基于asm局部定位和特征三角形的列车驾驶员头部姿态估计-赵磊.pdf

《基于asm局部定位和特征三角形的列车驾驶员头部姿态估计-赵磊.pdf》由会员分享，可在线阅读，更多相关《基于asm局部定位和特征三角形的列车驾驶员头部姿态估计-赵磊.pdf（7页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第38卷第9期 铁 道 学 报 V0138 No。92 O 1 6年9月 JOURNAL OF THE CHINA RAILWAY SOCIETY September 2016文章编号：10018360(2016)09005207基于ASM局部定位和特征三角形的列车驾驶员头部姿态估计赵 磊， 王增才， 王晓锦 ， 张万枝(山东大学机械工程学院，山东济南 250061)摘要：提出一种新的基于面部特征三角形机车驾驶员头部姿态估计的方法。首先采用基于Retinex理论的图像增强算法去除光照影响，利用面部眼睛和鼻子区域良好的聚类性，在全局主动形状模型(ASM)对驾驶员脸部定位的基础上，对驾驶员的局部特

2、征(眼睛和鼻子)定位，以适应驾驶员头部姿态的大角度偏转；然后利用已定位眼睛和鼻子作为特征点，建立面部特征三角形，采用自检测方法对驾驶员面部三角形进行初始化，对头部姿态与三角形的关系进行研究；最后推导出头部姿态与面部三角形形状的数学模型。利用试验样本对本文方法进行性能检测，实验表明：在不同的嘴部大小情况下，该方法能够对头部姿态进行较准确估计。关键词：姿态分析；ASM；图像增强；特征定位；特征三角形中图分类号：TP3914 文献标志码：A doi：103969jissn10018360201609008Estimation of Head Posture of Train Drivers BasA

3、SM Local Positioning and Facial Feature TrianglZHAO Lei， WANG Zengcai， WANG Xiaojin， ZHANG Wanzhi(School of Mechanical Engineering，Shandong University，Jinan 250061，China)0neAbstract：A new method for estimating head posture of train drivers based on facial feature triangle was proposedFirst of all，im

4、age enhancement algorithm based on Retinex theory was employed tO eliminate the effectof lightA good clustering of the eyes and nose was used to locate the drivers local features(eyes and nose)，based on the positioning of drivers face by global active shape model(ASM)，in order to adapt to wideangled

5、eflection of drivers head postureSecondly，the located eyes and the nose were used as feature points to establish the facial feature triangle，which was initialized through the method of selfdetection tO study the relationship with the head postureFinally，the mathematical model between head rotation a

6、ngle and the facial triangleshape was deducedThe algorithm proposed here was tested by using the samplesThe tests all showed that themethod can accurately estimate the head posture in the case of different sizes of the mouthKey words：posture analysis；ASM；image enforcement；feature location；feature tr

7、iangle列车与其他交通方式(如汽车和飞机)相比，安全性较高，但是一旦发生事故，带来的人员伤亡和经济损失是巨大的，而驾驶员注意力不集中占列车事故发生原因比例最高n，在列车长时间高速行驶的时候，单调的驾驶环境非常容易引发驾驶员的疲劳，因此为了保证驾驶员和旅客的人身安全，对驾驶员疲劳的识别是收穗日期：2015-0503；修回日期：20150709基金项目：汽车仿真与控制国家重点实验室开放基金(20121107)第一作者：赵磊(1987一)，男，山东莱阳人，博士研究生。Email：leizhaol219163corn通讯作者：王增才(1964一)，男，山东滨州人，教授，博士。Email：wangz

8、csdueducn非常有必要的，而头部姿态的变化对驾驶员面部疲劳特征参数的分析有很大的影响。因此，头部姿态估计是一个非常重要的检测对象。目前的头部姿态估计的方法主要分为两类：基于2D面部特征的估计和基于3D面部特征估计。前一种估计方法主要是建立2D的面部特征与3D的头部姿态参数的数学关系，利用2D面部特征的学习方法对头部姿态进行估计。其中比较代表性的是wu等2通过对面部的5个特征点进行多粒子滤波器跟踪，通过已精确定位头部5个特征点之间的相对几何关系对万方数据第9期 赵磊等：基于ASM局部定位和特征三角形的列车驾驶员头部姿态估计头部姿态进行分析；陈振学等pj利用Adaboost算法对眼睛和嘴巴进

9、行和定位，通过分析这3个点构成的特征三角对头部姿态进行估计；朱淑亮等3借助人脸正面的图像信息建立人脸特征三角形，详细分析了3种头部姿态；刘志勇和王珏5 3利用流形学习中的局部线性嵌入算法计算头部姿态参数；路玉峰等采用非线性核变换的算法分析头部姿态参数，取得了较好的精度；张万枝等7采用Adaboost算法对驾驶员的眼睛进行定位，然后在眼睛已定位的基础上利用H分量确定嘴巴位置，建立面部三角形，根据三角形的位置变化对头部姿态进行估计；刘袁缘等凹1提出了树结构分层随机森林在非约束环境下的多类头部姿态估计，该方法采用一种树结构分层随机森林算法，分层估计多自由度下的头部姿态，实验结果表明所提算法在不同质量

10、的图像上都有很好的估计准确率和鲁棒性。基于3D的头部姿态估计主要是在多个视角下采集多幅图像建立三维头部模型，并以此分析头部姿态。其中代表性的有：LI93利用多个摄像头对面部进行检测，对头部进行三维重建，根据每个人头部的3D姿态改变和纹理参数进行姿态估计；Rodham叩采用激光扫描仪得到一个三维数据学习形变模型，根据该模型学习功能对头部旋转参数进行分析；Fanelli G等将随机森林法用于3D图像的头部姿态识别，取得了良好的效果；张伟1纠采用Candide模型实现了驾驶员头部的个体三维重建，并通过三维模型配准完成了驾驶员初始姿态角的确定。(c)图像3 (d)图像4图1 眼睛和嘴巴特征三角形定位结

11、果本文采用基于2D的面部特征三角形进行头部姿态估计。之前的研究方法采用的是以眼睛和嘴巴作为面部特征三角形的顶点，但是在嘴巴状态改变的情况下，嘴巴定位不准，导致头部参数估计误差较大，其定位效果如图1所示；在对三角形建模之后，没有提出在线初始化面部三角形的基准参数的方法，即头部各个方向转角都为0的面部三角形参数，导致该算法无法在线自动估计不同驾驶员的头部姿态。本文提出对嘴部变化相对稳定的鼻子和双眼作为定位特征点构建三角形进行头部姿态分析的头部姿态估计方法。首先采用基于主动形状模型(ASM)的局部定位算法对眼睛和鼻子进行定位；然后建立基于左眼、右眼和鼻子下部的定位点来构建面部特征三角形，采用自检测方

12、法对面部特征三角型进行初始化，构建正面三角形基准参数，对头部姿态与关键点位置的关系进行建模，根据特征点的位置变化进行头部姿态估计。最后对基于眼睛和鼻子作为特征点的面部特征三角形分析方法的性能进行实验检测。l基于ASM模型的面部特征局部定位11 ASM模型算法基于点分布模型的ASM算法通过一组特征点描述目标的形状。ASM算法由全局形状模型和局部纹理模型组成，在检测过程中交替作用，使得模型定位形状逐步收敛1，通过模型对人脸进行定位结果见图2。(a)人脸定位1 (b)人脸定位2图2 ASM特征点的提取全局形状模型训练样本是对大量人脸图像进行手工标记，然后通过主成分分析(PCA)得到。本文选取58个特

13、征点模拟人脸。根据上文的设置，可用式(1)体现的向量来表示人脸的形状。x一(zl，yl，56 2，Y 2，z 58，y 58) (1)式中：X表示由58个点组成的人脸形状的向量；(z，y。)表示第i个特征点的坐标值。对含有K个样本(K300)的训练集，其均值样本j的计算式为1 Kx=专z。 (2)2 i舀z z ( 训练样本的协方差矩阵w为W一(xx)(工一x)7 (3)W的特征向量为万方数据铁 道 学 报 第38卷Wp女一A女P (4)式中：A。是w的特征值；P。是A。特征值对应的特征向量。根据PCA理论，特征值A。越大对应的特征向量P。的变化对整体模型越重要。选取前M个特征值对应的特征向量

14、构成新的矩阵P，其中P一户。，P：，PMA，A zAM(5)则人脸形状均可以在新的主轴系下为X=贾+Pb (6)式中：b一(6，b。，bM)T是权值向量。因此，平均形状叉与主轴系P均为已知确定值，而模型的输出形状由唯一b值确定目标形状。参数b通过全局形状模型与局部纹理模型交替作用得出。局部纹理模型是在全局形状模型中每个特征点的法线方向上采样像素点进行统计分析得到见图3。图3 ASM局部纹理模型采样设定训练样本中的一个特征点位Hj(歹一1，2，58)的采样向量(采样的点数为k)为H J一(z J1，y1，37jz，Yjz，z批，Y；k)1 (7)式中：(zY，i)表示第J个特征点所确定的第i个采

15、样点坐标。该点的采样均值为H，协方差矩阵为ls，其局部纹理模型为H，H，(百，S，) (8)选用大于200个训练样本进行训练，训练完成后可用于对驾驶员面部区域进行的定位。12基于图像增强的ASM模型局部定位算法通过实际的实验和前人的总结2在驾驶环境光照变化或者驾驶员头部姿态和面部表情变化较大的情况下时，采用ASM进行面部特征的全局定位会产生较大的偏差，鲁棒性差；因此需要从光照和头部姿态两个方面解决面部定位的精度问题。针对驾驶室光线的变化，本文引进了基于Retinex理论的车载视觉系统图像增强算法4I。首先将图像从RGB彩色空间转换到YCbCr彩色空间，提取y亮度分量低频部分，采用多尺度Reti

16、nex(MSR)算法对y分量低频部分进行光照补偿，然后经图像滤波后，将y分量与原来的C6、C，分量进行逆变换，生成新图像，并对像素值平移和压缩，将新图像从YCbCr彩色空间转换到RGB彩色空间，得最终图像。其增强效果见图4。(善，翌(b)增强后图像图4基于Retinex理论的图像增强采用Adoboost算法1朝对人脸进行粗略定位，在获得人脸概略位置的基础上对人脸进行全局ASM配准，进一步对人脸特征的位置进行定位。前人研究发现14，在头部姿态和表情改变的时候，面部轮廓运动范围较大，所以当头部姿态改变较大时，外轮廓的定位点定位不准，发生偏移现象，但眼睛周围构成的局部面部区域相对于整个面部有很好的聚

17、类性，且在驾驶员姿态变化时，这一区域的ASM模型相对稳定。从图5可见，在不同的头部姿态下，眼睛和鼻子区域相对于对其他特征(嘴巴和外轮廓)，定位的鲁棒性较强，虽然在头部姿态变化较大的情况下仍然有少量误差，但与其他特征相比偏移量较小。因此在全局ASM模型定位的基础上，通过计算模型上点的坐标提取了眼睛和鼻子所在位置的区域，在此区域内分别对眼睛和鼻子进行由粗略到精确的策略来进行局部二次定位。(a)姿态1 (b)姿态2图5眼睛和鼻子检测结果首先根据ASM模型中眼部点的位置来提取眼睛区域，通过扩展的Haar特征，采用级联的方式，重复采用Adaboost方法训练眼睛分类器，在该区域中进行眼睛定位。眼睛的训练

18、样本选择以瞳孔为中心、眉毛为上界外接矩形为眼睛训练样本，样本来自CMU等多个人脸库。经过归一化后图像大小为25 X 25像素，共计4 862帧引。眼睛区域提取后进行二次定位的方法可进一步缩小函数的搜索区域，从而提高了眼万方数据第9期 赵磊等：基于ASM局部定位和特征三角形的列车驾驶员头部姿态估计睛提取精度，其提取区域和定位结果见图6 2基于面部特征三角形的头部姿态分析图6人眼区域划分和定位结果在实验中Adaboost训练鼻子的分类器定位的准确性不高，而通常情况下鼻子下方两个鼻孔的灰度值与周围的灰度值相差很大，因此可以根据该特点进行定位。首先根据ASM模型提取鼻子区域，提取结果见图7(a)；然后

19、对鼻孔区域采用积分投影法求其两鼻孔区域的重心，再对两个鼻孑L的重心求平均值可定位鼻子下端鼻子定位结果见图7(b)。(a)鼻子区域 (b)鼻子定位图7鼻子区域划分和定位结果最终定位结果见图8。从图8可见，基于图像增强的ASM局部定位算法鲁棒性较好；与以眼睛和嘴巴作为面部三角形的定位点相比，嘴巴大幅度张开和(a)人脸图像1 (b)人脸图像2(c)人脸图像3 (d)人脸图像4图8面部特征定位结果闭合的时候依然能够保证定位的精度，不会在头部姿势不改变的前提下，随着嘴巴大小改变而使鼻子定位点发生位移，造成对头部姿态估计精度不高。21 特征三角形的建立驾驶员头部运动时的姿态分析主要是基于3个坐标轴的旋转角

20、度，如头部的上下、左右旋转以及偏头等，驾驶员的视频图像中，面部的各个部位的位置随着头部姿势的变化而改变口，其中眼睛和鼻子是面部在不同表情下相对位置最稳定的点，因此只要定位出两只眼睛和鼻子底部的位置，就可以对头部姿态准确估计。图9中设图像的垂直方向为z轴，水平方向为z轴，垂直图像方向为y轴；0(z。，Y。)、P(56：，Y：)和Q(z。，Y。)分别为左眼、右眼和鼻子的定位点，其中这3个点的坐标值是相对于图像的坐标原点计算。而三角形每个点对边的长度分别由0、声和q表示。图9头部姿态三角形建模根据上图和人脸的特征可以得出，当人脸正对图像的时候，该面部三角形为等腰三角形；当头部发生摆动、点头和偏头时面

21、部的3个特征点在图像中的相对位置发生变化，从而引起三角形的几何形状发生变化，因此通过分析面部特征三角形的变化可以推算出当前的头部姿势。根据三角形3个特征点的位置坐标可以得出0PQ的3个边的边长为0一(z 3一z 2)2+(y 3一Y 2)2 (9)户一(z 3一z1)2+(y 3一Y1)2 (10)q一(z1一z 2)2+(y1一y 2)2 (11)而根据三角形内角定理可得，3个顶点O、P、Q对应的三角形内角么0、么P、么Q大小分别为么。一a眦OS(竺姜上堑) (12)zpq么PaOS(生乓二兰) (13)Zoq么Q一180。一么P一么O (14)以q为底边AOPQ的高h为 h一2，、r(r-

22、p)(r-q)(r-o)(15)= l 3)万方数据铁 道 学 报 第38卷式忖一驾。22面部特征三角形初始化与人脸特征点检测技术的其他应用不同，该算法需要驾驶员头部各个方向的旋转角为0的面部三角形作为头部姿态估计的基准，而且驾驶员面部特征不同也导致了其正面的特征三角形的参数也各不相同。因此，在分析驾驶员头部姿态与面部三角形的关系之前，要对面部三角形做初始化处理，即找到驾驶员头部3个方向旋转角度为0时的面部特征三角形，以该三角形的参数作为基准，将其他头部状态的面部三角形与之比较，估计其姿态参数。在行车过程中，可采用自检测初始化方法对驾驶员正面特征三角形进行基准识别，即在驾驶员驾驶过程中前20

23、min对驾驶员的面部三角形进行检测。当驾驶员转头角度为0时，面部三角形么O一么P，即为等腰三角形。当驾驶员头部上下运动角度为0时，面部特征三角形中以q为底的三角形的高h是在自检测期间的最大值。当驾驶员头部左右摆动度数为0的时候，三角形的高h与图像Y轴的角度为0，具体计算方法在后说明。在初始化时间内的自检测过程中。检测每一帧图像的面部三角形参数并存储，对以上的条件按照一定的阈值进行分析，如果达到上述3个条件中的1个条件时，即可认为该条件符合的参数为正面三角形初始参数，当以上3个条件都满足后，面部特征三角形的初始化完成。23头部姿态与面部特征三角形建模分析驾驶员头部的转动即绕着竖直方向(z轴)转动

24、，右转 (b)止视 (c)左转图10头部转动图像从图8可见，头部偏转方向所对应的特征点的角变大，当头部向左运动时么0么P，反之么P么O；根据头部旋转原理头部的转动的角度为口一arccosq (16)q式中：q 7为转头时两眼之间的距离。转头时三角形以边q为底的高h不变。驾驶员低头与抬头的时候是头部绕着z轴转动，见图11。此时将面部三角形投影到z一2平面，可以看出三角形中两个鼻子和左眼及右眼的边长同时增大(减小)，同时对应的以边q为底的高h发生变化。(a)抬头 (b)正视 (c)低头图ll抬(低)头图像根据点头(抬头)原理，点头(抬头)角度a为h7口一a08 i一，q (rP)(rq)(rO)

25、、ar057P二7而【刁瓦葡(17)式中：h 4是头部点头(抬头)时三角形的高；是头部未旋转时的面部三角形高；P 7和O 7分别为头部旋转时变形的两边；r，一尘掣；f是头部偏转系数，其设定与头部偏转角度有关。偏头时头部绕Y轴旋转，见图12，此时面部特征三角形的形状和边长不发生变化。但q不再平行于T轴，而是旋转一定的角度。设头部摆动角度为y，则摆动角度与面部三角形的偏转角度相同，当Y：y。头部左摆，摆动角为 yarcc。盟一挈(18)当Y：y。头部右摆，摆动角为 )，一arcc。s型一下Zo(19)万方数据第9期 赵磊等：基于ASM局部定位和特征三角形的列车驾驶员头部姿态估计3实验与讨论31特征

26、定位性能检测为了验证本文面部特征定位方法的准确性，从IMMFACE人脸数据库中提取30位不同年龄、表情和头部姿态的人脸图像一共150张，其中分别采用文献ErJ算法和本文算法对面部特征点进行定位。实验平台为Windows7，处理器为Intel Core i33220，主频为330 GHz，内存为4 GB软件为()penCV 243，其定位结果见表1。实验结果显示：其中误检率表示在检测中检测出不相关特征情况所占的比例。本文算法与文献E7的定位方法相比。在人不同嘴部变化的条件下，检测率和检测精度都高于文献E73。表1面部特征检测结果对比32头部姿态估计性能检测头部姿态估计的试验方法见图13。将角尺用

27、绑带固定在被测试者的头部，并对其初始位置进行校正。分别利用固定的3个摄像机采集被测试者不同头部姿态和不同嘴巴状态的正面侧面和头顶部的图像，采用手工标定角尺位置和角度点来估计头部的实际姿态。(a)正面 (b)侧面 (c1顶部图13头部姿态检测图计算正面图像上部的角尺旋转角度可以得到偏头角度，见图13(a)；计算侧面头部角尺旋转角度可以得到点头角度，见图13(b)；计算头顶部方向的角尺旋转角度可以得到转头角度，见图13(c)。本文头部参数约定向上抬头、向左转和向右偏头的角度值为正值，向下点头、向右偏头和向右偏头的角度值均为负值。采集被测试者5种头部姿态，不同下嘴巴状态的图像共10张，每种头部姿态的

28、图像两张；然后采用本文方法和文献E7方法对图像中被实验者的头部姿态进行估计，图14为实验录像中提取的不同嘴部状态下的部分姿态的正面图像，面部特征参数检测结果如表2所示。其中图14(a)、14(c)、14(d)、14(e)、14(g)和14(i)分别为嘴巴闭合时的正面，头部姿态图像，图14(b)、14(d)、14(f)、14(h)和14(j)分别为嘴巴张开时头部姿态图像，其头部姿态分别与图14(,51)、14(C)、14(e)、14(g)和14(i)相同。焉焉舟费赢叠-怎毒妻l、童7-涵ti覆璺璺恿悬图14实验图像表2头部姿态值 (。)图像测量值 文献71估计值 本文估计值转头 点头 偏头 转头

29、 点头 偏头 转头 点头 偏头l d(a) 238 5241(b)一238 5241-l(c) 1 400 1231l 4(d) l 400 123ll“e) 2635 365l 4(f)一2635365I 4(g)一I 967 94i1 4(h) 1 967 941l 4(i) 2877 68414(i) 2877 68421121 5 1 37027l一784 1140532 l 423 1 54 34j6 1 310 l 4911340262687813342080997936 363l 672936 28j4 1016234 3039 392336 2639 484根据图14和表2可见

30、：本文方法在不同头部姿态的检测结果与图中的头部姿态实际测量值基本一致，在相同的头部姿态条件下，本文方法在嘴巴不同状态情况下的姿态估计的误差基本在3。以内。文献7方法和本文方法相比。在转头和偏头角度估计的精度基本相同，但是文献7的方法由于嘴巴形状变化，嘴巴位置定位不稳定，导致定位精度不高，从而影响了点头角度的检测准确性，且同样头部姿态情况下，嘴巴状态不同时，点头角度差别较大；如图14(e)和图14(f)的点头估计值结果可以看出，估计值与实际测量值误差较大，且当嘴巴张开时h值增大，导致点头角度值与实际值相比误差明显。通过上述比较，本文方法对头部姿态角度的计算有明显的优势，能够对不同嘴巴状态下的驾驶

31、员的头部姿态进行估计。万方数据58 铁 道 学 报 第38卷4结论本文提出一种新的基于ASM局部定位和人脸特征三角形的驾驶员头部姿态估计方法。该方法采用了基于Retinex理论图像增强算法去除光照影响；利用ASM算法进行面部定位，根据定位参数提取眼睛和鼻子作为局部定位区域，接着分别对眼睛和鼻子进行定位，提取特征点并构建面部特征三角形；然后采用自检测的方法建立面部三角形初始化参数，建立了头部姿态和面部三角形的数学关系模型，根据三角形的位置变化进行头部姿态估计；最后对实验样本进行头部姿态分析。实验表明，在一定的条件下，该方法定位性能较好，且由于眼睛和鼻子在人嘴巴状态变化时的位置比较稳定，因此以鼻子

32、和眼睛为特征点的面部三角形能实现不同嘴巴大小情况下的估计，可以满足列车驾驶员在不同状态下头部姿态的监控。头部姿态估计在实际应用中除了不同驾驶员特点和光照条件改变外，还有在驾驶过程中驾驶员头部转角过大导致无法检测面部特征和手部遮挡等影响因素本文没有考虑。这些因素也是将来主要的研究方向。参考文献：1李强基于PERCLOS的列车司机驾驶疲劳研究D北京：北京交通大学，20142WU Junwen，TRIVEDI M MA Two-state Hcad Pose Estimation Framework and EvaluationJPattern Recognition，2008，41(3)：1 13

33、8-1 1583陈振学，常发亮，刘春生，等基于Adaboost算法和人脸特征三角形的姿态参数估计J武汉大学学报信息科学版，2011，36(10)：1 1641 168CHEN Zhenxue。CHANG Faliang。LIU ChunshengPoseParameters Estimate Based on Adaboost Algorithm andFacial Feature TriangleJGeomatics and Information Science of Wuhan University，2011，36(10)：1 1641 1684朱淑亮，王增才，王树梁，等头部多角度的眼睛

34、定位与状态分析J重庆大学学报，2010，33(11)：20一26ZHU Shuliang，WANG Zengcai，WANG Shuliang，et a1Eye Localization and State Analysis of Head Multi。positionin Color ImageJJournal of Chongqing University，2010，33(11)：20265刘志勇，王珏流行学习方法及其在头部姿势估计中的应用J贵州大学学报(自然科学版)，2010，27(4)：6366LIU ZhiyongWANG JueManifold Learning and Its A

35、pplication on Head Pose EstimationJJournal of GuizhouUniversity：Natural Sciences，2010，27(4)：63666路玉峰，王增才，李学勇基于核主元分析的头部姿势估计J光电工程，2008，35(8)：6366LU Yufeng，WANG Zengcai，LI XueyongHead Pose Estimation Based on Kernel Principal Component AnalysisJOptoElectronic Engineering，2008，35(8)：63667张万枝，王增才，基于面部特征三

36、角形的机车驾驶员头部姿态参数估计J铁道学报，2013，35(11)：3944ZHANG Wanzhi。WANG ZengcaiEstimation of Pose Parameters of Vehicle Drivers Based on Facial Feature TriangleJJournal of The China Railway Society，2014，35(11)：39-448刘袁缘，陈靓影，余侃，等基于数结构分层随机森林在非约束环境下的头部姿态估计J电子与信息学报，2015，37(3)：544-551L1U Yuanyuan，CHEN Liangying，YU kan，e

37、t a1HeadPose Estimation Based on Tree-structure Cascaded RandomForests in Unconstrained EnvironmentJ。Journal of Electronics&Information Technology，2015，37(3)：54455193 LI Yongming，GONG Shaogang，HEATHER LRecognizing Trajectories of Facial Identities Using Kernel Discriminate AnalysisJImage and Vision

38、Computing，2008，21(】3-14)：1 0771 086r10ROMDHANI S，BLANZ V，VETTER TFace Identification by Fitting 3D Morphable Model Using LinearShape and Texture FunctioncProceedings of 2002European Conference on Computer Vision(ECCV02)London，UK：Spring-Verlag，2002：3-19113 FANELLI G，GALL J，VAN G LReal Time Head PoseE

39、stimation with Random Regression ForestscProceedings of 24th IEEE Conference on Computer Visionand Pattern Recognition(CVPR)New York：IEEE，2011：617-62412张伟基于机器视觉的驾驶人疲劳状态识别关键问题研究D北京：清华大学，2011133 COOTES T F，TWINING C J，BABALOLA K O，et a1Diffeomorphic Statistical Shape ModelsJImage and Vision Computing，

40、2008，26(3)：32633214张万枝，王增才，李云霞，等驾驶员疲劳检测中的彩色图像增强算法J光电子激光，2012，23(8)：1 5451 549ZHANG Wanzhi，WANG Zengcai，LI Yunxia，et a1AnAlgorithm of Color Image Enhancement for Driver Fatigue DetectionJJournal of Optoelectronics Laster，2012，23(8)：1 5451 54915VIOLA P，JONES M JRapid Object Detection Using aBoosted Cascade of Simple FeaturesCProceedings ofIEEE Conference on Computer Vision and Pattern RecognitionNew York：IEEE，2001：511518(责任编辑江峰)万方数据