《表1 支持向量机分类识别》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于SVM的疲劳驾驶人脸图像特征检测算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

由于采集的眼睛和嘴巴特征的数据并不具有规律性，所以此类问题属于非线性分类问题。根据特征发生变化的时间点区分清醒与疲劳状态，将识别出的眼睛的疲劳特征和嘴部的疲劳特征分类为疲劳状态，分类标签为1；选取EAR值平稳波动在高于0.3范围内、MAR值平稳波动在低于0.9范围内的1min作为与疲劳特征相反的清醒特征，将它们分类为清醒状态，分类标签为0。分别从清醒和疲劳状态中随机选取140组数据作为实验样本，每个样本中都包含有EAR值和MAR值。本文采用的向量机模型选用高斯核（Radial Basis Function，RBF）函数，选取惩罚因子C为7，参数degree的值为6，然后随机选取实验样本中的70组样本作为训练集对SVM进行训练得到分类模型，使用分类模型对剩余的70组样本进行测试，识别结果如表1所示。按上述步骤再做一组对比实验，只采用EAR值，向量机的识别率为82%；只采用MAR值，向量机的识别率为73%。而表1得出的采用EAR值和MAR值综合分类的识别率为84.29%。由此可见，将两种特征融合能提高模型识别率。