基于自适应阈值的多特征经验融合疲劳检测

在安防领域,疲劳是导致安防工作人员注意力下降,诱发各类问题的重要原因.现有的疲劳检测方法存在各种问题,比如生理指标检测侵入性强且价格昂贵,人脸疲劳检测结果受个体差异和头部姿态的影响以及疲劳预警时长较短等,因此本文提出一种基于自适应阈值和面部多特征经验融合的疲劳早后期检测算法,使用轻量级的SCRFD模型进行人脸检测,使用MobileNetV2模型进行人脸关键点定位,使用梯度提升树学习头部姿态信息与眼睛纵横比(EAR)阈值的映射关系,通过眼睑闭合时间百分比(PERCLOS)、嘴巴张开时间百分比(FOM)和头部姿态6个自由度分别实现眨眼、哈欠、点头前后倾动作的识别.在疲劳估计阶段,为了将多种疲劳行为融合映射成与疲劳相关的KSS值,先根据专家经验预先构建好多种人脸行为的疲劳因果图,接着使用自定义的singleton,mutual和activate/inhibit特征算子,结合因果图从人脸行为检测序列中计算疲劳早期和疲劳后期KSS值,最后使用双尺度KNN实现疲劳早后期估计.实验结果表明所提算法在YawDD数据集上哈欠检测准确率达到93.81%,在UTA-RLDD和Drozy数据集上疲劳识别准确率分别达到67.72%,87.88%,仅通过CPU,推理实时性可达到17.96每秒传输帧数(FPS).