基于人眼特征的疲劳驾驶检测技术研究

针对目前疲劳驾驶检测技术无法很好地平衡算法准确性和实时性的问题,本文在人脸特征点定位方面采用了实时性较好的基于回归的局部二值特征法(LBF算法)。同时为了提高检测精度,改进了该算法的初始化策略。并且在建立LBF随机森林时使用归一化的像素特征取代原始特征,从而提升分类效果。通过眼部宽高比检测人眼闭合程度,并提出将人眼视线方向应用于疲劳驾驶检测算法中,判断注意力是否分散,以便在驾驶员陷入深度疲劳之前对其预警。利用上述得到的多特征综合检测疲劳程度,实验结果表明该技术提高了算法的准确性。

一种基于多因素融合的驾驶预警方法

本文提出了一种新的基于多因素融合的驾驶预警方法。首先,结合现有的疲劳评判因素,提出了一种基于多因素的危险评判标准,克服了传统单因素方法的应用的局限及易受外界干扰的缺点。其次,提出了一个基于SSD的检测网络,其中,用先进的MobileNetV3替换了主干网络VGG,用修改的NMS层实现了快速目标检测,最后用新设计的多任务检测器及损失函数实现了多任务检测。在预训练权重的迁移学习后,实测的检测准确率为95.7%,速度为41fps,实现了准确及实时性。

基于深度学习的疲劳驾驶检测算法

为实现复杂驾驶环境下驾驶人员疲劳状态识别与预警,提出基于深度学习的疲劳驾驶检测算法。利用基于shuffle-channel思想的MTCNN模型检测常规摄像头实时采集的驾驶人员人脸图像,使用PFLD深度学习模型进行人脸关键点检测以定位眼部、嘴部和头部位置,从中提取眨眼频率、嘴巴张开程度和点头频率等特征参数,并通过多特征融合策略获取驾驶人员疲劳状态,从而实现疲劳驾驶的有效预警。实验结果表明,该算法给出的疲劳驾驶预警结果均未出现误判情况,具有较高的检测准确率和较好的鲁棒性。

基于计算机视觉的驾驶员疲劳状态检测预警技术

疲劳驾驶是造成交通事故的主要原因之一,为提高驾驶员疲劳驾驶状态的智能化检测水平,提出一种基于计算机视觉的面部多特征疲劳驾驶检测算法,采用多线程优化后的Dlib(图像处理开源库)实现对驾驶员面部的定位与追踪,利用Dlib开源库中的人脸关键点检测器对驾驶员面部关键特征点进行提取,实时计算驾驶员眼部的纵横比和嘴部长宽比,并以视频流数据集作为实验样本计算出相关阈值,有效提高了检测算法的普适性,在此基础上,计算出眨眼频率、闭眼次数、眼睛闭合时间百分比以及打哈欠频率这4个反映驾驶员疲劳状态的指标,并利用数学方法进行指标实时融合,根据融合指标的数值对驾驶员疲劳状态进行分级,最终通过实验验证该疲劳检测系统的准确性。结果表明:所提出的综合疲劳指标能够准确反映在不同环境和光照下驾驶员的疲劳状态和发展趋势,驾驶员疲劳判定的正确率达到97.5%以上。

基于Viola-Jones框架人脸检测算法的汽车疲劳驾驶检测

疲劳驾驶导致汽车交通事故逐年增加,为了提升驾车的安全性,需对驾驶员疲劳状态实时监测并及时提醒.为了提高疲劳驾驶判断效率及准确率,本文运用Viola-Jones框架特征矩阵进行人脸预判断;预判断过程中为了减少Haar值计算量并提高人脸识别速度,采用Adaboost算法和级联分析,剔除非人脸的Haar特征值,实现快速人脸识别;根据色彩空间转化实现眼部分割处理,根据PERCLOS值评估驾驶员是否处于疲劳状态并提前予以警示;通过MATLAB仿真软件实现疲劳驾驶检测算法的仿真分析.在多个样本的测试过程中,该方法有效识别出人脸,并能够准确监测驾驶员的疲劳状态.