多特征决策融合的眼状态识别方法

摘要

本发明公开了一种多特征决策融合的眼状态判别方法，其包括如下步骤：对采集到的眼睛样本进行伪Zernike矩特征、复杂度特征和HOG特征提取；接着针对这三种特征分别建立最优SVM模型：PZ‑SVM模型，COM‑SVM模型和HOG‑SVM模型；最后利用自动权值学算法对三个模型的判别结果有效性进行权重分配，实现对眼状态判别的决策融合。本发明能够克服复杂光照变化和眼睛形变的影响，提高人眼状态判别的鲁棒性。

主权项

一种多特征决策融合的眼状态判别方法，其特征在于包括如下步骤：（1）眼睛特征的提取：对采集到的眼睛训练样本进行伪Zernike矩特征、复杂度特征和HOG特征提取；伪Zernike矩特征提取过程中，使用形态学与边缘检测相结合的轮廓提取算法，其主要步骤为：使用3×5的结构元素对眼睛图像f进行膨胀得到图像f₁；将膨胀后的图像f₁与原图像f进行相减，去除部分光照影响，得到图像f₂；对图像f₂进行canny边缘提取，得到图像f₃；接着对图像f₃中的连通直线进行质心提取；最后将质心限制在0.35‑0.7倍的宽和高中间，将质心超出该范围的剔除，就提取到了眼睛图像的轮廓；（2）SVM模型的建立：针对这三种特征分别建立最优SVM模型，即PZ‑SVM模型，COM‑SVM模型和HOG‑SVM模型；（3）决策融合模型的建立：利用自动权值学习算法对三个特征模型在眼睛测试样本中的判别准确率进行权重分配，实现对眼状态判别的决策融合。