牟　亞,聶亞洲,付發(fā)威,周銀平（華北電力大學(xué),北京　昌平　102206）

基于模式識別的自適應(yīng)燈具

牟亞,聶亞洲,付發(fā)威,周銀平
（華北電力大學(xué),北京昌平102206）

摘要：模式識別技術(shù)自20世紀60年代提出以來，一直都因為其巨大的發(fā)展?jié)摿ξ吮姸嘌芯空叩纳钊胩剿骱脱芯?。這些年來，模式識別在人臉識別、疲勞檢測、人機交互等領(lǐng)域取得了巨大進展。本文研究的目的是設(shè)計一套可以自動檢測人眼狀態(tài)并作出相應(yīng)調(diào)光反饋的燈光系統(tǒng)，這套系統(tǒng)可以最大程度上減輕視疲勞，保護眼睛。當光有微小的變化，眼睛就會做出相應(yīng)的變化。當眼睛處于一個舒適的狀態(tài)，光就處于一個合適的值。本文使用的軟件主要是VS2013與OpenCV相結(jié)合，通過調(diào)用OpenCV庫函數(shù)，建立該燈具系統(tǒng)。本文采用了級聯(lián)Adaboost算法，用于人臉檢測、人眼檢測和瞳孔定位。對輸入圖像進行人臉檢測，在人臉檢測的基礎(chǔ)上進行人眼檢測并定位瞳孔，從而找到瞳孔直徑以及虹膜直徑。通過串口，把瞳孔直徑與虹膜直徑的比值按照一定的映射關(guān)系傳給數(shù)模轉(zhuǎn)換模塊，輸出不同的電壓來控制LED的亮度。再輔以反饋調(diào)節(jié)機制，確保燈具發(fā)出的光照是最符合人眼需求的光照。

關(guān)鍵詞：模式識別；級聯(lián)Adaboost算法；OpenCV ；人眼檢測

1　作品背景

信息大數(shù)據(jù)時代，由于人們經(jīng)常在不合適的光線下過度使用電子產(chǎn)品，導(dǎo)致眼部疾病發(fā)病率直線上升。解決問題的根源在于將不合適的光線調(diào)節(jié)為適合眼睛的光線。而目前世界上關(guān)于適合光照還沒有一個公認的標準，在這種狀況下，人為地界定一個光線亮度，光線被動的調(diào)節(jié)，并不能改善目前電子產(chǎn)品過度使用，眼部疾病發(fā)病率逐年攀升的現(xiàn)狀。我們立足于健康生活的理念，將模式識別技術(shù)運用到燈具上，致力于研究自適應(yīng)性燈具。臺燈可以根據(jù)環(huán)境光線的變化和人眼的狀態(tài)來自動調(diào)節(jié)，達到使人眼感到舒適的狀態(tài)，從而減少對眼睛的傷害，提高眼睛的健康狀況。

2　總體設(shè)計

在實現(xiàn)燈光自適應(yīng)調(diào)節(jié)的過程中，主要應(yīng)用了模式識別領(lǐng)域中的Adaboost算法和級聯(lián)分類器。

2.1模式識別

模式識別是一個樣本的類別屬性（模式類）的確定過程，即把某一個樣本歸屬于多個類型中的某個類型，從20世紀20年代發(fā)展至今，目前它已經(jīng)運用到生物認證、指紋識別、聲紋識別、語音識別、數(shù)字水印等領(lǐng)域。模式識別技術(shù)是人工智能的基礎(chǔ)，我們利用攝像頭拍攝出的照片，通過Adaboost算法和級聯(lián)分類器識別出眼睛的狀態(tài)，確定眼睛對光照的需求。

2.2Haar積分圖

將紅外背光攝像頭拍攝的照片轉(zhuǎn)化為灰度圖，為了得到灰度圖的特征值，需要對輸入圖像進行逐點掃描。設(shè)i(x,y)為輸入圖像中像素點(x,y)的像素灰度值，那么假定一個圖像，在某一點(x,y)處，求該點像素的灰度值之和，要計算縱坐標小于等于Y的所有像素點。定義該像素灰度值的和為s(x,y)，利用遞推公式，求取待測圖像的積分圖:

圖1　具體點積分圖

其中x和y從0開始，s(x,y-1)=0，ii(x-1,y)=0。可以通過積分圖快速求得矩形特征區(qū)域內(nèi)的所有像素點的灰度積分。點1處的積分圖ii1為：ii1=sum(A)，具體積分范圍如圖1所示。

根據(jù)上圖可以按順序分別計算點2，點3，點4的特征值：

根據(jù)上式，在積分圖示例中計算出的每個端點處的值代表一個矩形特征值，再將每個端點處的值做加減運算。所要計算的矩形大小和位置都與計算時間無關(guān)，即這個計算時間是一個常數(shù)，這是積分圖計算的最大優(yōu)點。

2.3Adaboost算法與級聯(lián)分類器

Adaboost算法是一種分類器算法，在1995年由Freund和Robert E.Schapire提出的，其主要思想是利用大量分類能力較弱的簡單分類器(weakerclassifier)通過一定方法疊加(boost)起來，構(gòu)成一個具有強分類能力的強分類器。

2.3.1由擴展的Haar特征生成弱分類器

將紅外背光攝像頭拍攝出的照片轉(zhuǎn)化為灰度圖，利用灰度圖的特征值訓(xùn)練弱分類器。弱分類器可以使一個任何單一特征或組合特征的分類器，它的主要功能是對候選區(qū)域做二值判斷。具體定義如下：

其中x為檢測窗口，f(x)為計算矩形特征值的函數(shù)，θ為通過訓(xùn)練的弱分類器的閾值，p用來表示不等式的方向，取值為+1。對圖中的每個特征f，訓(xùn)練得到對應(yīng)的一個弱分類器h(x,f,p,θ)，確定得到最優(yōu)閾值，使得這個弱分類器h(x,f,p,θ)對所有的訓(xùn)練樣本的分類誤差率最低。

弱分類器訓(xùn)練的過程大致如下:

（1）計算每個特征f1（i=1...m為特征總數(shù)）對應(yīng)的訓(xùn)練樣本的特征值；

（2）將所有特征值排序；

（3）對排好序的每個元素：

計算全部正例的T+和權(quán)重;

計算全部負例的T_和權(quán)重;

（4）選取當前元素的特征值Fki和它前面的一個特征值Fki-1之間的值作為閾值，該分類器的分類誤差為：

（5）計算最小的弱分類器誤差，同時記錄此時若分類器的方向符號和閾值以及分類器的矩形特征。

特別說明：在前期準備訓(xùn)練樣本的時候，需要將樣本歸一化和灰度化到20*20的大小，這樣每個灰度圖像樣本大小一致，保證了每一個Haar特征都在一個樣本內(nèi)。

2.3.2訓(xùn)練強分類器

在訓(xùn)練強分類器的過程中，T表示的是強分類器中包含的弱分類器的個數(shù)。當然，如果是采用級聯(lián)分類器，強分類器中的弱分類器的個數(shù)可能會比較少，多個強分類器再級聯(lián)起來。訓(xùn)練強分類器的步驟如下：

給定一系列訓(xùn)練樣本(x1,y1).(x2,y2).....(xn,yn)，其中yi=0表示負樣本（非人臉），yi=1表示正樣本（人臉），為總共的訓(xùn)練樣本數(shù)。

（1）初始化權(quán)重wt,i；

（2）對t=1....T歸一化權(quán)重，

（3）對每個特征f，訓(xùn)練一個弱分類h(x,f,p,θ)：計算對應(yīng)特征的若分離器的加權(quán)（q1）錯誤率εi。

（4）計算最小的弱分類器誤差εj，并且記錄此時弱分類器的方向符號p和閾值θ以及分類器的矩形特征。

經(jīng)過T次迭代后，獲得了T個最佳弱分類器h1(x)....hT(x)，可以按照下面的方式組合為一個強分類器：

那么，這個強分類器對待一副待測圖像時，相當于讓所有弱分類器投票，再對投票結(jié)果按照弱分類器的錯誤率加權(quán)求和，將投票加權(quán)求和的結(jié)果和平均投票的結(jié)果相比較，大于則算在強分類器里，小于就排除，得到最終的結(jié)果。

平均投票結(jié)果，即假設(shè)所有的弱分類器投“贊同”票和“反對”票的概率相等，求出平均概率，

2.3.3構(gòu)建級聯(lián)AdaBoost算法

級聯(lián)AdaBoost的核心是在算法進行T次迭代訓(xùn)練過程中，從每次的迭代訓(xùn)練過程中的弱分類器中挑選出T個弱分類器，按照一定的準則將其連接起來，構(gòu)建成一個強分類器。如果弱分類器的正確率只提高一點點，那么強分類器的正確率就能夠大幅提高。連續(xù)AdaBoost算法的輸出值遍布整個實數(shù)域。因此，幾乎能夠模擬全部分類器類型的概率分布。

級聯(lián)分類器是由連續(xù)AdaBoost算法每層訓(xùn)練的分類器組合成的強分類器，最后將選取的弱分類器按照自身的分類性能自動將他們組合在一起。

一般來講，在對視頻中的圖像進行檢測時，所要檢測的目標只占待測圖像的一個很小的部分，但在待測圖像中，有很多干擾阻礙了目標的檢測。需要我們極快地去除這些干擾或者非目標區(qū)域，留下大部分的時間去檢測除去干擾后的目標窗口，這樣不僅提高了目標檢測速度，并且提高了目標檢測的準確率。構(gòu)建級聯(lián)AdaBoost算法是我們所需要的算法。

2.4調(diào)光原理

圖2　設(shè)備連接圖

利用高清的紅外背光攝像頭，拍攝人的面部照片，借助Intel公司提供的計算機視覺庫OPEN-CV，通過近來提出的具有高精度和快速特點的adaboost算法和級聯(lián)分類器首先找到人臉，進一步找到眼睛，最后找到瞳孔。虹膜的大小不隨光照而變化，圖片中虹膜與瞳孔的相對大小不隨人眼與燈光的距離而改變，因此可以用虹膜為參照物計算出瞳孔的相對大小。根據(jù)瞳孔大小和所需光照的對應(yīng)關(guān)系，輸出一個合適的值給電壓源模塊，進而改變電阻兩端的電壓，改變通過電阻的電流，通過三極管對電流的放大作用，實現(xiàn)LED臺燈的合理發(fā)光。此外，為了能反映桌面的絕對光照強度，LED燈光下還有一個光敏電阻，光敏電阻感應(yīng)此時的光照，會得到一個相應(yīng)的電阻值，與光敏電阻并聯(lián)的電壓表會將這個值通過數(shù)模轉(zhuǎn)換模塊傳給電腦，電腦判斷是否達到了眼睛舒適光照的要求，如果沒達到，再微調(diào)光強，直到達到最適合人眼的光照需求。

3　測試與性能分析

3.1數(shù)值照度關(guān)系

按照實驗電路圖連接好線路，在無環(huán)境光照的條件下，保持臺燈到桌面距離一定，打開電腦，打開照度儀，運行相應(yīng)的程序，從600-4000每隔100輸入數(shù)值，記錄相應(yīng)數(shù)據(jù)，可以得出LED燈發(fā)出的光的強度值y/lux與輸入數(shù)模轉(zhuǎn)換器的數(shù)值x成正相關(guān)的關(guān)系，計算機擬合二者對應(yīng)關(guān)系函數(shù)為y=361.1ln(x）-2217.8。LED燈發(fā)出光的強度值y/lux與通過LED燈珠的電流數(shù)值x/mA成正相關(guān)的關(guān)系，計算機擬合二者對應(yīng)關(guān)系函數(shù)表達式為y=2.7975x+48.092。

3.2瞳孔直徑與照度

瞳孔的作用就是改變通光量，而光通量是照度的函數(shù)，于是照度和瞳孔直徑之間建立了聯(lián)系，瞳孔直徑R是眼睛處光照度L0的函數(shù)，即R=f（L0）。保持燈光與眼睛距離為50cm不變，以燈光為唯一光源，打開照度儀與瞳孔檢測儀器，連續(xù)調(diào)節(jié)燈光，使瞳孔處照度從100lux-780lux按每40lux為單位遞增，記錄對應(yīng)的瞳孔直徑于表格，得到相應(yīng)曲線。

從瞳孔直徑與照度關(guān)系圖中可以看到，瞳孔的直徑與LED燈發(fā)出光的強度成負相關(guān)的關(guān)系，計算機擬合二者對應(yīng)關(guān)系函數(shù)表達式為。

保持燈光與光敏電阻距離為不變，以燈光為唯一光源，打開照度儀，運行相應(yīng)的程序，連續(xù)調(diào)節(jié)燈光，使光敏電阻所處照度從按每為單位遞增，關(guān)系如圖4所示。

從照度與數(shù)值關(guān)系圖中可以看到，數(shù)值y與LED燈發(fā)出光的強度負相關(guān)，計算機擬合二者對應(yīng)關(guān)系函數(shù)表達式為。

圖3　　瞳孔直徑與照度關(guān)系圖

圖4　光照度與反饋數(shù)值關(guān)系

4　總結(jié)與展望

對自適應(yīng)燈具的研究邁出了模式識別應(yīng)用的第一步。人性化的設(shè)計讓它可以根據(jù)眼部的狀態(tài)實現(xiàn)光照強度的自動調(diào)節(jié)，適合的光照使人眼達到最舒適的狀態(tài)，更好的保護眼睛，防止眼部疾病。同樣的原理和算法，可以運用到電子產(chǎn)品的屏幕亮度控制中。目前市面上的屏幕亮度調(diào)節(jié)主要通過光敏原件和光敏感應(yīng)器感應(yīng)，但本論文中提出的構(gòu)想可以實現(xiàn)了屏幕亮度針對眼部的自適應(yīng)調(diào)節(jié)，是現(xiàn)有的產(chǎn)品所不能比擬的。

參考文獻：

[1]杭海濱.虹膜定位與識別的算法研究與實現(xiàn)[D].上海交通大學(xué),2013.

[2]田啟川,潘泉,程詠梅,張洪才.基于局部邊緣檢測的虹膜編碼算法研究[J].計算機應(yīng)用研究,2005(08):230-232+257.

[3]苑瑋琦,徐露,林忠華.一種基于人眼圖像灰度分布特征的虹膜定位算法[J].光電子·激光,2006(02):226-230.

[4]張錚,王艷平.數(shù)字圖像處理及其視覺[M].人民郵電出版社,2010.

[5]張宏林.Visual C++數(shù)字圖像模式識別技術(shù)及工程實踐[M].人民郵電出版社,2003.