基于多特征融合的眼睛状态检测算法研究

疲劳驾驶检测算法研究对提升交通安全有着重要的意义。目前,已有大量关于疲劳驾驶的文献和成果。在疲劳驾驶检测算法中,眼睛开闭状态的判断起着至关重要的作用。深度级联卷积神经网络用来检测人脸和人脸特征,利用Dlib工具快速提取驾驶员人脸特征。基于眼睛特征计算眼睛宽高比,并将眼睛宽高比、传统人眼特征的人眼虹膜等用于判断眼睛开闭的参数。该文提出一种实时地融合了EAR、虹膜等多个特征的眼睛状态检测算法,可补偿传统人眼特征的像素值比较敏感的不足,也补偿了EAR在人脸倾斜、戴眼镜、光照变换、眼睛周围有光斑等情况下非常不可靠的不足。在640*480分辨率,帧率30 fps的视频上获得平均92%的检测正确率。实验结果表明融合后的算法可在光照变换、人脸倾斜、佩戴眼镜等条件下提升检测性能,鲁棒性较高。

“目”字纵横谈

说“目”是个象形字大家可能觉得不怎么像,但是它确实是个象形字。《说文解字》的解释是:“人眼也,象形,重,童子也。”这是解释小篆的,“重”指重复的两横,“童子”即“瞳子”,现在说眼球。不论甲骨文还是金文,“目”都是横写的,作平视状,上下眼睑裹着眼球,你能说不像眼睛吗?

基于YOLOv8的车辆驾驶员疲劳检测应用研究

疲劳驾驶是导致交通事故发生的主要原因,由于疲劳驾驶检测场景的复杂性和实时性要求,提出了一种基于YOLOv8的车辆驾驶员疲劳检测预警设计方法,对YOLOv8算法在注意力机制、数据增强、轻量化网络等方面进行改进,提高车辆驾驶员疲劳检测的识别精度和检测速率,同时提取人脸关键点计算眼睛纵横比(EAR),建立疲劳度评价分类模型,实现对疲劳驾驶的综合判断和预警。搭建车辆驾驶员疲劳检测实验平台,并进行验证。结果表明,该方法可以准确获取疲劳检测结果,准确率达到94%。

基于SSD的多因素融合的驾驶疲劳检测研究

为了降低因疲劳驾驶而导致的事故发生率,提出一种利用卷积神经网络与人脸特征点、疲劳判定指标相融合的方法,共同构建疲劳驾驶检测模型。首先利用SSD网络定位驾驶员的眼睛与嘴巴区域,VGG16网络学习这两个区域所包含的疲劳特征;同时再结合人脸68特征点、眼睛纵横比(EAR)和嘴巴纵横比(MAR)共同判定驾驶疲劳状态。最后,在相同测试集下分别计算SSD算法和Faster-RCNN算法的平均精度均值mAP;在YawDD数据集上应用此模型;并通过模拟驾车环境来验证此模型的可行性。实验结果表明,SSD算法要优于Faster-RCNN算法,并且此模型在YawDD数据集上的检测准确率约达97.2%,摄像头也能对驾驶员的状态进行实时检测。此模型对疲劳状态的检测十分有效,可在一定程度上降低因疲劳驾驶而导致的事故发生率。

基于SVM的疲劳驾驶人脸图像特征检测算法

针对传统图像识别算法对疲劳驾驶检测精度差、准确率低的缺陷,提出了一种利用人脸图像特征提取的疲劳驾驶检测方法。首先将实时采集到的车辆驾驶员面部图像进行预处理,借助Dlib检测出图像中的人脸区域并进行人脸图像特征点的标注,然后使用基于眼睛纵横比(Eye Aspect Ratio,EAR)的方法进行图像中人眼疲劳特征的识别,基于嘴唇纵横比(Mouth Aspect Ratio,MAR)的方法进行图像中嘴部疲劳特征的识别,最后利用支持向量机(SVM)的方法将两种特征融合起来进行疲劳驾驶检测。实验表明,该方法可以准确地定位出特征点,疲劳检测的识别率达84.29%,可以有效地识别出疲劳状态。

基于人脸识别技术的汽车防疲劳驾驶系统

本文使用Dlib人脸识别库,进行驾驶员人脸的识别和眼睛的定位,通过检测眼睛纵横比(EAR)的变化及眼睛闭合的持续时间,来判定驾驶员的眼睛状态,利用Python、dlib等运行环境进行驾驶员疲劳判断,一旦检测到驾驶员处于疲劳状态时,系统即发出语音警示,提示驾驶员停车休息。同时,针对驾驶员低头、左顾右盼等分心行为,系统将实时检测驾驶员头部的运动状态,并及时予以提醒,从而进一步防止各种交通事故的发生。实验结果表明,系统对驾驶员裸眼疲劳状态的识别率为94.7%,驾驶员戴眼镜疲劳状态的识别率为86.7%,平均识别率为91.2%,疲劳判断的响应时间为100ms,驾驶员分心状态的识别率为90%,响应时间为100ms,具有较好的应用价值。

基于改进YOLOv7的疲劳驾驶检测算法研究

疲劳驾驶是一种常见的危险驾驶行为,准确检测驾驶员是否处于疲劳驾驶状态对于道路安全至关重要。提出一种基于YOLOv7的疲劳驾驶检测算法,该方法使用改进的YOLOv7模型识别驾驶员的眼部、嘴部疲劳状态,再通过计算眼睑纵横比(Eye Aspect Ratio,EAR)、嘴巴纵横比(Mouth Aspect Ratio,MAR)、头部3个欧拉角来判别驾驶员是否疲劳驾驶。实验结果表明,使用MobileOne轻量化的网络作为主干网络,使模型检测速度达到每秒71帧,在Neck部分引入卷积块注意力模块(Convolutional Block Attention Module,CBAM)和Focal EIoU Loss损失函数,在基本不影响速度的情况下使检测精度达到95.35%。本方法在公开数据集NTHU-DDD上取得了较好的疲劳检测效果,可应用于实际场景中的实时安全监测。

基于计算机视觉的疲劳及注意力检测算法

针对现有疲劳驾驶检测算法的准确率底、实用性差以及不能实时检测的问题,论文采用计算机视觉的方法首先利用Dlib提取眼部、嘴部、下巴周围的特征点的坐标,通过计算眼睛纵横比来实现瞌睡检测,并且类比眼睛纵横比提出一种用于哈欠检测的新方法—嘴部纵横比检测法,为了进一步判断驾驶员状态,论文进一步对驾驶员的注意力进行判断,一旦出现不安全行为,立马发出预警进行提醒,从而实现驾驶员疲劳及注意力检测。实验证明,该方法在疲劳驾驶检测的准确率、实时性等方面取得明显的性能提升。

基于深度学习和面部多特征融合的驾驶员疲劳检测研究

驾驶员疲劳驾驶是造成交通事故的重要原因之一,因此提出了基于深度学习和面部多特征融合的驾驶员疲劳检测研究方法;首先采用多任务级联卷积神经网络MTCNN(multi-task convolutional neural network)结构进行面部检测和特征点定位,并利用Dlib工具包中的面部68个地标,提取驾驶员面部的特征参数;其次,基于眼睛纵横比(EAR),眼睛闭合百分比(PECLORS)和嘴巴高宽比(MAR)的值按不同的权值相加得到参数M,在一定时间内累加M>0.605的帧数判断驾驶员疲劳的程度;最后,试验结果表明:该方法能够有效地利用视频图像实时检测驾驶员疲劳状态,其准确率和灵敏度分别为93.1%和90.2%,对于保护驾驶员及车辆行驶安全具有重大意义。

花猫妙妙

我家养了一只可爱的小花猫。它的毛色由白色、黄色和棕色的斑块组成,一条条纵横交错的条纹点缀在上面,使它显得更好看了。它有一对像小电灯泡一样的眼睛。你千万不要小看这对可爱的眼睛,它在夜里居然能闪闪发光。了不起吧!不知是因为它的长相,还是别的原因,总之,我和小花猫建立了“深厚的友谊”。