基于嘴巴特征點(diǎn)曲線擬合的哈欠檢測(cè)＊

謝國(guó)波，陳云華，張 靈，丁伍洋

（廣東工業(yè)大學(xué)計(jì)算機(jī)學(xué)院，廣東 廣州 510006)

基于嘴巴特征點(diǎn)曲線擬合的哈欠檢測(cè)＊

謝國(guó)波，陳云華，張 靈，丁伍洋

（廣東工業(yè)大學(xué)計(jì)算機(jī)學(xué)院，廣東 廣州 510006)

針對(duì)疲勞分析中哈欠檢測(cè)具有嘴角點(diǎn)定位困難、嘴巴張開大小及持續(xù)時(shí)間因人而異的特點(diǎn)，提出一種基于嘴巴內(nèi)輪廓角點(diǎn)檢測(cè)與曲線擬合的哈欠檢測(cè)方法。首先利用角點(diǎn)檢測(cè)獲取嘴巴內(nèi)輪廓上的若干點(diǎn)，對(duì)這些點(diǎn)進(jìn)行曲線擬合建立嘴唇內(nèi)輪廓數(shù)學(xué)模型；然后再對(duì)張口度曲線進(jìn)行時(shí)間維度的分析，對(duì)哈欠進(jìn)行二次判決。實(shí)驗(yàn)結(jié)果表明，該方法不僅能夠更精確地獲取開口度的大小，而且還能夠降低哈欠的誤檢率。

角點(diǎn)檢測(cè)；輪廓提取；曲線擬合；哈欠檢測(cè)

1 引言

哈欠是反映疲勞的重要特征，基于哈欠與眨眼檢測(cè)的疲勞分析在智能交通領(lǐng)域擁有廣闊的應(yīng)用前景。目前，國(guó)內(nèi)外進(jìn)行哈欠檢測(cè)的方法主要依據(jù)的是嘴巴的形態(tài)特征。Lu Yu-feng等［1］對(duì)兩幀圖像進(jìn)行差分來定位人臉，通過檢測(cè)鼻孔與下巴的距離來判斷是否有哈欠產(chǎn)生。該方法在頭部發(fā)生偏轉(zhuǎn)的情況下，下巴難以準(zhǔn)確定位，并且當(dāng)攝像頭與人的距離發(fā)生改變時(shí)，從圖像上檢測(cè)到的鼻孔與下巴的距離也會(huì)發(fā)生相應(yīng)的變化，因而會(huì)產(chǎn)生誤判。文獻(xiàn)［2，3］先從單幅圖像中分割出嘴巴，根據(jù)嘴巴張開區(qū)域的大小來檢測(cè)哈欠。該方法僅考慮單幅靜態(tài)圖像中嘴巴的狀態(tài)，沒有考慮哈欠的時(shí)間特性，而且提取的張口形狀是不規(guī)則圖形，當(dāng)頭部發(fā)生傾斜時(shí)，不能有效地判斷。Wang Tie sheng等［4］先定位兩邊嘴角，然后檢測(cè)嘴唇的上下邊界獲取嘴巴的高寬比，并通過對(duì)張口度的分析判斷哈欠的產(chǎn)生。該方法依賴于嘴角點(diǎn)定位的準(zhǔn)確性，其中任何一個(gè)嘴角點(diǎn)定位不準(zhǔn)確都會(huì)影響到檢測(cè)結(jié)果；而且不同的嘴形和嘴唇厚度也會(huì)對(duì)結(jié)果產(chǎn)生一定的影響。此外，上述方法在判別哈欠時(shí)均未對(duì)張口的持續(xù)時(shí)間進(jìn)行分析，導(dǎo)致短時(shí)間內(nèi)或者瞬時(shí)的嘴巴張大（如驚訝時(shí)張大嘴)會(huì)被誤判為哈欠。

針對(duì)上述方法中的不足，本文提出一種基于嘴巴特征點(diǎn)曲線擬合的哈欠檢測(cè)方法。先對(duì)圖像進(jìn)行人臉檢測(cè)和嘴巴粗定位；然后對(duì)嘴巴區(qū)域進(jìn)行Harris角點(diǎn)檢測(cè)，利用檢測(cè)到的角點(diǎn)坐標(biāo)擬合出嘴巴內(nèi)輪廓曲線，計(jì)算張口度，得到張口度曲線和哈欠張口度閾值。對(duì)張口度曲線進(jìn)行時(shí)間維度的分析，將結(jié)果分為哈欠、非哈欠和疑似哈欠，對(duì)于疑似哈欠的情況，根據(jù)哈欠、驚訝、大聲喊話時(shí)張嘴的不同特點(diǎn)進(jìn)行二次判決。實(shí)驗(yàn)結(jié)果表明，采用角點(diǎn)檢測(cè)和曲線擬合方法提取嘴巴內(nèi)輪廓能夠獲取到更加精確的張口度大小，對(duì)張口度曲線進(jìn)行時(shí)間維度分析的哈欠二次判決方法能夠提高哈欠檢測(cè)的準(zhǔn)確率，減少誤判。

2 嘴巴內(nèi)輪廓提取

2.1 人臉檢測(cè)與嘴巴定位

在彩色視頻圖像中，膚色是區(qū)分人臉與非人臉的顯著特征，因而也是人臉檢測(cè)的最常用的特征之一。相對(duì)于RGB顏色空間，膚色在YCrCb色彩空間具有更好的聚類特性。采用文獻(xiàn)［5］中的方法檢測(cè)人臉，并獲取嘴巴的粗略位置，然后利用文獻(xiàn)［6］中給出的唇色模型，得到嘴巴區(qū)域的位置，嘴巴檢測(cè)結(jié)果如圖1所示。

Figure 1 Diagram of face detection and mouth location results圖1 人臉檢測(cè)與嘴巴定位結(jié)果

2.2 嘴巴角點(diǎn)檢測(cè)

角點(diǎn)作為圖像上的特征點(diǎn)，包含有重要的信息，對(duì)圖像圖形的理解和分析具有重要價(jià)值。由于角點(diǎn)特征具有旋轉(zhuǎn)不變性和不隨光照條件變化而變化的特點(diǎn)，利用角點(diǎn)檢測(cè)嘴巴的內(nèi)輪廓點(diǎn)，不僅準(zhǔn)確而且結(jié)果穩(wěn)定。

采用Harris角點(diǎn)檢測(cè)算法［7］對(duì)嘴巴區(qū)域進(jìn)行檢測(cè)，主要步驟如下：

（1)設(shè)置高斯窗口函數(shù)：

其中，Ix、Iy分別為原始圖像像素點(diǎn)在水平和垂直方向上的梯度。

（3)計(jì)算每個(gè)像素點(diǎn)的Harris角點(diǎn)響應(yīng)函數(shù)：

其中，k為Harris算子的參數(shù)，一般取值為0.04～0.06，計(jì)算出的響應(yīng)函數(shù)CRF所對(duì)應(yīng)的極大值點(diǎn)就是圖像的角點(diǎn)。嘴巴角點(diǎn)檢測(cè)的結(jié)果見圖2。

Figure 2 Diagram of mouth inner contour corner detection results圖2 嘴巴內(nèi)輪廓角點(diǎn)檢測(cè)結(jié)果圖

2.3 嘴巴內(nèi)輪廓模型

采用Harris角點(diǎn)檢測(cè)可獲取嘴巴內(nèi)輪廓上角點(diǎn)的坐標(biāo)，通過對(duì)這些坐標(biāo)點(diǎn)進(jìn)行曲線擬合可獲取嘴唇的內(nèi)輪廓曲線，從而更準(zhǔn)確地計(jì)算張口度的值。嘴唇區(qū)域的Harris角點(diǎn)檢測(cè)結(jié)果如圖2所示。

嘴唇的內(nèi)輪廓形似拋物線，因而本文選取分段拋物線作為擬合曲線，采用最小二乘法獲取嘴唇內(nèi)輪廓線，建立相應(yīng)的數(shù)學(xué)模型。由于Harris角點(diǎn)提供的坐標(biāo)是基于圖像像素點(diǎn)的坐標(biāo)，因而角點(diǎn)坐標(biāo)值受到圖像尺寸的影響，在進(jìn)行擬合前要對(duì)坐標(biāo)進(jìn)行相應(yīng)的變換。本文以檢測(cè)到的最左側(cè)角點(diǎn)（x0，y0)為坐標(biāo)原點(diǎn)，其它點(diǎn)的坐標(biāo)均轉(zhuǎn)化為該點(diǎn)的相對(duì)坐標(biāo)，并以最左側(cè)和最右角點(diǎn)坐標(biāo) （x0，y0)、（xn，yn)的連線為水平坐標(biāo)軸創(chuàng)建坐標(biāo)系，如圖3所示。

設(shè)任意一點(diǎn) （xi，yi)變換后的坐標(biāo)為，)，則有：

Figure 3 Mouth inner contour curves coordinate transformation diagram圖3 嘴巴內(nèi)輪廓曲線坐標(biāo)轉(zhuǎn)換示意圖

其中，θ為嘴角連線相對(duì)水平位置的夾角，且：

當(dāng)檢測(cè)到兩個(gè)嘴角的縱坐標(biāo)相差很大時(shí)，表明頭部產(chǎn)生了傾斜，此時(shí)需要根據(jù)公式（9)對(duì)檢測(cè)到的嘴唇輪廓點(diǎn)進(jìn)行坐標(biāo)轉(zhuǎn)換。

利用公式（7)完成坐標(biāo)轉(zhuǎn)換后，進(jìn)行分段二次函數(shù)最小二乘曲線擬合得到嘴巴張開時(shí)的內(nèi)輪廓曲線，如圖4所示。其對(duì)應(yīng)的數(shù)學(xué)模型如下：

其中，a1＜0，a2＞0，f1（x)對(duì)應(yīng)上嘴唇內(nèi)輪廓曲線，f2（x)對(duì)應(yīng)下嘴唇內(nèi)輪廓曲線。

Figure 4 Mouth inner contour curve fitting diagram圖4 嘴巴內(nèi)輪廓曲線擬合結(jié)果

3 哈欠檢測(cè)

3.1 張口度曲線

人在打哈欠時(shí)，嘴巴最明顯的特征就是張開的程度會(huì)變大，并且較大的張口度會(huì)維持一段時(shí)間。由于嘴唇內(nèi)輪廓區(qū)域高寬比相對(duì)于嘴唇外輪廓高寬比更能夠反映張口度的大小，因此本文依據(jù)嘴唇的內(nèi)輪廓，給出張口度的定義為：嘴巴張開時(shí)，嘴唇內(nèi)輪廓曲線所圍區(qū)域的高度與寬度的比值為：

其中，H表示嘴巴張開的高度；L表示兩個(gè)嘴角間的距離，如圖3所示；x1和x2為上下嘴唇內(nèi)輪廓曲線的交點(diǎn)的橫坐標(biāo)。對(duì)每一幀視頻實(shí)時(shí)求取張口度即可生成張口度曲線。為了描述方便，將張口度隨時(shí)間變化的曲線稱為M曲線。

3.2 哈欠初次判決

已有的哈欠檢測(cè)方法由于未考慮張口度持續(xù)時(shí)間，容易將瞬時(shí)張大嘴巴如驚訝等誤判為哈欠，為此，本文在張口度閾值的基礎(chǔ)上增加張口持續(xù)幀數(shù)的檢測(cè)；同時(shí)，為了滿足哈欠檢測(cè)的實(shí)時(shí)性，本文的哈欠檢測(cè)分兩步進(jìn)行：

第1步 根據(jù)張口度閾值進(jìn)行哈欠初判；

第2步 對(duì)條件區(qū)域的哈欠進(jìn)行二次判決。

現(xiàn)有哈欠檢測(cè)的文獻(xiàn)中并沒有給出一個(gè)準(zhǔn)確的哈欠閾值，本文張口度的閾值根據(jù)多次實(shí)驗(yàn)的經(jīng)驗(yàn)值確定。張口度超過βT的持續(xù)幀數(shù)記為t。如果是由驚訝或者大聲講話所導(dǎo)致的瞬時(shí)嘴巴張大，張口度超過閾值的持續(xù)時(shí)間必然會(huì)很小，因此，可按照張口度超過閾值βT的持續(xù)幀數(shù)t進(jìn)行哈欠初判。判決規(guī)則如下：

（1)當(dāng)t∈ （0，T1)時(shí)，為非哈欠區(qū)。在此區(qū)域內(nèi)的點(diǎn)表示嘴巴張大維持的時(shí)間短，可能是驚訝等表情引起的嘴巴瞬間張大。

（2)當(dāng)t∈ ［T1，T2)時(shí)，為條件哈欠區(qū)。在此區(qū)域不能直接判別是否產(chǎn)生了哈欠，需進(jìn)行二次判決。

（3)當(dāng)t∈ ［T2，150)時(shí)，為絕對(duì)哈欠區(qū)。在此區(qū)域內(nèi)嘴巴張大的持續(xù)時(shí)間長(zhǎng)，因此可以判定為產(chǎn)生了哈欠。

其中，T1和T2的值根據(jù)多次實(shí)驗(yàn)的經(jīng)驗(yàn)值確定，時(shí)間維度的哈欠判別區(qū)域劃分如圖5所示。其中，整個(gè)檢測(cè)時(shí)間范圍內(nèi)張口度均未達(dá)到判決門限βT的被認(rèn)為是嘴巴正?；顒?dòng)狀態(tài)，如講話等。

3.3 哈欠二次判決

對(duì)條件哈欠區(qū)的情況，需要進(jìn)行二次判別。二次判別的依據(jù)是哈欠的過程比大聲說話或瞬間張大嘴的過程要長(zhǎng)，因此稍低于初次判決門限βT的張口度會(huì)持續(xù)更長(zhǎng)的時(shí)間（對(duì)應(yīng)于嘴小的人)；而瞬時(shí)的張大嘴或大聲說話時(shí)稍低于判決門限βT的張口度持續(xù)時(shí)間仍然很短。為此，取二次判決閾值為張口度，持續(xù)時(shí)間為T′，即已處于條件區(qū)域且滿足張口度超過β′T的持續(xù)幀數(shù)在T′以上時(shí)，才被判定為產(chǎn)生了哈欠，否則未產(chǎn)生哈欠。

Figure 5 Yawning discrimination zoning in time dimension圖5 時(shí)間維度的哈欠判別區(qū)域劃分

4 實(shí)驗(yàn)結(jié)果與分析

選擇不同性別、不同年齡的192名測(cè)試者，在實(shí)驗(yàn)室和駕駛室分別進(jìn)行視頻采集。測(cè)試者的年齡和性別的分布如表1所示。測(cè)試者在錄制視頻時(shí)，可以打哈欠、講話、面露驚訝的表情，頭部可以傾斜、扭轉(zhuǎn)，靠近或者遠(yuǎn)離攝像頭，每人至少打一次哈欠，有一次驚訝張嘴，講話若干。選取180段視頻進(jìn)行哈欠檢測(cè)：至少包含了一次哈欠的視頻共60段，至少包含了一次驚訝張大嘴的視頻共60段，無哈欠也無驚訝張嘴的視頻共60段。經(jīng)過多次反復(fù)實(shí)驗(yàn)得出：典型的哈欠是張口度超過0.65，且持續(xù)幀數(shù)大于或等于25幀；對(duì)少數(shù)嘴較小的測(cè)試者的哈欠是張口度超過0.5，且持續(xù)幀數(shù)大于或等于125幀；由于驚訝等導(dǎo)致的瞬時(shí)張大嘴，開口度大于0.65的持續(xù)時(shí)間不超過25幀；由于驚訝等導(dǎo)致的瞬時(shí)張大嘴，開口度大于0.5的持續(xù)時(shí)間不超過125幀。因而，取哈欠初次判決的開口度閾值βT＝0.65，持續(xù)時(shí)間閾值為T1＝25幀，T2＝75幀，二次判決的開口度閾值β′T＝0.5，條件哈欠區(qū)開口度超過β′T的張口持續(xù)時(shí)間閾值為T′＝125幀。

Table 1 Age distribution of the testers表1 測(cè)試者年齡分布

（1)內(nèi)輪廓角點(diǎn)擬合與嘴唇邊界獲取張口度的對(duì)比實(shí)驗(yàn)。

為了說明采用內(nèi)輪廓角點(diǎn)擬合方法計(jì)算嘴唇內(nèi)輪廓獲取張口度的優(yōu)越性，給出本文方法與文獻(xiàn)［4］中的方法對(duì)比實(shí)驗(yàn)，如圖6所示。文獻(xiàn)［4］中計(jì)算張口度的方法是現(xiàn)有張口度計(jì)算方法的代表，該類方法在利用人臉比例關(guān)系粗定位嘴唇的檢測(cè)范圍后，采用梯度積分投影和唇色模型結(jié)合的方法定位嘴唇的上下左右邊界，從而獲取張口高寬比。該類方法存在的不足是：（1)張口度的計(jì)算會(huì)受到嘴唇厚度的影響，如圖6b所示；（2)當(dāng)被測(cè)者頭部存在較大角度偏轉(zhuǎn)時(shí)，嘴唇的左右邊界容易檢測(cè)失敗，如圖6d所示。

Figure 6 Comparison of mouth open degree obtained by inner contour curve fitting and mouth border detection圖6 嘴唇內(nèi)輪廓擬合與邊界獲取張口度的對(duì)比

（2)瞬時(shí)張大嘴與哈欠的對(duì)比實(shí)驗(yàn)。

圖7是包含了一次由驚訝導(dǎo)致的瞬時(shí)嘴巴張大和一次張口度較小的哈欠，其中A段對(duì)應(yīng)一次驚訝時(shí)的突然張嘴，B段對(duì)應(yīng)一次張口度較小的哈欠。由圖7可看出，若僅用張口度閾值βT進(jìn)行判別，則A段被誤判為哈欠；若用張口度βT加上超過βT的持續(xù)時(shí)間t進(jìn)行判別，A段不會(huì)被誤判，同時(shí)，B段則被判為條件哈欠區(qū)的哈欠，需要進(jìn)行二次判決。二次判決時(shí)，采用的張口度閾值為β′T，持續(xù)時(shí)間閾值為T′，經(jīng)過二次判決后，B段被判定為哈欠。

對(duì)應(yīng)的視頻幀及嘴唇內(nèi)輪廓曲線擬合結(jié)果如圖8所示。由圖8可知，驚訝時(shí)張嘴與哈欠時(shí)張嘴的大小區(qū)別不大，僅用張口度閾值是很難將二者區(qū)別開的。但是，驚訝時(shí)張大嘴的持續(xù)時(shí)間明顯要短于哈欠，因而可利用該特點(diǎn)將如驚訝等的瞬時(shí)張大嘴的情況與哈欠區(qū)別開來。

對(duì)圖8所示的驚訝時(shí)張大嘴的視頻，利用本文

Figure 7 Mouth open degree curve containing a yawning and an instant mouth opening圖7 包含了一次瞬時(shí)張嘴和哈欠的張口度曲線

方法與其他文獻(xiàn)中的方法進(jìn)行哈欠檢測(cè)，檢測(cè)結(jié)果如表2所示。

Table 2 Experimental results of mouth open caused by surprising misjudged as by yawning表2 驚訝張口被誤判為哈欠的實(shí)驗(yàn)結(jié)果

從表2可看出，本文結(jié)合張口度與持續(xù)時(shí)間根據(jù)張口度曲線對(duì)哈欠進(jìn)行二次判決，能區(qū)分出瞬時(shí)的嘴巴張大的情況，從而降低哈欠的誤檢率。

（3)總的檢測(cè)結(jié)果對(duì)比。

各種方法檢測(cè)率如表3所示。從表3可看出，本文對(duì)哈欠的誤判和漏判率均低于其他文獻(xiàn)中的方法。

Figure 8 Video frames and their inner contour curve fitting result of surprising and yawning圖8 驚訝和哈欠對(duì)應(yīng)的視頻幀及其內(nèi)輪廓擬合結(jié)果

Table 3 Yawning detection rate of different methods表3 不同方法的哈欠檢測(cè)率 %

5 結(jié)束語

本文根據(jù)打哈欠時(shí)嘴巴具有張口度大和持續(xù)時(shí)間較長(zhǎng)的特點(diǎn)，針對(duì)現(xiàn)有哈欠檢測(cè)方法的不足，提出一種基于嘴巴內(nèi)輪廓角點(diǎn)擬合的哈欠檢測(cè)方法。由于角點(diǎn)擬合綜合考慮了多個(gè)嘴唇輪廓點(diǎn)的信息，利用角點(diǎn)坐標(biāo)擬合嘴唇的內(nèi)輪廓曲線，相對(duì)于僅僅依賴少數(shù)幾個(gè)點(diǎn)進(jìn)行嘴角和上下嘴唇邊界定位來計(jì)算張口度的方法，結(jié)果更加可靠和準(zhǔn)確；對(duì)于存在大角度頭部扭轉(zhuǎn)的張口度，依靠嘴唇邊界計(jì)算張口度的方法會(huì)失效，但本文方法則仍然可以得到與真實(shí)張口度足夠近似的值；利用張口度和張口持續(xù)時(shí)間進(jìn)行二次哈欠判決，先區(qū)分最易判別的狀態(tài)，對(duì)其它不易判別的情況進(jìn)行二次判決，可有效地將哈欠與其它各種瞬時(shí)張大嘴的情況區(qū)別開。該方法也存在著一定的不足，擬合與二次判決在提高判決準(zhǔn)確性的同時(shí)，也影響檢測(cè)的速度，每秒處理幀數(shù)約25幀，但仍能滿足實(shí)時(shí)檢測(cè)的需要。

［1］ Lu Yu-feng，Wang Zeng-cai.Detecting driver yawning in successive images［C］∥Proc of the 1st International Conference on Bioinformatics and Biomedical Engineering，2007：581-583.

［2］ Abtahi S，Hariri B，Shirmohammadi S.Driver drowsiness monitoring based on yawning detection［C］∥Proc of IEEE Instrumentation and Measurement Technology Conference，2011：1-4.

［3］ Omidyeganeh M，Javadtalab A，Shirmohammadi S.Intelligent driver drowsiness detection through fusion of yawning and eye closure［C］∥Proc of IEEE International Conference on Virtual Environments Human-Computer Interfaces and Measurement Systems，2011：1-6.

［4］ Wang Tie-sheng，Shi Peng-fei.Yawning detection for determining driver drowsiness［C］∥Proc of the IEEE International Workshop on VLSI Design ＆ Video Technology，2005：373-376.

［5］ Zhao Ming-hua，You Zhi-sheng，Mu Wan-jun，et al.Face detection based on skin color segmentation，mathematical morphology and geometry［J］.Journal of Sichuan University（Natural Science Edition)，2005：42（3)：617-620.（in Chinese)

［6］ Liew A W C，Leung S H，Lan W H.Segmentation of color lip image by spatial fuzzy clustering［J］.IEEE Transactions on Fuzzy System，2003，11（4)：542-549.

［7］ Rabi G，Si Wei-lu.Energy minimization for extracting mouth curves in facial image［C］∥IEEE International Conference on Intelligent Information Systems，1997：381-385.

附中文參考文獻(xiàn)：

［5］ 趙明華，游志勝，穆萬軍，等.基于膚色分割、數(shù)學(xué)形態(tài)學(xué)和幾何方法的人臉檢測(cè)［J］.四川大學(xué)學(xué)報(bào)（自然科學(xué)版)，2005，42（3)：617-620.

Yawning detection based on mouth feature point curve fitting

XIE Guo-bo，CHEN Yun-hua，ZHANG Ling，DING Wu-yang
（College of Computer，Guangdong University of Technology，Guangzhou 510006，China)

In yawning detection for fatigue analysis，it is difficult to get the exact location of the two mouth corners，the open size and open duration varies for different individuals.For this problem，it proposes a yawning detection method based on mouth inner contour corner detection and curve fitting of those corner points.Firstly，several points are located on the contour of the mouth by corner detection.Secondly，the mathematical model of the mouth inner contour is established by curve fitting to those points.Thirdly，the mouth openness curve is analyzed in the time sequence to identify the yawning twice.Experimental results show that this method can obtain more precise mouth openness，and reduce false detection rate of yawning.

corner detection；contour extraction；curve fitting；yawning detection

TP317.4

A

10.3969/j.issn.1007-130X.2014.04.027

2012-08-27；

2012-12-30

廣東省教育部產(chǎn)學(xué)研項(xiàng)目（2012B091000058)；廣東省重點(diǎn)實(shí)驗(yàn)室建設(shè)專項(xiàng)項(xiàng)目（2011A091000046)

通訊地址：510006廣東省廣州市廣州大學(xué)城廣東工業(yè)大學(xué)計(jì)算機(jī)學(xué)院計(jì)算機(jī)工程系

Address：Department of Computer Engineering，College of Computer，Guangdong University of Technology，Guangzhou 510006，Guangdong，P.R.China

1007-130X（2014)04-0731-06

謝國(guó)波（1977-)，男，廣東五華人，博士，副教授，CCF會(huì)員（E200031488M)，研究方向?yàn)橛?jì)算機(jī)視覺和精神疲勞監(jiān)測(cè)。E-mail：guoboxie＠163.com

XIE Guo-bo，born in 1977，PhD，associate professor，CCF member（E200031488M)，his research interests include computer vision，and mental fatigue monitoring.

陳云華（1977-)，女，湖北仙桃人，博士生，講師，研究方向?yàn)橛?jì)算機(jī)視覺、精神疲勞監(jiān)測(cè)和可拓檢測(cè)。E-mail：chenyh＿winy＠163.com

CHEN Yun-hua，born in 1977，PhD candidate，lecturer，her research interests include computer vision，mental fatigue monitoring，and extension detection.

張靈（1968-)，女，廣西合浦人，博士，教授，研究方向?yàn)橹悄芸刂萍夹g(shù)、數(shù)字信號(hào)處理和自動(dòng)化裝備。E-mail：june4567＠21cn.com

ZHANG Ling，born in 1968，PhD，professor，her research interests include intelligent control technology，digital signal processing，and automation equipment.

丁伍洋（1988-)，男，湖北咸寧人，碩士生，研究方向?yàn)榍度胧较到y(tǒng)開發(fā)和圖像處理。E-mail：dingwuyang0902＠sina.com

DING Wu-yang，born in 1988，MS candidate，his research interests include embedded system development，and image processing.