基于PFLD人脸识别的疲劳驾驶检测系统研究

疲劳驾驶逐渐成为交通事故的焦点问题,对驾驶人员疲劳状态检测预警具有重要研究价值。系统通过安卓端RGB摄像头捕捉驾驶人员面部实时状态,采用基于PFLD的人脸检测算法匹配面部特征点,通过计算左右眼开合度,实现双眼优化校正,辅以计算眨眼次数和打哈欠次数,检测驾驶人员的疲劳状况并实时预警。系统采用阿里云服务器+Android APP架构,实现疲劳状况判定,疲劳蜂鸣提醒,疲劳历史回查,疲劳历史管理,行车导航、紧急联系人等功能,以安卓APP形式实现交互,经测试,驾驶人员疲劳检测准确率可达90%,具有一定的市场应用前景。

面向人脸美化的PFLD框架特征点检测技术

针对人脸面部特征点检测精度与效率的平衡问题,提出一种面向人脸美化的PFLD框架面部特征点检测方法。主干网络使用轻量级的MobileNet-V2 Block取代传统的卷积运算,用于预测关键点的位置。辅助网络由旋转矩阵计算得到3个欧拉角,用于修改损失函数。采用多数据集融合的方式,解决闭眼图像、大姿态图像等少数样本存在的类别不平衡问题。实验结果表明,增加辅助网络、分配权重优化损失函数和多数据集融合,通过调整参数,对比检测效果,可选出在实际应用中能平衡检测精度与运行效率的模型,降低模型尺寸,既能保留检测精度,同时能提高运行效率。

一种基于深度学习的疲劳驾驶检测方法研究

疲劳驾驶检测对避免车辆事故的发生有着非常重要的意义,对检测方法的实时性和准确率均有较高的要求。为此,提出一种基于深度学习的疲劳驾驶检测方法。首先,使用改进后的目标检测网络YOLOX对驾驶员的面部区域进行定位;然后使用PFLD深度学习模型检测面部关键点,从而计算出眨眼频率、打哈欠频率和点头频率等疲劳特征参数值;最后,通过多特征融合疲劳判定算法判断驾驶员的疲劳状态,从而进行有效的疲劳驾驶预警。大量的实验表明,该疲劳驾驶检测方法在实时性、准确率等方面都取得明显的性能提升。

基于嵌入式设备的轻量级疲劳检测系统

针对嵌入式设备性能受限问题,设计了一种基于改进的SSD算法的疲劳检测系统。系统采用改进的SSD算法进行人脸检测和轻量级PFLD算法定位面部特征点,最后进行面部关键特征的疲劳判断。通过优化SSD算法网络结构和使用轻量级特征点定位算法,实现了在嵌入式处理器上疲劳检测。实验结果表明,轻量级疲劳检测系统在嵌入式处理器上具有良好的实时疲劳检测性能,并能够及时给予疲劳报警。