多特征融合的驾驶员疲劳状态检测方法

针对现有疲劳状态检测方法无法适用于疫情防控下的驾驶员,利用改进后的YOLOv5目标检测算法,对驾驶员的面部区域进行检测,建立多特征融合的疲劳状态检测方法.针对公交驾驶特性,建立包含佩戴口罩和未佩戴口罩情况的图像标签数据.通过增加YOLOv5模型的特征采样次数,提高眼、嘴、面部区域的检测精度.利用BiFPN网络结构保留多尺度的特征信息,使得预测网络对不同大小的目标更敏感,提升整体模型的检测能力.结合人脸关键点算法提出参数补偿机制,提高眨眼、打哈欠帧数的准确率.将多种疲劳参数融合归一化处理,开展疲劳等级划分.公开数据集NTHU和自制数据集的验证结果表明,该方法对佩戴口罩和未佩戴口罩情况均可以进行眨眼、打哈欠识别,可以准确地判断驾驶员的疲劳状态.

表情变换时序特征下的驾驶人情绪识别研究

针对现有驾驶人情绪识别方法存在的识别实时性不足、识别精度较低等问题,提出一种表情识别及其时序情绪表达的驾驶人情绪识别方法。首先,建立VGG Lite驾驶人表情识别模型,在传统VGG Net模型结构上,通过改变卷积层堆叠结构以大幅减少模型的参数量,修改激活函数以增强模型对人脸表情中细节特征的表达能力,并在模型中增加性能优化层来提升模型的收敛性和泛化性。其次,分析表情时序变化与情绪状态之间的关系,研究时间序列演变的情绪表达方式,设计了包含表情时序转化、表情-情绪量化映射和时序情绪表达的驾驶人时序情绪识别方法。然后,采用Fer2013数据集,将所提出的VGG Lite驾驶人表情识别模型与其他模型进行比较验证,证明了该模型不仅可以保持高识别准确率,还有效降低了模型参数量,从而提高了识别速度,此外,采用自制数据集识别表情获得了98.8%的高准确率,证明了该模型能有效识别不同驾驶情境中的驾驶人表情。最后,以公交车驾驶人情绪识别为例对提出的时序情绪识别方法进行试验验证,结果表明,该方法能够准确识别驾驶人各种表情转换下的复杂情绪状态,平均识别率高于95%,比单帧情绪识别方法提升5%以上,每帧图像的情绪识别耗时平均低于0.03 s,每秒平均识别超过10帧,满足交通驾驶情绪识别的实时性要求。所提方法能够及时、准确地评估驾驶人的情绪状态,为提高交通系统整体安全性和效率提供了更有效的手段。