详细设计说明书文档格式.docx

详细设计说明书文档格式.docx

《详细设计说明书文档格式.docx》由会员分享，可在线阅读，更多相关《详细设计说明书文档格式.docx（10页珍藏版）》请在冰豆网上搜索。

《软件工程概论》

《软件文档编写》

《android应用程序设计》

《java基础》

《opencv教程》

《andorid-opencv手册—网页版》

2.程序系统的结构

本待开发的系统采用的软件层次框图如下图所示：

Android应用程序

Android-OpenCV库

AndroidOS

硬件平台

在前期的方案确定的时候，采用的是基于android操作系统的OpencV开源库，因此只需要将编译好的OpenCV库导入到开发环境中即可进行开发，因此本系统的主要开发工作集中在应用程序的设计部分。

在项目的概要设计中，确定的具体的软件的主流程方案如下图所示。

状态分析

有

超出阈值

没达到

达到

是

否

获取一帧图像

图像预处理

人脸定位

人眼和嘴巴定位

给予警示

结束

计数

开始

有摄像头

打开摄像头

在人眼状态的判断过程中具体的步骤如下图所示。

人脸检测

二值化

边缘检测

闭合

3.详细设计

为了完成系统所需要的功能，我们设计了一个类来实现：

FdActivity

说明如下：

FdActivity：

该类是作为程序的主界面类，在该类中，将surfaceview占据了整个界面，在该类中主要重写了onCreate（）、onPause（）、onDestroy（）、onCameraViewStarted（）、onCameraViewStopped（）、onCameraFrame（）、onCreateOptionsMenu（）、onOptionsItemSelected（）、

函数具体的分析参见程序的具体描述部分；

onCameraFrame（）函数：

在系统实时监测驾驶员的头像数据的时候，需要显示当前的帧率，该类就是负责帧率的显示的类，该类中，主要是实现了以下的几个功能：

从一帧图片中计算人眼的区域

绘制人眼的区域

3.1程序简单描述

打开摄像头，实时采集脸部的帧数据，图像进行灰度变化，首先进行预处理，将背景噪声以及图像中的突刺变化去除，防止影响后面的图形计算精度；

利用Opencv中的已有函数接口进行人脸和人眼的定位，在将人眼的轮廓提取出来，这里面的用的方法：

Otus和RobertCross边缘检测。

利用最大垂直距离进行是否闭合的判定，组后再利用PERCLOS原理进行疲劳状态的判断。

3.2整体结构

见概要设计说明书

3.3性能

实时性：

能基本实现实时性的要求

对人脸的判断准确度：

95%以上

眼睛的判断准确度：

90%以上

疲劳识别：

80%以上

3.4输入输出项

输入的数据是：

摄像头采集的实时数据

输出是：

预警声音

3.5算法

人脸检测算法

传统的检测人脸分方法有很多种：

基于肤色的分离、基于统计模型、或者是PCA方法，但是这些方法识别的时间较长，并且准确率不高，在本文中，采用的是OpenCV中非常成功的基于Haar-Like特征的Adaboost算法。

人脸检测分成两步：

首先是训练过程产生分类器文件，再是利用分类器进行人脸检测过程[4]。

训练过程：

（1）准备正负样本，正样本是需要检测的目标（正脸），负样本是不含正样本特征的任何目标;

（2）利用CreatSample程序准备正样本集;

（3）利用Haar-Training程序训练得到分类器特征xml文件。

检测过程：

利用android-OpenCV中的分类器构建函数去加载该特征xml文件，利用分类器本身的成员函数[4,5]：

detectMultiScale（Matimage，List<

Rect>

objects,doublescaleFactor,intminNeighbors,intflags,SizeminSize）对指定的image进行检测。

其函数各参数的意义：

Image：

需要进行目标检测的区域.

Object：

将检测到的目标标记在矩形框中.

scaleFactor：

代表图像的缩放因子.

Minneighbors：

指定每个候选矩阵至少包含的邻近元素个数.

Flag：

标志位，默认为0.

Minsize：

最小的检测窗口，如果该值设置过小，将会导致图像的计算量较大。

Otus最佳阈值图像分割法

当系统成功标记处人眼部的区域后，需要进行二值化处理，从而实现眼部提取。

但是由于图像的灰度值对光线很敏感，固定的阈值势必无法满足要求，本文采用的是基于Otsu算法的二值化处理。

Otsu算法，又被称为最大类间法，是一种自适应的图像分割技术，它是根据最小二乘原理推导出来的，根据光线强度的不同，阈值会随之变化，能得到最优的阈值[7]，其基本原理如下：

将直方图在某一阈值进行分割成两组，称为“前景”和“背景”，当被分成的两组的方差最大时候，该阈值就是最佳分割阈值。

方差是灰度均匀分布的一种度量，值越大，说明构成图像两部分的差别越大，当部分“前景”错分为“背景”或者“背景”错分为“前景”的时候，都会导致方差变小，因此最大类间法意味着错分的概率最小。

对于图像直方图，不妨假设其灰度级为0~m，像素点个数为N，针对某一个分割阈值t，那么整个图像被分割成两部分，0~t称为“前景”，而t+1~m称为“背景”。

“前景”的权重为Wf，均值设为Mf，方差为Df，“背景”的权重为Wb，均值设为Mb，方差为Db。

图像的整体的方差公式如式3所式。

（3）

Otsu的最终目的就是要求出D的最大值来，从而得到最优的分割阈值。

RobertCross边缘检测

边缘是图像灰度值变化剧烈的位置，因此包含了大量的有用信息，常用的边缘检测包含很多，比如：

RobertCross边缘检测，Canny边缘检测，Prewitt边缘检测，Sobel检测。

但是这些方法中唯有RobertCross计算方便简单、快速，容易在实时系统中实现，本系统中采用的就是该检测方法，根据任意一对互相垂直方向上像素点的差分来计算梯度的原理[8,9]，采用对角线方向相邻像素灰度差。

如式4所示：

（4）

G代表的是计算之后的灰度值，而f代表的是原始图像的灰度值。

虽然Robert检测速度很快，但是其缺点也是很明显的，对噪声敏感，并且边缘不是很光滑。

3.6主要类的说明以及xml配置文件

在上面的概述中，我们初步说明了在该系统的实现过程中需要实现的几个类。

在这里我们详细的说明。

tart（）；

否则的话直接release掉camara。

Surfacechaged（）函数，是在surfacecreated回调之后进行第一次调用，在这里我们主要是获得摄像头支持的size，然后我们不断选择最优的预览size，（这部分代码是在网上参考的）。

将camara的设置成为：

mFrameWidth）;

mFrameHeight）;

surfaceDestroyed（）回调函数，就是当surface消失的时候进行回调的，因此，这里面我们需要做一些资源的释放的操作，比如说camera释放。

作为抽象的基类，我们为子类提供的接口是：

protectedabstractBitmapprocessFrame（intflag,VideoCapturecapture）;

该接口在子类中进行图像处理时详细的设计。

（参见Fdview设计）

我们在该抽象基类中实现了runnable接口，因此还需要实现run函数；

首先需要完成对计量帧率的对象的初始化工作。

下面的就是不断的while循环，进行图像的处理工作：

首先从摄像头中回去实时的数据帧,该部分的接口是：

（）,[mCameras是上面打开的摄像头]然后进行图像的处理processFrame，返回bmp对象，进行帧率的计量，锁住画布（），进行绘画，解锁画布。

Bmp图像的回收。

Fdview类的设计：

该类主要是继承了抽象基类MyCvViewBase，因此主要在这一部分中，需要实现的接口函数，

protectedBitmapprocessFrame（intflag,VideoCapturecapture）

构造函数中需要实现的是：

获取xml文件资源（）.openRawResource进行xml文件的读写，利用该xml文件进行分类器对象的初始化，分类器对象在OpenCV中是实现目标检测的对象，是由特征文件xml进行构造的。

在该软件中需要定位人脸，人嘴和人眼，因此需要以下几个xml文件，分别是:

以及，，文件,识别率高达95%以上，是OpenCV中自带的已经训练好的分类器特征文件。

重写surfacechanged（）函数，主要是初始化了mat数据，mat可以看成是二维的保存图像的矩阵，是OpenCV中自带的数据格式。

实现processFrame接口函数，在该部分主要是关于图像处理的接口函数，是整个软件的核心函数：

首先是解析出摄像头的RGB以及灰度图像格式：

（mRgba,;

（mGray,;

进行预处理过程：

主要是进行直方图的均衡化过程，OpenCV自带接口：

（）;

利用OpenCV中自带的目标识别的函数[说明：

mCascade是人脸的分类器对象]进行图像中目标的检测，我们首先需要定位到人脸部，并且将人脸在图像中标记出来。

（绿色的标记）

如果人脸不是空的，那么开始将人脸设置成为感兴趣区域，在该区域中进行人眼的检测，，同样的还是有（）[说明：

eyedetectcade是人眼的分类器对象]，如果眼睛找到了，我们将其中一只眼睛标记出来，用来进行图像处理，因为基本而言，人眼都是堆对称的，一只眼睛的状态可以代表人眼目前的状态，将该区域进行Otsu二值化处理，以及RobertCross或者是canny边缘检测来提取人眼的轮廓，canny在OpenCV中已经有固定的接口，而Otsu和RobertCross检测需要自己去实现。

子啊利用最大的垂直距离进行扫描，当最大的垂直距离小于40%的标记高度的时候判断是闭合状态。

附上关于Otsu以及RobertCross边缘检测的代码：

publicMatRobert（Matmat）{//robertcross边缘检测代码

introbbertNum=0;

introw=（）;

intcol=（）;

for（inti=1;

i<

row-1;

i++）{

for（intj=1;

j<

col-2;

j++）{

robbertNum=（int）（i,j）[0]

-（i+1,j+1）[0]）

+（int）（i+1,j）[0]

-（i,j+1）[0]）;

if（robbertNum>

50）{

（i,j,255）;

}else{

（i,j,0）;

}

}

}

returnmat;

}

publicintOtsu（Matmat）{//Otsu算法实现：

int[]histData=newint[256];

for（inti=0;

256;

histData[i]=0;

//初始化为0值

inttotal=（）*（）;

（）;

for（intj=0;

inttemp=（int）（i,j）[0];

histData[temp]++;

doublesum=0;

for（intt=0;

t<

t++）{

sum+=t*histData[t];

doublesumF=0;

intWB=0;

intWF=0;

doublevarMax=0;

intthresh=0;

/*

*for（inti=0;

i<

i++）{*"

:

"

+histData[i]）;

*/

WF+=histData[t];

if（WF==0）

continue;

WB=total-WF;

if（WB==0）

break;

sumF+=（double）（t*histData[t]）;

doublemF=sumF/WF;

doublemB=（sum-sumF）/WB;

doublevarBetween=WB*WF*（mB-mF）*（mB-mF）;

if（varBetween>

varMax）{

varMax=varBetween;

thresh=t;

returnthresh;

Xml文件的配置如下：

需要加入下面的权限：

<

uses-permissionandroid:

name="

/>

uses-featureandroid:

/>

<

3.7存储分配

本程序在高级语言JAVA进行编码，直接的内存分配由JAVA运行时分配。

3.8注释

在代码的适当出有中文代码注释。

3.9测试计划

测试日期、测试人员安排请参考测试计划，测试用例的具体内容，请参考测试说明。

3.10尚未解决的问题

1、目前实现的帧率较低，仅能达到6-7帧/s的水平，还远远达不到“实

时”的要求，需要对算法进行优化。

2、在对人眼进行定位的时候，精度不够高，带着眼镜的时候会将眼镜的

边框带入，影响最大的垂直距离的计算，从而影响到PERCLOS的计算精

度。

3、没能实现“自动跟踪”人眼，需要保持固定的距离才能进行人眼的定位。