驾驶员人脸检测是判断驾驶室内是否存在人脸，若存在则给出具体位置，可应用于车辆承载检测、智能交通系统以及视频监控等方面，如检测车辆前排座椅乘客的人数、确认驾驶员身份、识别罪犯等.

近年来，人脸检测技术受到了研究人员的广泛关注[1-2]，大部分人脸检测方法适用于室内场景.对于驾驶员人脸检测，现有的研究主要集中在车辆前排上座率检测和疲劳检测.前者主要用于高承载车道(high-occupancy vehicle lane，HOV)入口的卡口检查[3-4]，目的是提高运输效率.后者通过车载摄像头检测人脸并分析驾驶员的面部表情，适时提示疲劳警告[5-6].现有的文献中，关于交通视频监控中驾驶员人脸检测的研究很少.

交通视频监控拍摄的驾驶员人脸图像质量较差(如图1)，驾驶室环境存在严重光照不足、拍摄距离较远和汽车前挡风玻璃反光等作用，使得采集到的驾驶员人脸图像分辨率低、对比度低、模糊等.

利用聚合通道特征(局部二值模式和梯度方向直方图)检测驾驶员人脸[7]，召回率较高而正确率低.车辆行驶时，一般有一个车牌和一个驾驶员，且二者的相对位置存在一定的近似模式.因此通过可变形部件模型(deformable part-based model，DPM)[8-9]建模人脸-车牌整体特征，进而滤除驾驶员人脸虚警.图1是由国内交通摄像头拍摄的图像，人脸部件应该出现在车牌部件的右上角某个位置，相对距离应在一定范围内，通过可变形部件模型的约束条件滤除驾驶员人脸虚警.

图1 交通视频监控拍摄的驾驶员人脸图像 Fig.1 Characteristics of detecting driver faces in cabs from images taken by traffic cameras

1 聚合通道特征(aggregate channel features，ACF)

通道是对给定输入图像I进行变换之后的一个输出响应[10].相对于单通道，聚合通道特征能够更好的描述人脸[7].由于交通视频监控中驾驶员人脸图像分辨率低、对比度低、模糊等因素的存在使得某些通道特征不适用于驾驶员人脸检测，如RGB等.

PBL教学法不是一个固化的模式，它的形式灵活多样，可以在不同的背景下以不同的形式适用于多种学科、多个专业中。自20世纪60年代由麦克马斯特大学将PBL引入医学教育以来，其适应范围早已超越医学和工程教育，而被延伸到教育学、管理学、法学、文学等多个学科领域[6]。

1.1 通道类型

[2] Dong C,Gang H,Fang W,et al.Supervised transformer network for efficient face detection[C]∥Proceedings of European Conference on Computer Vision.Amsterdam,Netherlands:IEEE,2016:122-138.

1.2 检测器训练

参考文献[7]中的方法，训练时使用的正负样本大小规范为60×60，对通道特征进行两次步长为2×2的子采样，每个通道特征的维度为(60/4)×(60/4)=255.若有n个通道特征，则维度为n×(60/4)×(60/4)的聚合通道特征.分类器的学习算法使用级联AdaBoost分类器对人脸进行分类[10]，其中AdaBoost的弱分类器使用深度为2的决策树，弱分类器的个数为1 024.

1.3 基于ACF驾驶员人脸检测

式中w2表示车牌的宽度.对于不同类型的车辆，f1对应不同的取值范围，该范围约束了车牌-人脸间的相对位置.f2表示为

(1)

式中：x为聚合通道特征；hi(x)为分类函数(1代表驾驶员人脸，0代表非人脸)；N为弱分类器数；αi为相关系数.对所有检测为正样本的窗口，使用非极大值抑制去掉可信度不高候选区域，合并相互重叠的人脸区域，最后得到驾驶员人脸候选窗.

在基于ACF的驾驶员人脸检测时，要保证具有较高的召回率，避免出现漏检人脸情况.同时也会降低检测的准确率，出现较多虚警，如乘客、反光镜、出租车logos等，如图2所示.由于驾驶室的复杂环境，基于ACF的驾驶员人脸检测器虽然能够有效地检测目标，但是其性能较差.

如果说外观包装的设计升级只是产业升级的常态动作，那么包装材质的升级则更加深入到企业的生产核心。“我们从传统的透明塑料纸包装升级为纯铝锁鲜装，可以避免光及空气的进入，使紫菜的保质期得以延长，鲜美度得以保持。”阿一波紫菜的负责人李志江说，这也是为消费者营造更好消费体验的必要升级。另据了解，此前包括达利集团、盼盼食品等企业也与当地的科技型企业对接，利用科技助力提升外包装阻光固鲜的功能作用。

图2 基于ACF的驾驶员人脸检测 Fig.2 Driver face detection based-on ACF

2 滤除虚警

2.1 可变形部件模型DPM

考虑驾驶员人脸检测的特殊性，在公路上行驶的车辆有且只有一张车牌和一个驾驶员，并且车牌和驾驶员的相对位置有一定的关系，可以构建人脸-车牌可变形部件模型.一般情况下，在交通视频监控中驾驶员人脸往往出现在车牌的右上角的某个位置(中国大陆).如果某个驾驶员人脸候选窗与车牌不满足相对位置关系，则很可能是虚警.目前，车牌检测与识别技术较为成熟，已实现了商业应用，车牌检测结果具有较高的可信度，因此车牌位置信息有助于驾驶员人脸检测.在前期工作中[11]，利用上下文和结构特征实现了车牌检测，如图3所示.在车牌检测过程中也会出现虚警，人脸-车牌部件模型也可用于车牌虚警的去除，由于篇幅限制，只考虑该模型用于驾驶员人脸检测.

图3 车牌与驾驶员人脸检测 Fig.3 License plate detection and driver face detection

2.2 人脸-车牌整体特征

交通视频监控中，摄像头与车辆间的角度和距离在一定的范围内，人脸-车牌间应满足一定的相对位置关系.假设图像中驾驶员人脸和车牌的中心坐标分别为(Xf，Yf)、(Xp，Yp)，则可组成一个矩形，宽和高可表示为

由式(3)可以看出相邻脉冲时刻接收的干扰信号之间的相位差只与散射波干扰机位置有关，与散射点位置无关，两天线接收的干扰信号满足

(2)

人脸-车牌整体特征向量f包括2个维度f1、f2，f1为

在构建学习共同体时，应该遵循“组内异质，组间同质”的原则，以学习者特征分析数据为依据，以促进沟通交流为目的，从而为课堂活动的顺利展开打下基础。

f1=w1/w2，

(3)

在ACF检测阶段，采用多尺度滑动窗的搜索策略，级联AdaBoost对每个窗进行分类，AdaBoost分类器检测为正样本的窗即是驾驶员人脸候选区域.对每个正样本窗，最后一级AdaBoost对其进行打分，计算驾驶员人脸的可信度为

f2=h/w2，

(4)

f2滤除过大或过小的不合理特征矩形.

2.3 人脸-车牌的置信度

特征f可由高斯联合概率密度函数(p)模型描述为

(5)

均值μf和协方差矩阵Σf是分布参数，可从训练数据中通过最大似然估计计算其值

(6)

当检测到车牌时，计算候选人脸目标与车牌的整体特征f和对应的高斯概率Pf.人脸部分的变形分数定义为

Sf=1-Pf.

(7)

驾驶员人脸检测置信度为式(1)的ACF分数与式(7)的部件变形分数的加权和为

S=αH(x)+β Sf，

(8)

驾驶员人脸数据：LFW数据库中包含13 232张人脸图像，实验中使用LFW中全部人脸图像以及DFIC中1/5 的人脸图像，作为训练数据的正样本，包括13 232+1 680/5=13 568个正样本，剩余的4/5 DFIC中人脸图像作为测试样本.负样本数据由两部分组成：在PASCAL Visual Object Classes(VOC) 2008数据集中随机提取30 000个60×60像素非人脸样本；从训练数据集中人工截取1 836个60×60像素非人脸样本，其中包含绿化带、交通信号灯、反光镜、车辆标志等.

党风和社会风气是任何人和组织干事创业的社会条件。风气好，人人受益，百业俱兴；风气坏，人人受害，事事受阻。因此，加强军队党的领导和党的建设，必须打好打赢正风反腐这一硬仗。

3 实验与分析

3.1 驾驶员人脸数据库

目前，国内外研究机构对驾驶员人脸检测的研究工作不多，缺少相关的公共数据集.为了验证方法的有效性，收集了交通监控摄像头拍摄的真实车辆图像1 402张，其中包括白天683张和晚上719张，图像的分辨率为1 600×1 200像素，作为驾驶员人脸检测数据库(driver face in cabs，DFIC)，图4显示了数据库中部分图像.DFIC数据库中，有些图像可能包含多个驾驶员人脸，驾驶员人脸总数为1 680个，图像中实际的牌照和驾驶员人脸都进行了人工标注.所有的实验均在一台Intel(R) Core(TM)2 CPU 2.8 GHz/4.0 GB PC上进行.

图4 数据库中部分图像 Fig.4 Sample images in dataset

3.2 训练数据

式中α、β为权系数.当检测置信度S大于阈值T时，候选人脸目标被确定为驾驶员人脸，小于阈值的目标被认为虚警.参数α、β和T值通过实验进行设置.

驾驶员人脸与车牌整体数据：从训练数据中，使用标注好的人脸和车牌位置信息，组成DPM训练数据，共有1 680/5=336个正样本.提取车牌与人脸相对位置特征，利用MLE算法得到高斯密度函数参数μ和Σ.对于不同车型，车牌与驾驶员之间的位置关系会有一定不同，可变形部件模型允许部件间的位置发生变化，可以很好地适应各种车型.

（3）及时了解国际上非洲猪瘟的传播情况。国际上非洲猪瘟疫情的大范围爆发必然导致这一疾病传入我国范围内的概率升高，因此，相关工作人员应能及时跟踪国际动物疫情状况，完成风险评估，最后对具体的防控方案进行完善。非洲猪瘟病毒的预防将变得更加灵活，最终达到从根本上降低非洲猪瘟传入风险的目的[6]。

3.3 通道特征比较

实验中，选择了不同通道特征在DFIC数据库上检测驾驶员人脸，结果如图5所示.图像的虚警率FPPI显示HOG特征效果最好，以下分别是LBP、Gabor和梯度强度.最后，聚合通道特征中选择了6个方向的HOG特征(生成6通道)和LBP特征.基于ACF的驾驶员人脸检测器共包括7通道，特征维数为7×225=1 575.

2018年，正值依波成立27周年。在风云变幻的市场环境下，依波秉承“精艺开启优雅生活”的品牌理念，以精品战略为核心，以提升顾客体验为动力，以品牌文化为后盾，以技术创新为手段，全面提升自身的品牌形象和综合竞争力。2018年，依波连续四年登榜亚洲品牌500强、连续十五年入选中国500最具价值品牌榜，品牌价值突破111.95亿元。

图5 聚合通道特征中各个通道特征检测驾驶员人脸效果 Fig.5 False positive per image of different channel features

3.4 实验结果比较

目前，未有有效的驾驶员人脸检测方法.实验中使用了白天和晚上的测试数据，比较了ACF特征(HOG+LBP)、HOG、LBP与提出的方法(ACF+DPM)分别检测驾驶员人脸的结果，如表1和表2所示.

表1 白天数据提出方法与其他方法测试结果评价

Tab.1 Quantitative evaluation of our method and other approaches in daytime

方法准确率/%召回率/%F值/%HOG25.1286.7638.96LBP22.2982.2435.07ACF27.2389.1541.71ACF+DPM94.2786.1790.04

表2 夜间数据提出方法与其他方法测试结果评价

Tab.2 Quantitative evaluation of our method and other approaches in nighttime

方法准确率/%召回率/%F值/%HOG27.2894.6442.35LBP25.2889.6840.12ACF30.4597.8046.44ACF+DPM98.7096.2197.44

实验结果表明夜间的驾驶员人脸检测结果比白天好.分析白天和夜里采集的车辆图像可以看出：白天的驾驶室图像比较模糊；夜间监控系统自动补光，驾驶室图像反而更清晰.在整个测试集上，HOG、LBP和ACF方法的准确率较低，召回率较高，综合性能指标F值偏低.其中ACF方法性能最好，但这些方法的检测结果不理想.

[4] Xu B,Paul P,Artan Y,et al.A machine learning approach to vehicle occupancy detection[C]∥Proceedings of Intelligent Transportation Systems (ITSC),2014 IEEE 17th International Conference on.Qingdao,China:IEEE,2014:1232-1237.

4 结 论

在交通监控中，基于ACF和DPM的驾驶员人脸检测方法具有较高的准确率和综合性能指标，且召回率影响较小，实验结果表明引入的DPM方法可以有效地滤除人脸虚警.但也存在着一些不足，如驾驶员人脸图像模糊、光照不足和遮挡等问题的检测结果不理想，后续工作将采用深度卷积网络CNN来学习更加具有判别力的特征，建立鲁棒的人脸表示模型.另外，人脸-车牌部件模型也可应用到车牌检测中，滤除车牌虚警.

参考文献:

[1] Viola P,Jones M.Robust real-time face detection[J].International Journal of Computer Vision，2004,57(2):137-154.

首先，将局部二值模式(local binary pattern，LBP)特征加入聚合通道特征，LBP 特征是一种对光照比较鲁棒且被广泛应用于人脸检测识别的描述子.图像上每一个点的像素值映射为n邻域内的一个LBP值，由其邻域内的像素值决定.聚合通道特征包括4种通道：梯度幅值通道、梯度方向直方图通道[7，10]、Gabor通道和LBP通道.其中，部分通道的性能可能存在低效或冗余情况，后续将通过实验选择驾驶员人脸检测中最有效的通道组合.

[3] Hao X,Chen H,Li J.An automatic vehicle occupant counting algorithm based on face detection[C]∥Proceedings of International Conference on Signal Processing.Auckland,New Zealand :IEEE,2006(3)：258-262.

提出的ACF+DPM方法通过验证车牌和驾驶员人脸的整体特征，准确率和综合指标F值明显提升，在两个测试集上均超过90%，而召回率略有降低.实验中，滑动窗口大小为60×60，步长为5个像素，检测框重叠率大于等于0.5时正确.式(8)中参数分别为：因子权值α=0.4，β=0.6和阈值T=0.5.实验结果验证了提出的车牌-人脸部件模型能够有效滤除驾驶员人脸虚警.

2.1.2 乙醇用量对多酚提取率的影响 随着乙醇用量的增加,甘薯叶多酚的提取率呈现先增加后减少的趋势(图3),因此，乙醇量多少对多酚提取效果影响明显．当乙醇用量为3.0 g时,多酚得率最高．在植物体内,多酚和蛋白质常以氢键的作用力相结合,乙醇质量分数过低不足以破坏氢键,导致多酚得率不高[6];另外,当提取剂中水的比例过高时,会大量溶解糖类等水溶性物质[7],这种情况也会降低多酚得率;而乙醇质量分数过高会导致大量脂溶性物质的溶出[8]．3.0 g乙醇的极性可能与多酚类化合物的极性比较相近,用该浓度的乙醇溶液提取多酚效果最好,得率最高．所以确定乙醇用量为3.0 g．

[5] Haque M A,Irani R,Nasrollahi K,et al.Facial video based detection of physical fatigue for maximal muscle activity[J].IET Computer Vision,2016,10(4):323-329.

创客空间翻新辅导实验室应该面向全社会开放，吸纳各相关专业的技能人才，根据仪器门类成立多个工作室。并且要及时补充新鲜力量，由老生带动新生，既巩固了老生所学的知识又锻炼了他们的沟通能力同时也拓宽了他们的思维和信息能力。

[6] Fogelton A,Benesova W.Eye blink detection based on motion vectors analysis[J].Computer Vision and Image Understanding,2016,148:23-33.

[7] Yang B,Yan J,Lei Z,et al.Aggregate channel features for multi-view face detection[C]∥Proceedings of International Joint Conference on Biometrics.Clearwater,Florida,USA:IEEE,2014:1-8.

[8] Felzenszwalb P F,Girshick R B,McAllester D,et al.Object detection with discriminatively trained part-based models[J].Pattern Analysis and Machine Intelligence,2010,32(9):1627-1645.

[9] Yan J,Lei Z,Wen L,et al.The fastest deformable part model for object detection[C]∥Proceedings of IEEE Conference on Computer Vision and Pattern Recognition.Columbus,OH,USA:IEEE,2014:2497-2504.

ACI发病早期神经功能缺损涉及多个病理生理过程,脑局部血流中断,造成脑组织急性缺血缺氧,脑细胞能量供给障碍,细胞膜去极化,使得缺血中心的脑细胞迅速坏死,缺血损伤进一步累及周围缺血半暗带,兴奋性氨基递质激活并大量释放,细胞内钙超载,生成大量氧自由基,造成炎症反应激活,线粒体功能障碍,最终导致缺血半暗带迟发性损害[5]。因此,在急性缺血期,缺血半暗帶仍有部分血液循环存在,尚有大量神经元存活,如果在这时积极恢复缺血区血液供应,改善脑代谢,可以挽救缺血半暗带的神经元,促进其功能恢复[6]。因此,ACI治疗的关键在于抓住治疗时间窗,积极促进血管再通,抢救缺血半暗带[7]。

[10] Dollar P,Tu Z,Perona P,et al.Integral channel features[C]∥Proceedings of British Machine Vision Conference.London,UK:IEEE,2009,91:1-11.

开花结荚期主要争取花多、花早、花齐，防止花荚脱落和增花、增荚，这是此期管理中心任务。要看苗管理，保控结合，高产田以控为主，避免过早封垄郁闭，在开花末期达到最大叶面积为好。具体措施是：封垄前继续锄草，看苗酌情给水肥，弱苗初花期追肥，壮苗不追肥防止徒长。花荚期追磷肥效果明显。

[11] Wang Y,Pei M,Jia Y.License plate detection based on multiple features[J].Journal of Image and Graphics,2014,19(3):471-475.