基于眼睛状态多特征融合的疲劳驾驶检测

为解决驾驶状态中光照及头部姿势变化等因素对眼睛状态检测影响的问题,提出一种基于多特征融合的眼睛状态识别方法。采用级联回归树算法定位人脸特征点,利用欧拉角对人脸特征点校正后得到人眼的纵横比特征、根据人眼二值图像得到累积黑色素差值特征以及人眼水平投影高宽比特征,在此基础上提出融合这3个特征并使用支持向量机分类器进行眼睛状态识别,根据筛选机制以及PERCLOSE准则判别疲劳状态。实验结果表明,该算法疲劳检测准确率为97.05%,可以检测多种姿态下的眼睛状态,满足实时性的要求。

基于眼睛状态识别的疲劳驾驶检测

由于光照变化、头部姿态等因素的影响,现有的疲劳驾驶检测精度仍有待提高。针对该问题,提出一种基于迁移学习的眼睛状态识别网络(Gabor and LBP-convolutional neural networks,GL-CNN),该网络是由Gabor特征和LBP特征通过迁移学习加入卷积神经网络(convolutional neural networks, CNN)调制组成的。首先用多任务级联卷积神经网络(multi-task CNN,MTCNN)检测驾驶员的人脸和双眼,然后经过眼睛筛选机制获取待检测的单只眼睛,通过GL-CNN识别眼睛的睁闭状态,最后根据PERCLOSE准则判断驾驶员的疲劳状态。实验结果表明,该算法具有较高的准确率,可以检测多种姿态眼睛的状态,同时满足实时性的要求。