機(jī)器學(xué)習(xí)訓(xùn)練分類器的方法得到哈欠茎杂、閉眼特征，從而判定疲勞纫雁。
