针对夜间昏暗行车环境的疲劳驾驶检测

快速准确检测行车过程中驾驶员的疲劳状态可减少交通事故的发生,保障驾驶者与行人的生命财产安全,针对目前主流疲劳驾驶检测算法均未充分考虑外部光线因素的问题,提出一种基于EnlightenGAN网络的疲劳驾驶检测算法。通过算法对昏暗环境所采集的图像进行增强处理,提高图像的曝光度,使用FSSD检测网络完成驾驶员眼部定位和状态识别,综合判断驾驶员是否疲劳驾驶。实验结果表明,在夜间昏暗环境行车的实际场景中,新检测算法可使检测准确率提高16.7%。

基于深度学习的跌倒行为识别

随着老龄人口的快速增长,跌倒检测成为医疗健康领域的一个关键问题。准确检测监控视频中的跌倒行为并及时反馈能有效减少老年人因跌倒造成的伤害甚至死亡。针对监控视频中的复杂场景及多种相似性人类行为干扰的情况,文中提出一种改进的FSSD(Feature Fusion Single Shot Multibox Detector)跌倒检测方法。首先,从不同的跌倒视频序列中抽取视频帧形成数据集;然后,将训练样本集输入到改进的FSSD网络中训练直至网络收敛;最后,根据最优化的网络模型测试视频中目标的类别并定位目标。实验结果表明,改进的FSSD 算法可以有效检测每帧图像的跌倒或日常生活活动(Activities of Daily Living,ADL)事件并给出实时反馈,检测速度为24 fps(GTX1050Ti),在保证检测精度的同时满足实时性要求。将改进方法与已有最新方法进行比较,结果表明:改进的FSSD 算法的性能优于其他算法。视频中跌倒行为的检测进一步验证了基于深度学习的识别方法的可行性与高效性。