嘴部
- 基于Dlib的面部疲勞檢測模型
分別對眼部特征、嘴部特征和頭部姿態(tài)進行計算,并將結(jié)果實時發(fā)送給狀態(tài)預(yù)測器。狀態(tài)預(yù)測器的任務(wù)是對疲勞狀態(tài)進行判定,不依賴于單一參數(shù),而是結(jié)合眼部、嘴部和頭部姿態(tài)進行綜合度量。例如,人在打瞌睡時,除了會閉眼,頭部也會下垂;打哈欠時,除了嘴部的張開角度比說話時大,還會出現(xiàn)閉眼的情況。圖1 面部疲勞狀態(tài)檢測模型框架Fig.1 Framework of facial fatigue state detection modelDlib庫提供了dlib.get_forn
軟件工程 2023年12期2023-12-06
- 基于面部多特征融合的疲勞駕駛檢測綜述
，主要通過眼部、嘴部和頭部姿態(tài)進行分析。輕微疲勞的特征體現(xiàn)為眨眼次數(shù)增多、間歇式打哈欠等；中度疲勞的特征體現(xiàn)為頻繁眨眼且經(jīng)常性揉眼睛、經(jīng)常性點頭、頭部有輕微昏沉等；重度疲勞的特征體現(xiàn)為眼睛干澀且閉合時間較長、頻繁打哈欠、反應(yīng)遲鈍或無法集中注意力等。疲勞駕駛判別所需的具體特征行為如圖1 所示。圖1 疲勞駕駛判別所需的面部特征Fig.1 Facial features required for fatigue driving discrimination1.3
計算機工程 2023年11期2023-11-18
- 基于人臉識別的工程機械作業(yè)人員疲勞檢測系統(tǒng)研究
對神經(jīng)網(wǎng)絡(luò)提取的嘴部狀態(tài)特征進行了分類，判斷是否在打哈欠狀態(tài)。以上3 種方法只是提取了嘴部的狀態(tài)特征，特征太單一，準(zhǔn)確率不夠。因此，設(shè)計了一個能檢測操作人員的疲勞檢測系統(tǒng)，該檢測系統(tǒng)利用眼部和嘴部的特征來判斷操作人員是否疲勞，相比較上述幾人提取的單一特征方法，本檢測系統(tǒng)的實時性、定位快和準(zhǔn)確率要高一些。利用工程機械上安裝的攝像頭采集到作業(yè)人員的人臉數(shù)據(jù)信息，通過運用Opencv 人臉識別工具對采集的面部圖像進行灰度化處理，利用Dlib 庫標(biāo)定人臉的68 個
裝備制造技術(shù) 2023年5期2023-07-26
- 基于Dlib和變種Transformer的哈欠檢測方法
臉對齊，通過檢測嘴部區(qū)域的快速溫度變化判斷駕駛員的打哈欠行為，但未考慮大幅度張嘴呼吸以及咳嗽等特殊情況。史瑞鵬等人[5]提出了一種基于多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)（Multi-Task Convolutional Neural Network，MTCNN）的加速優(yōu)化算法，對圖像中駕駛員是否存在張嘴行為進行分類，以嘴部持續(xù)張開時間作為評判駕駛員是否打哈欠的標(biāo)準(zhǔn)，但此類方法分類標(biāo)準(zhǔn)無法準(zhǔn)確度量，無法確定嘴部持續(xù)張開時間閾值，只能根據(jù)經(jīng)驗給出，無法達到最優(yōu)效果。王超等[6
汽車技術(shù) 2023年3期2023-03-25
- 人體關(guān)鍵點檢測及教學(xué)應(yīng)用之人臉表情識別
關(guān)鍵點及放大后的嘴部特征點，其中上下嘴唇中間特征點標(biāo)號分別是13、14。圖1 MediaPipe識別的臉部關(guān)鍵點及嘴部放大圖首先從嘴部坐標(biāo)識別入手，了解臉部關(guān)鍵點檢測過程，并借助上下嘴唇中間關(guān)鍵點坐標(biāo)距離做一個控制舵機的程序，控制對應(yīng)的開源機器人模仿人開口說話；然后通過OpenMMlab開發(fā)的MMEdu工具，體驗基于MMEdu實現(xiàn)的表情識別，了解表情識別的流程；接著介紹蘋果系統(tǒng)如何通過unity插件，把采集到的人臉關(guān)鍵點信息投射到數(shù)字人臉部，讓數(shù)字人擁有人
中國信息技術(shù)教育 2023年1期2023-01-30
- 小號演奏中嘴部壓力與氣息壓力的協(xié)調(diào)
握不到位、吹奏時嘴部壓力與氣息壓力協(xié)調(diào)性不足、難以靈活嫻熟使用小號吹奏唇震及氣息控制技巧的問題，在高音區(qū)吹奏時音色尖銳刺耳，在中低音區(qū)吹奏時音色斷斷續(xù)續(xù)，嚴(yán)重影響受眾的審美享受與欣賞體驗。實際上，小號演奏中嘴唇與氣息具有相輔相成、相互約束的關(guān)系，有必要深入認(rèn)識氣息與嘴唇壓力協(xié)調(diào)的重要性，靈活運用氣息參與、音高調(diào)節(jié)、音色調(diào)整及唇部肌肉震動等技巧以完美詮釋小號作品，進一步推動小號演奏朝向規(guī)范化、高質(zhì)量發(fā)展。一、小號演奏中嘴部壓力與氣息壓力協(xié)調(diào)的重要性小號演奏中
戲劇之家 2022年10期2022-11-13
- 淺析小號演奏中的唇震
奏者的身體條件、嘴部肌肉控制能力、唇震技巧有極高要求。在小號演奏技巧不斷創(chuàng)新的今天，小號演奏者更加看重基本功的訓(xùn)練，在唇震技巧訓(xùn)練中，不能僅看重嘴唇肌肉活動，更要注重與氣息連貫、聲音質(zhì)量、演奏音準(zhǔn)等方面的結(jié)合，以確保良好的演奏效果。（三）唇震技巧訓(xùn)練是小號演奏藝術(shù)的長期訓(xùn)練內(nèi)容小號樂器唇部震動訓(xùn)練需要做到氣息連貫、音準(zhǔn)正確，是一項長期的訓(xùn)練任務(wù)，演奏者需充分震動唇部肌肉，呈現(xiàn)多樣的音色及音量。有時候，演奏者在小號演奏過程中需要補充額外力量，從而造成氣息丟失
戲劇之家 2022年24期2022-10-31
- 基于Adaboost和LBP算法的實時疲勞駕駛預(yù)警算法
的自動識別面部和嘴部方法。通過使用多尺度形態(tài)學(xué)進行面部和嘴部的特征提取。該方法利用運動信息對人臉區(qū)域進行定位，并通過對人臉區(qū)域的處理確定眼睛的位置。根據(jù)以上基于人臉識別方法的描述，將人臉識別技術(shù)應(yīng)用于駕駛員疲勞駕駛檢測的方法應(yīng)運而生。2015年，Zhang等[5]根據(jù)經(jīng)驗知識采用快速魯棒性面部檢測算法來描述和規(guī)范化面部表情圖像，基于局部特征，對面部采用局部二進制模式算子(Local Binary Pattern, LBP)方式表示，并且發(fā)現(xiàn)LBP功能在疲勞
微型電腦應(yīng)用 2022年5期2022-07-12
- 人愛吃零食的原因
人放松。當(dāng)食物與嘴部皮膚接觸時，一方面它能夠通過皮膚神經(jīng)將感覺信息傳遞到大腦中樞而產(chǎn)生一種慰藉，使人通過與外界物體的接觸而消除內(nèi)心的孤獨;另一方面，當(dāng)嘴部接觸食物并做咀嚼和吞咽運動的時候，可以使人對緊張和焦慮的注意中心轉(zhuǎn)移，在大腦的攝食中樞產(chǎn)生另外一個興奮區(qū)，最終使身心得以放松。吃零食能補充大腦營養(yǎng)。工作、學(xué)習(xí)了好幾個小時后，大腦需要補充營養(yǎng)，而這時小零食就起作用了。有些零食含豐富的營養(yǎng)素，糖分和脂肪相對較低，是日常理想的零食。適當(dāng)吃零食并不算一件壞事，不
祝您健康·文摘版 2022年7期2022-07-07
- 基于人體關(guān)鍵點和YOLOv4的吸煙行為檢測
的過程中，手部到嘴部的距離是有節(jié)奏、有規(guī)律的，一段時間內(nèi)的這種過程可以認(rèn)定為一個吸煙周期，將人體吸煙行為檢測轉(zhuǎn)化為基于深度學(xué)習(xí)的人體姿態(tài)估計問題來解決。劉婧等利用人體關(guān)節(jié)點信息，關(guān)注關(guān)節(jié)點的運動軌跡，檢測運動軌跡是否符合周期性規(guī)律進行吸煙動作識別[6]。由于吸煙行為和其他行為(如吃飯、打電話)存在一定的相似性，因此當(dāng)圖像中的手部動作不清晰或不完整時，很難準(zhǔn)確地檢測出吸煙行為。也有一些學(xué)者將吸煙行為檢測轉(zhuǎn)化為基于深度學(xué)習(xí)的煙頭目標(biāo)檢測問題來解決。其中，一類方
陜西師范大學(xué)學(xué)報（自然科學(xué)版） 2022年3期2022-06-07
- 基于多特征融合的疲勞駕駛狀態(tài)識別方法研究
括眼部疲勞信息、嘴部疲勞信息和頭部疲勞信息，識別方法可分為單一特征疲勞信息識別和多特征疲勞信息識別，而單一特征疲勞信息識別的準(zhǔn)確率有待提高［6］.本文主要根據(jù)多特征疲勞信息來進行疲勞駕駛狀態(tài)識別.首先，基于SVM的睜閉眼狀態(tài)識別算法判斷眼部疲勞狀態(tài)，然后通過嘴部高寬比和點頭頻率判斷嘴部和頭部疲勞狀態(tài)，最后融合多特征進行疲勞駕駛狀態(tài)識別.1 眼部疲勞狀態(tài)判斷1.1 人眼定位使用由Kazemi 和Sullivan 提出的基于級聯(lián)回歸樹的人臉關(guān)鍵點定位算法進行人
湖南大學(xué)學(xué)報（自然科學(xué)版） 2022年4期2022-05-06
- 淺析小號演奏中的唇振
。演奏者的身體、嘴部肌肉、心態(tài)等都處于緊張狀態(tài)，這就會對振動情況造成影響，甚至無法保證演奏節(jié)奏的持續(xù)性。在小號演奏技巧不斷創(chuàng)新的今天，更加看重對小號演奏者基本功夫的訓(xùn)練，在唇振技巧訓(xùn)練中，不能僅看重嘴唇肌肉活動，更要注重與氣息連貫、聲音質(zhì)量、演奏音準(zhǔn)等方面的結(jié)合，以確保呈現(xiàn)出良好的演奏效果。小號樂器唇部振動訓(xùn)練需要做到氣息連貫、音準(zhǔn)正確，是一項長期的訓(xùn)練任務(wù)，演奏者需要充分振動唇部，從而呈現(xiàn)出多樣的音色及音量。很多時候演奏者在小號演奏過程中，需要補充額外的
戲劇之家 2022年7期2022-03-10
- 利用Kalman濾波和Hungarian算法的多目標(biāo)奶牛嘴部跟蹤及反芻監(jiān)測
算法的多目標(biāo)奶牛嘴部跟蹤及反芻監(jiān)測毛燕茹1,2,3，牛 童1,2，王 鵬1,3，宋懷波1,2,3，何東健1,2,3※（1. 西北農(nóng)林科技大學(xué)機械與電子工程學(xué)院，楊凌 712100；2. 農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點實驗室，楊凌 712100；3. 陜西省農(nóng)業(yè)信息感知與智能服務(wù)重點實驗室，楊凌 712100）針對奶牛養(yǎng)殖場復(fù)雜環(huán)境下多目標(biāo)奶牛嘴部自動跟蹤及反芻監(jiān)測困難的情況，該研究提出了一種基于嘴部區(qū)域跟蹤的多目標(biāo)奶牛反芻行為智能監(jiān)測方法。在YOLOv4模型識別
農(nóng)業(yè)工程學(xué)報 2021年19期2021-12-28
- 基于視覺檢測的語音導(dǎo)航抗干擾系統(tǒng)
視覺信息檢測司機嘴部說話狀態(tài)，進而控制語音導(dǎo)航的控制權(quán)限可以有效減少乘客語音和外部環(huán)境的干擾?，F(xiàn)有方法通過相位空間分析嘴部區(qū)域整體像素值的變化特性來判斷嘴部說話狀態(tài)［8］。該方法可有效地減少光照對于像素值變化的影響。然而，該方法無法消除因為頭部移動引起的像素值變化，導(dǎo)致說話狀態(tài)的誤判。同時，對閉嘴音的說話狀態(tài)效果欠佳。針對上述問題，本文設(shè)計開發(fā)一種基于視覺檢測的自適應(yīng)語音導(dǎo)航抗干擾系統(tǒng)。系統(tǒng)由司機正面設(shè)置的攝像頭對臉部的主要特征點進行檢測。通過判定面部方向
現(xiàn)代計算機 2021年28期2021-12-02
- 基于MTCNN的多特征融合學(xué)生疲勞檢測算法研究
方式精確提取眼、嘴部特征區(qū)域，用神經(jīng)網(wǎng)絡(luò)對特征區(qū)域的圖像分類；最后，將眼部PERCLOS值與嘴部MAR值相結(jié)合，實現(xiàn)疲勞檢測，并在實際教室環(huán)境中取得了理想的效果。1 算法原理本文提出的疲勞檢測算法的總體流程如圖1所示。圖1 疲勞檢測流程1.1 人臉檢測及關(guān)鍵點定位疲勞檢測過程中，第一點便是要對學(xué)生的面部進行準(zhǔn)確的檢測和關(guān)鍵點的定位。由于人的面部容易受到光照、發(fā)型、佩戴眼鏡的影響，在這些復(fù)雜的環(huán)境下，使用傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)檢測效果較差。因此，本文采用多任務(wù)級聯(lián)
智能計算機與應(yīng)用 2021年9期2021-11-12
- 基于面部特征融合的駕駛員疲勞檢測
疲勞分析，眼部和嘴部包含豐富的信息，且不易受外界干擾和人為因素影響。 Ursulescu等人［4］使用眨眼檢測來檢測眼睛所表征的睡意，并測量每一次連續(xù)眨眼之間的持續(xù)時間。 在Bhone 的工作中［5］，通過計算每幀圖像眼睛的縱橫比（EAR）判斷眼睛狀態(tài)，如果低于閾值，則表明眼睛處于閉合狀態(tài)。 文獻［6］提出一種兩級神經(jīng)網(wǎng)絡(luò)的檢測方法。 該算法通過訓(xùn)練第一級網(wǎng)絡(luò)對人眼和非人眼進行分類，用第二級網(wǎng)絡(luò)檢測眼睛特征點的位置，根據(jù)特征點來計算眼睛張開程度，用PERC
智能計算機與應(yīng)用 2021年10期2021-02-25
- 圓號教學(xué)中嘴部教學(xué)的重要性及訓(xùn)練方法研究
多技巧的教學(xué)中，嘴部技巧的教學(xué)是最容易被忽視的環(huán)節(jié)。而學(xué)生也會因為某些技巧的欠缺而產(chǎn)生各種問題。造成這一現(xiàn)象的原因是因為嘴部技巧分類過細且過于繁多，教師在教學(xué)中往往會顧此失彼，如何將嘴部的相關(guān)技巧更全面的教授與學(xué)生，組織扎實的專項訓(xùn)練是關(guān)鍵所在。一、我國圓號教學(xué)的現(xiàn)狀分析圓號作為泛音樂器自傳入我國以來便難以得到音樂學(xué)習(xí)者的青睞，其原因則是因為圓號高難度的演奏技巧而導(dǎo)致的，很多圓號的愛好者也會因為學(xué)習(xí)周期過長、難以掌握音準(zhǔn)、無法吹奏出理想的音色等原因漸漸失去
黃河之聲 2020年19期2020-12-07
- 基于面部信息的挖掘機駕駛員疲勞特征提取
文提出一種眼部和嘴部信息的疲勞特征提取的方法,并設(shè)置閾值,將檢測到的特征數(shù)據(jù)與閾值比較，判斷是否睜眼或打哈欠。1 人臉區(qū)域定位1.1 圖像采集實驗圖像采集實驗在三一SY235C-8S型挖掘機上進行,通過攝像頭Microsoft Kinect 2.0(分辨率為1 920×1 080像素,30幀/s)采集人臉圖像。將采集到的圖像傳送到筆記本電腦進行處理,采用的電腦CPU配置為Intel(R)Core(TM)I7-8565U。實驗基于Visual C++6.0平
- 人愛吃零食的原因
人放松。當(dāng)食物與嘴部皮膚接觸時，一方面它能夠通過皮膚神經(jīng)將感覺信息傳遞到大腦中樞而產(chǎn)生一種慰藉，使人通過與外界物體的接觸而消除內(nèi)心的孤獨;另一方面，當(dāng)嘴部接觸食物并做咀嚼和吞咽運動的時候，可以使人轉(zhuǎn)移對緊張和焦慮的注意，在大腦的攝食中樞產(chǎn)生另外一個興奮區(qū)，使緊張興奮情緒得到抑制，最終使身心得以放松。吃零食能補充大腦營養(yǎng)。工作、學(xué)習(xí)七八個小時后，大腦需要補充營養(yǎng)，而這時小零食就可以起到作用了。有些零食含豐富的營養(yǎng)素，糖分和脂肪相對較低，是日常理想的零食。適當(dāng)
婦女生活 2020年9期2020-09-21
- 信息類型和位置對兒童不同時期面孔加工的作用 *
兒童相比，青少年嘴部加工能力顯著提高（Ge et al.,2008），13 和14 歲的青少年也比8 歲和9 歲兒童嘴部加工的表現(xiàn)更好（Liu et al., 2013）。因此，面孔加工發(fā)展中，個體優(yōu)先加工面孔上半部，但隨年齡增長，下半部加工水平也逐漸提高。三是信息類型（特征和結(jié)構(gòu)）和加工位置（眼部和嘴部）共同影響面孔加工發(fā)展的觀點（Tanaka et al., 2014）。Wang 等（2015）對成年個體加工本異族面孔時面孔信息類型和位置的作用進行了討
心理與行為研究 2020年6期2020-02-03
- 基于改進Faster R-CNN的嘴部檢測方法①
200093)嘴部識別對于機器人視覺交互具有重要的研究價值.給定任意一張人臉圖像,檢測并確定嘴的位置,在機器人控制交互式檢測系統(tǒng)尤為重要.實際場景下,由于嘴部的姿態(tài)、臉部的表情和光線變化較大,在不受約束的條件下拍攝圖片,高精度的嘴部檢測是一個具有挑戰(zhàn)性的問題.在以往的方法中,提取人工特征并將其作為二值分類進行建模求解已成為嘴部估計的標(biāo)準(zhǔn)步驟,這種方法難以處理姿態(tài)各異、狀態(tài)模型的嘴部.因此,建立一個機器人交互場景下的嘴態(tài)識別系統(tǒng)具有重要的理論與實際應(yīng)用價值
計算機系統(tǒng)應(yīng)用 2019年12期2019-12-20
- 基于視頻序列的危險駕駛預(yù)警技術(shù)研究
嘴巴張開度，通過嘴部張開的連續(xù)時間判斷哈欠行為的發(fā)生［2］。陳云華利用方差投影方法確定眼部、嘴部位置，并分別使用虹膜似圓比、輪廓橢圓擬合參數(shù)定義眼睛睜開度和嘴部張開度，實現(xiàn)眼部疲勞和哈欠行為識別［3］。但現(xiàn)有研究多局限于使用傳統(tǒng)的圖像處理方法來進行眼部、嘴部初步定位，傳統(tǒng)的定位方法涉及大量參數(shù)閾值，這使得系統(tǒng)在多變的環(huán)境中適應(yīng)性較差；且多數(shù)研究基于單幀圖像進行分類，缺少與時間維度的關(guān)聯(lián)，這使得算法魯棒性較弱。此外，多數(shù)危險駕駛預(yù)警系統(tǒng)僅使用疲勞特征來表征危
測控技術(shù) 2019年9期2019-10-18
- 高中素描頭像教學(xué)中提高嘴部刻畫能力的策略探究
的研究較多，而對嘴部這個臉部的最主要表情器官重視不夠。對素描頭像教學(xué)中怎樣提高學(xué)生對嘴部的刻畫能力進行分析和探究。關(guān)鍵詞：高中；素描；嘴部；唇形作為臉部的主要器官，嘴無疑是臉部運動范圍最大、最富有表情變化的部位，是構(gòu)成面部美的重要因素之一。嘴唇的動態(tài)變化非常豐富，只看嘴唇的形態(tài)，就能知道人物內(nèi)心是喜是悲。一、了解嘴部的構(gòu)造要畫好嘴首先需要了解其基本結(jié)構(gòu)。嘴部骨架部分可分為：上頜骨、下頜骨、牙齒。從造型上來看，嘴部可分為：人中、口裂線、上下嘴唇、嘴角，這些都
新課程·下旬 2019年3期2019-05-08
- 基于人臉關(guān)鍵點的表情實時動態(tài)遷移
獲取后通過本文的嘴部曲線擬合調(diào)整嘴部關(guān)鍵點的個數(shù)和位置，生成最終72個關(guān)鍵點。連續(xù)捕獲三幀，獲取幀間變化量dx，然后將目標(biāo)圖片人臉上獲取的關(guān)鍵點作為基本點，融合dx，生成目標(biāo)關(guān)鍵點，從目標(biāo)圖片獲取紋理信息，以目標(biāo)關(guān)鍵點為基礎(chǔ)進行紋理映射最后顯示。連續(xù)如上處理，即可獲得表情動態(tài)遷移效果?？傮w算法描述請看圖1。總體算法要求每一步的處理效率高，使得最后的視頻流暢性和實時性好，而且關(guān)鍵點的檢測準(zhǔn)確度必須很好，所以本文選用了關(guān)鍵點檢測準(zhǔn)確度高的dlib庫，在其公開的
現(xiàn)代計算機 2019年2期2019-03-02
- 一種基于多傳感器融合的疲勞駕駛檢測方法
采集駕駛員眼部、嘴部及車輛方向盤特征，再經(jīng)過狀態(tài)判別單元綜合處理，最終判定駕駛員是否處于疲勞駕駛狀態(tài)。通過三個特征的融合，開啟疲勞駕駛檢測門限條件，并對三種特征分別取不同的權(quán)重，運用Fisher線性判別算法進行分類，最終對駕駛員是否在疲勞駕駛做出判定。最后通過實驗驗證了基于多特征融合的疲勞檢測方法較之單一要素檢測的準(zhǔn)確率更高，并能夠?qū)崟r監(jiān)測，具有可行性與正確性。疲勞駕駛；方向盤特征；眼部特征；嘴部特征；特征融合1 引言隨著社會經(jīng)濟的發(fā)展，機動車輛與日俱增，
汽車實用技術(shù) 2018年24期2019-01-02
- 哈欠檢測研究綜述
測的基礎(chǔ)；第二，嘴部定位。打哈欠時，嘴部相較于人的正常狀態(tài)會持續(xù)張大數(shù)秒，嘴部就是研究檢測的重點；第三，特征提取。通過從定位到的嘴部圖像提取有效的特征信息作為打哈欠行為判定的參考；第四，哈欠判斷。根據(jù)所提取的特征信息，制定科學(xué)合理的模式判定規(guī)則和閾值，最后通過匹配判定打哈欠這一行為。2 現(xiàn)狀目前的哈欠檢測都是基于計算機圖形學(xué)進行分析研究的，所以研究的第一步就是進行圖像影像的采集。大部分的研究都是利用簡單的光學(xué)攝像機最為圖像的采集工具。同時，為了克服外界光影
現(xiàn)代計算機 2018年7期2018-12-21
- 基于多面部特征融合的駕駛員疲勞檢測算法①
, 計算眨眼率和嘴部動作頻率作為判斷疲勞駕駛的依據(jù)[5], 也有人主要針對眼鏡遮擋以及光照變化, 采取級聯(lián)回歸定位特征點,提出了一種更具魯棒性的算法[6].人臉包含了非常重要的信息. 作為駕駛員疲勞指標(biāo)之一, 臉部動態(tài)地表示困倦的特征是打哈欠, 這種行為通常與大腦中缺氧有關(guān). 在這種情況下, 人類的自然反應(yīng)就是張大嘴巴, 試圖呼吸更多的氧氣, 這是可以用作疲勞預(yù)警的一個面部特征. 另一個面部特征是眨眼率, 眨眼率表示一段時間內(nèi)眨眼的次數(shù). 在昏昏欲睡的狀態(tài)
計算機系統(tǒng)應(yīng)用 2018年10期2018-10-24
- 基于多幀間區(qū)域性光流特征的精神疲勞檢測
紋理特征首先判斷嘴部是否被遮擋，然后計算嘴部張開的高度與嘴部顯著性區(qū)域的比值，設(shè)定閾值來判斷嘴部狀態(tài)。以上方法從不同角度進行探索并且達到一定的檢測效果，但存在識別率低的問題。由人的先驗知識知，人產(chǎn)生疲勞時，嘴部和眼睛部位動作緩慢，動作強度低，所以本文應(yīng)用全局光流技術(shù)于疲勞表情。光流計算方法有相位[7]、能量[8]、匹配[9]和梯度[10]這4種。光流法具體分為：全局平滑法(HS)和局部平滑法(LK)[11]。由于局部平滑法對區(qū)域邊緣的運動估計不準(zhǔn)確的缺點。
計算機工程與設(shè)計 2018年8期2018-08-17
- 基于Horn-Schunck光流法的多目標(biāo)反芻奶牛嘴部自動監(jiān)測
通過手動選取奶牛嘴部區(qū)域，提出了基于視頻分析技術(shù)的奶牛反芻行為檢測方法，采用Mean Shift算法準(zhǔn)確跟蹤奶牛的下頜運動，提取出牛嘴部運動的質(zhì)心軌跡曲線，實現(xiàn)了奶牛反芻行為的監(jiān)測，但由于采用手動選取奶牛嘴部區(qū)域，自動化程度不高，不易實現(xiàn)多頭奶牛反芻行為的監(jiān)測。Andriamandroso等[18]提出了一種基于視頻分析技術(shù)的奶牛反芻行為檢測方法，結(jié)合慣性測量單元（inertia measuring unit, IMU）實現(xiàn)了奶牛反芻活動的監(jiān)測，通過對19
農(nóng)業(yè)工程學(xué)報 2018年10期2018-06-05
- 自閉癥譜系障礙者的面孔加工特點——眼動研究的元分析*
障礙者也回避注視嘴部。那么回避嘴部是否同樣可以作為評估標(biāo)準(zhǔn)？本研究運用元分析, 分別將面孔核心區(qū)域中眼睛和嘴部的注視時間作為結(jié)果變量, 探討自閉癥譜系障礙者面孔加工的注視特點。通過文獻檢索和篩查, 共有27篇眼動文獻被納入最終的元分析, 其中眼睛注視時間生成43個獨立效應(yīng)量(1343人), 在嘴部注視時間生成36個獨立效應(yīng)量(1112人)。結(jié)果發(fā)現(xiàn), 自閉癥譜系障礙組對眼睛的注視時間顯著少于普通被試組(= ?0.75), 但是兩組在嘴部注視時間上沒有顯著差
心理科學(xué)進展 2018年1期2018-01-19
- 4-6歲兒童對不同面部表情識別的眼動特征分析
變，如愉快表情的嘴部越來越重要，憤怒表情的眉眼部越來越重要。4-6歲兒童；表情識別；眼動研究面部表情是個人情緒在面部的集中體現(xiàn)。它作為非言語信號，在人們的社會交往中占據(jù)著十分重要的位置。面部表情的識別可以幫助我們理解他人的情緒情感，同時也能為自己在社會情境中的反映體會一定參考指標(biāo)。兒童對面部表情的識別能力在一定程度上能反映出其通過情緒表情推測他人內(nèi)部心理狀態(tài)的能力[1]。兒童在其特定的年齡階段，通過對一些簡單面部表情的識別，能夠幫助他們更好地進行情緒交流和
陜西學(xué)前師范學(xué)院學(xué)報 2017年10期2017-11-01
- 基于嵌入式平臺的人臉疲勞檢測算法
出一種基于眼部和嘴部相結(jié)合的人臉疲勞檢測算法，利用深度學(xué)習(xí)對人臉特征點進行定位，并通過眼部特征點計算PERCLOS參數(shù)，計算過程中詳細討論了不同特征對于PERCLOS參數(shù)提取的精確性，最后用角度特征來計算PERCLOS參數(shù)，同時將PERCLOS的時序信號進行頻域分析，進而檢測眼部代表的疲勞程度。與眼部協(xié)同的嘴部也是疲勞的重要指標(biāo)，詳細論述并提出了一種眼部和嘴部的疲勞協(xié)同參數(shù)。實驗結(jié)果表明本文提出的方法是有效的，可以定量反映人的疲勞程度。同時將其部署在移動端
大連民族大學(xué)學(xué)報 2017年3期2017-06-06
- 基于Adaboost和回歸樹集合技術(shù)的疲勞識別研究
記準(zhǔn)確定位眼睛和嘴部，最后用統(tǒng)計學(xué)的方法對用戶的工作狀態(tài)進行實時識別.與傳統(tǒng)方法相比，本文提出的方法在準(zhǔn)確度和實時性方面有了較大的提升，為疲勞診斷提供一條可借鑒的方案.VDT，疲勞監(jiān)測，Adaboost，回歸樹集合0 引言VDT（Visual Display Terminal）作業(yè)是指用計算機視覺顯示終端進行各類信息處理工作的總稱.VDT的作業(yè)方式雖大幅提升生產(chǎn)效率，但易激增工作壓力，誘發(fā)過度疲勞，甚至過勞死.《中國青年報》報道：我國每年過勞死人數(shù)達60萬
汕頭大學(xué)學(xué)報（自然科學(xué)版） 2017年2期2017-06-05
- 女人為什么喜歡吃零食
人放松 當(dāng)食物與嘴部皮膚接觸時，一方面它能夠通過皮膚神經(jīng)將感覺信息傳遞到大腦中樞而產(chǎn)生一種慰藉，使人通過與外界物體的接觸而消除內(nèi)心的孤獨；另一方面，當(dāng)嘴部接觸食物并做咀嚼和吞咽運動的時候，可以緩解緊張和焦慮心情。吃零食能補充大腦營養(yǎng) 平時上班族都會在抽屜里備上一些小零食，下午無聊時就會吃上幾包。這是因為一些零食含豐富的營養(yǎng)素，糖分和脂肪相對較低，是日常理想的零食。比如低脂奶酪、含粗纖維的餅干或一般的巧克力餅干、不太甜的面包和三明治等等。如果不是很饑餓，提子
人人健康 2017年1期2017-01-24
- 面部特征融合的電力作業(yè)頭疲勞檢測方法研究
P特征表示眼部和嘴部特征，利用訓(xùn)練好的分類器進行人臉檢測以及眼部、嘴部特征的提?。蛔詈?，根據(jù)眼部高寬比和嘴部寬高比分別對眼部閉合狀態(tài)和嘴部張閉狀態(tài)進行判別，并用PERCLOS原理統(tǒng)計員工眼部閉合頻率，結(jié)合打哈欠時嘴部規(guī)律性閉合情況來完成疲勞狀態(tài)判別。實驗結(jié)果表明：該方法能在復(fù)雜背景下快速檢測出疲勞狀態(tài)，具有較強的適應(yīng)性和魯棒性。疲勞作業(yè)檢測；AdaBoost；Retinex算法；Haar特征；LBP特征隨著電網(wǎng)規(guī)模的不斷擴大和操作過程的日益復(fù)雜化，電力各從
電網(wǎng)與清潔能源 2016年9期2016-12-13
- 基于SOPC的智能輔助飲食系統(tǒng)設(shè)計
圖像分析，定位出嘴部位置，再由FPGA產(chǎn)生持續(xù)PWM波控制機械臂的運動，將飲品送到使用者嘴邊進行飲用。該系統(tǒng)具有語音識別功能，全程通過語音進行人機交互，并具有自動添加飲品功能和水溫異常報警功能。嵌入式系統(tǒng)；定位；機械臂；語音識別隨著科技的發(fā)展，多自由度機械手臂廣泛應(yīng)用于生活、半導(dǎo)體制造、工業(yè)、醫(yī)療、軍事以及太空探索等領(lǐng)域。機械手臂能夠接受指令，精確地定位到三維（或二維）空間上的某一點進行作業(yè)。另外電子技術(shù)的發(fā)展也日新月異，已經(jīng)融入生活各個方面，智能化已經(jīng)成
實驗科學(xué)與技術(shù) 2016年6期2016-02-09
- 淺析柴可夫斯基《那波里舞曲》音樂作品
以下三點：（1）嘴部肌肉的正確使用；（2）舌尖位置的變換；（3）橫膈膜及腹肌的支撐。三者缺一不可。首先是嘴部肌肉的正確使用。吹奏高音時，我們的嘴部肌肉應(yīng)該成繃緊狀，而且音吹得越高繃得就要越緊。那么怎么樣才能繃緊我們的嘴部肌肉呢？先讓我們來發(fā)一下eeeee看看。我們的嘴在發(fā)e的時候，雖然兩邊的肌肉繃緊了，但嘴部中央的肌肉卻是松弛的。那么再讓我們來發(fā)一下mmmm試試看，在發(fā)mmmm時，我們嘴部中央的肌肉雖然繃緊了，但是兩邊嘴角的肌肉卻松弛下來了。因此我們要想使
戲劇之家 2015年9期2015-06-11
- 基于動態(tài)匹配模型的駕駛?cè)?span id="j5i0abt0b" class="hl">嘴部行為識別與分級預(yù)警*
匹配模型的駕駛?cè)?span id="j5i0abt0b" class="hl">嘴部行為識別與分級預(yù)警*付 銳1，程文冬2,3，張名芳2，袁 偉2，劉卓凡2，郭艷君2(1.長安大學(xué)，汽車運輸保障技術(shù)交通行業(yè)重點實驗室，西安 710064； 2.長安大學(xué)汽車學(xué)院，西安 710064；3.西安工業(yè)大學(xué)機電工程學(xué)院，西安 710032)鑒于嘴部行為能夠反映出駕駛?cè)瞬煌木駹顟B(tài)，本文中提出了一種基于機器視覺的嘴部行為識別與精神狀態(tài)預(yù)警方法。首先采用改進的高斯混合模型進行光照自適應(yīng)的唇色分割。然后在嘴唇區(qū)域內(nèi)建立了基于灰度能量
汽車工程 2015年9期2015-04-12
- 駕駛員疲勞檢測中的嘴部狀態(tài)研究
個重要信息集中點嘴部進行研究，分析嘴部在打哈欠和說話時的明顯區(qū)別，提出了嘴部狀態(tài)對疲勞駕駛檢測的影響。1 人臉定位人臉定位是疲勞檢測的第一步，它是指在一幅圖像或一段視頻流中找出人臉部分的過程，包括人臉的大小和位置[2]，同時將檢測到的人臉部分截取出來，進行后續(xù)的處理。人臉的精確定位對于后續(xù)檢測算法有很大的幫助。由于本算法針對的對象是駕駛員，采集到的圖像中只出現(xiàn)駕駛員，所以可以認(rèn)為是單人臉檢測。在目前的多種人臉檢測算法中，AdaBoost算法由于其快速和高精
電子設(shè)計工程 2015年2期2015-01-17
- 基于SUSAN算子的嘴部輪廓特征提取方法
SUSAN算子的嘴部輪廓特征提取方法戚銀城，苑 清，李 婷，楊秀芳(華北電力大學(xué)電氣與電子工程學(xué)院，河北保定071003)針對人臉識別中的嘴部定位部分輪廓缺失問題，提出了一種由粗到精的快速準(zhǔn)確的嘴部輪廓特征提取方法。該方法是在人臉檢測的基礎(chǔ)上采用改進的SUSAN算子提取嘴部邊緣輪廓信息，通過幾何特征和搜索區(qū)域相結(jié)合的方法實現(xiàn)了嘴唇輪廓的精確定位。仿真結(jié)果表明，該定位方法快速有效，正確率較高。輪廓提取;人臉檢測;SUSAN算子嘴唇輪廓提取是采用圖像分割的方法
電視技術(shù) 2014年23期2014-07-02
- 曲面造型方法的分析與應(yīng)用
底座、連接部分、嘴部4部分組成。由于連接部分的形狀和位置是由其余3部分的形狀和位置決定的，因此在造型時，可以先從把手、底座、嘴部入手，再創(chuàng)建連接部分。具體創(chuàng)建方法和步驟如下：（1）創(chuàng)建底座。該底座是一個圓臺形，可以在兩個平行基準(zhǔn)面上分別創(chuàng)建上、下兩個底面圓的草圖，如圖9所示。草圖1 為下底面圓，草圖2 為上底面圓，再利用曲面放樣命令完成。圖7 噴嘴外形 圖8 噴嘴組成部分（2）創(chuàng)建把手。該把手的截斷面均為圓頭四邊形，靠左邊從上到下是沿直線發(fā)展的，靠右側(cè)是沿
機械工程與自動化 2013年1期2013-07-20
- 基于YUV顏色空間的臉部區(qū)域特征點定位方法
主要集中在眼部與嘴部的精確定位上。在眼部區(qū)域定位研究方面，主要采用模板匹配法［8］、特征臉方法［9］、神經(jīng)網(wǎng)絡(luò)法［10］、基于對稱性的方法［11］和 Hough變換方法等。模板匹配方法、特征臉方法以及神經(jīng)網(wǎng)絡(luò)方法著重于眼部區(qū)域的整體特征，后兩種方法主要考慮幾何特性。上述方法在光照均勻、背景簡單時可行，但其計算量較大，不利于實時處理，且對光照、旋轉(zhuǎn)角度等的影響極為敏感，很難實現(xiàn)準(zhǔn)確定位。在嘴部區(qū)域定位研究方面，多采用局部梯度算子法［12］、主元特征矢量分析法
吉林大學(xué)學(xué)報（工學(xué)版） 2013年1期2013-04-12
- 基于改進MeanShift算法的視線跟蹤技術(shù)
URF算法的自動嘴部區(qū)域初始化MeanShift算法改進，使用SURF 函數(shù)實現(xiàn)嘴部檢測，然后使用MeanShift 跟蹤算法實現(xiàn)嘴唇跟蹤，通過嘴部運動產(chǎn)生新位置坐標(biāo)來控制鼠標(biāo)。1 SURF算法1.1 構(gòu)建Hessian 矩陣SURF 檢測算法是由Hessian 矩陣決定的，下面給出矩陣H：Lxx(X,t)是一幅圖像在不同解析度下的表示，可以利用高斯核G (t)與圖像函數(shù)I(X)在點 X=(x,y)的卷積來實現(xiàn)，核函數(shù)G(t) 具體表示如式(3)，g(t)
海軍航空大學(xué)學(xué)報 2010年2期2010-03-24
- 易建聯(lián)嘴部被縫50針
日報道，易建聯(lián)從嘴部到下巴的撕裂傷至少縫了40針到50針，他的復(fù)出計劃將再推數(shù)周。易建聯(lián)原本可以在7日籃網(wǎng)對尼克斯隊的比賽中復(fù)出。可在前一天的3對3對抗訓(xùn)練中，威廉姆斯揮肘擊中易建聯(lián)的臉部。威廉姆斯回憶說當(dāng)時的情況并不很糟，易建聯(lián)還準(zhǔn)備堅持訓(xùn)練完，但沒想到撕裂傷其實很嚴(yán)重。“說實話，我也記不清縫了多少針，但應(yīng)該很多，40針、50針吧?！币捉?lián)事后接受采訪如此表示?！缎聺晌餍菆蟆?日哀嘆中國球員易建聯(lián)禍不單行，“他新賽季開始表現(xiàn)出眾，但僅僅打了4場比賽就因為
環(huán)球時報 2009-12-082009-12-08
- 心情不好吃點零食
的消除。當(dāng)食物與嘴部皮膚接觸時，一方面它能夠通過皮膚神經(jīng)將感覺信息傳遞到大腦中樞而產(chǎn)生一種慰藉，使人通過與外界物體的接觸而消除內(nèi)心的孤獨；另一方面，當(dāng)嘴部接觸食物并做咀嚼和吞咽時，可以使人對緊張和焦慮的注意中心得到轉(zhuǎn)移，在大腦的攝食中樞產(chǎn)生另一個興奮灶，從而使緊張興奮區(qū)得到抑制，最終使身心得以放松。那么，我們怎樣才能夠抑制吃零食的消極作用而發(fā)揮其積極功能呢?掌握吃零食的時間：當(dāng)人處于緊張、焦慮、憂郁和疲勞時，吃點水果、點心、瓜子或喝杯飲料等，都有助于消除緊
人生與伴侶·共同關(guān)注 2009年3期2009-03-27