基于改进YOLOv5的人脸疲劳检测

针对疲劳驾驶检测问题，提出了一种改进YOLOv5模型的人脸疲劳检测方法。首先，对YOLOv5模型增加检测层和添加CA注意力机制的改进，用于检测驾驶员的面部区域。其次，使用Dlib库中的级联回归算法实现人脸部68个特征点的标定和眼部、嘴部的定位。最后，计算驾驶员眼部（EAR）和嘴部（MAR）的纵横比，依据眼睑闭合程度百分比（Percentage of Eyelid Closure Over the Pupil Over Time,PERCLOS）法则进行疲劳判定并进行预警处理。实验结果表明，改进后的YOLOv5算法的平均准确率达到92.5%，能够满足人脸疲劳检测对精度和速度的综合要求。     

基于深度学习的疲劳驾驶检测算法

针对现有疲劳驾驶检测算法实用性差或准确率低的问题,本文提出了一种基于深度学习的疲劳驾驶检测算法.首先,使用HOG （Histogram of Oriented Gradient）特征算子检测人脸的存在;其次,利用特征点模型实现人脸的对齐,同时实现眼睛、嘴巴区域的分割;最后通过深度卷积神经网络提取驾驶员的眼部疲劳特征,并融合驾驶员嘴部的疲劳特征进行疲劳预警.大量的实验表明,该方法在疲劳驾驶检测的准确率、实时性等方面都取得明显的性能提升.     

基于眼部自商图—梯度图共生矩阵的疲劳驾驶检测

目的 疲劳驾驶是引发车辆交通事故的主要原因之一,针对现有方法在驾驶员面部遮挡情况下对眼睛状态识别效果不佳的问题,提出了一种基于自商图—梯度图共生矩阵的驾驶员眼部疲劳检测方法。方法 利用以残差网络（residual network,ResNet）为前置网络的SSD（single shot multibox detector）人脸检测器来获取视频中的有效人脸区域,并通过人脸关键点检测算法分割出眼睛局部区域图像;建立驾驶员眼部的自商图与梯度图共生矩阵模型,分析共生矩阵的数字统计特征,选取效果较好的特征用以判定人眼的开闭状态;结合眼睛闭合时间百分比（percentage of eyelid closure,PERCLOS）与最长闭眼持续时间（maximum closing duration,MCD）两个疲劳指标来判别驾驶员的疲劳状态。结果 在六自由度汽车性能虚拟仿真实验平台上模拟汽车驾驶,采集并分析驾驶员面部视频,本文方法能够有效识别驾驶员面部遮挡时眼睛的开闭状态,准确率高达99.12%,面部未遮挡时的识别精度为98.73%,算法处理视频的速度约为32帧/s。对比方法1采用方向梯度直方图特征与支持向量机分类器相结合的人脸检测算法,并以眼睛纵横比判定开闭眼状态,在面部遮挡时识别较弱;以卷积神经网络（convolutional neural network,CNN）判别眼睛状态的对比方法2虽然在面部遮挡情况下的准确率高达98.02%,但眨眼检测准确率效果不佳。结论 基于自商图—梯度图共生矩阵的疲劳检测方法能够有效识别面部遮挡时眼睛的开闭情况和驾驶员的疲劳状态,具有较快的检测速度与较高的准确率。     

基于多尺度池化卷积神经网络的疲劳检测方法研究

针对视觉特征分析疲劳检测问题,设计了一种级联深度学习的检测系统结构,并提出基于多尺度池化的卷积神经网络疲劳状态检测模型。首先通过深度学习模型MTCNN进行人脸检测,提取出眼睛和嘴巴区域;针对眼睛和嘴巴的状态表征和识别问题,提出一种基于ResNet的多尺度池化模型（MSP）对眼睛和嘴巴状态进行训练;实时检测时,将眼睛嘴巴区域通过训练好的卷积神经网络模型进行状态识别,最后基于PERCLOS和提出的嘴巴张合频率（FOM）对驾驶员进行疲劳判定。实验结果表明,该算法具有较高的检测准确率,同时满足实时性要求,且对复杂环境具有较高的鲁棒性。     

嵌入式疲劳驾驶监测系统的设计与实现

疲劳驾驶是引发恶性交通事故的重要原因之一,驾驶员疲劳监测技术近年来已逐步成为图像处理领域的一个研究热点。基于改进的和提出的新算法,设计了一个嵌入式驾驶员疲劳监测系统。由可见光/近红外摄像头采集视频,首先采用Haar特征的级联分类器从图像中检测出人脸区域,并用钻石搜索法跟踪人脸区域;然后提取一个新的图像差分统计特征,并结合3个准则判断疲劳状态;最后采用全变分模型消除图像中的非均匀光照,以便实现鲁棒的人眼定位和人脸识别。实验测试结果表明,本系统的疲劳状态监测准确率达到95%以上。     

驾驶员疲劳检测系统的研究

为了减少由于驾驶员疲劳驾驶引起的交通事故,提出驾驶员疲劳状态检测系统的方案。使用3×3中值滤波去除噪声和光照对图像的影响,通过对AdaBoost算法的强分类器训练算法改进、级联分类器优化实现人脸的快速检测,在检测到的人脸区域,通过积分灰度投影和从粗到细改进的模板匹配方法对人眼进行准确定位;通过PERCLOS、眼睛闭合时间、眼睛眨眼频率、嘴巴张开程度、头部运动的计算,进行驾驶员疲劳程度的综合判定。实验结果表明,该方法准确率高,兼具了良好的实时性和鲁棒性。     

基于FPGA的多特征融合司机疲劳状态检测系统设计

驾驶员的疲劳驾驶是造成交通事故的重要因素,为了实时有效地检测驾驶员的驾驶状态,设计了一种融合多种疲劳特征进行疲劳状态判定的检测算法,并构建了车载的基于现场可编程门阵列(FPGA)的嵌入式检测平台。该多检测算法融合了眼睛和嘴巴的疲劳特征,当某一特征的检测受到影响时可以使用另外的特征进行疲劳状态的判定,较传统的单一特征疲劳检测算法拥有更高的检测效率。实验结果表明:系统的算法简单、可靠、实时性强。     

多特征融合的随机森林疲劳驾驶识别算法

复杂的交通环境、个人和社会因素制约了疲劳驾驶识别技术的应用效果,提出一种对视频中驾驶员脸部状态和车辆驾驶状态数据进行融合分析的疲劳驾驶识别算法。该算法基于Dlib库提取的人脸轮廓点计算眼和嘴的纵横比值,生成眯眼和哈欠特征,基于线性拟合趋势提取法生成车辆操控活跃度特征,然后采用改进后的随机森林模型对疲劳状态进行识别。该模型基于权重对特征的重要性进行评估,提高了树节点分裂的有效性,并给出了森林中树的数量的调控方法。实验结果表明所提算法的疲劳驾驶识别准确率均值达到了92.06%,并具有较好的计算效率,验证了其有效性。     

基于低光增强的夜间疲劳驾驶检测算法

司机疲劳驾车会影响车辆的正常行驶,严重时会威胁司机和乘客的生命安全,因此检测司机是否出现疲劳现象可以有效保障人们的出行安全.在现实生活中,一般在夜间光照强度较弱的情况下,司机出现疲劳驾驶的次数较多,但是现有的相关检测算法无法处理灯光问题,导致其在夜间检测时准确率较低.针对此问题,本文提出了基于低光增强的夜间疲劳驾驶检测算法.首先对人脸图像进行低光增强处理,从而提高图像的曝光度;然后使用人脸关键点检测网络获取图像的眼睛区域;之后使用卷积神经网络对眼睛区域进行睁、闭眼分类;最后统计单位时间内睁、闭眼数量的比值,以此判定司机是否处于疲劳状态.实验结果表明,在夜间环境中,本文提出的检测算法相对现有算法在检测成功率上提升了15.38%,取得了更好的效果.     

基于级联宽度学习的疲劳驾驶检测

为减少因疲劳驾驶引发的交通事故,提出融合多参数的驾驶员疲劳检测算法。用渐进校准网络(PCN)检测人脸图像,通过基于CNN的回归模型定位人脸关键点;根据关键点坐标和面部器官的分布规律提取眼睛和嘴部图像,用宽度学习系统(BLS)分别识别眼睛与嘴巴的状态;将眼睛、嘴巴和头部状态的时序序列送入二级宽度网络对司机的状态进行判别。实验结果表明,该算法的疲劳检测准确率为94.9%,单帧检测时间52.43 ms。     

基于边缘计算的疲劳驾驶检测方法

现有疲劳驾驶检测方法通常将驾驶过程中采集的数据传输至云端进行分析,然而在车辆移动过程中网络覆盖范围、响应速度等因素会造成检测实时性差。为在车载嵌入式设备上对驾驶人疲劳状态进行准确预警,提出一种基于边缘计算的疲劳驾驶检测方法。通过改进的多任务卷积神经网络确定人脸区域,根据人脸的面部比例关系定位驾驶人的眼部与嘴部区域,利用基于Ghost模块的轻量化AlexNet分类检测眼部与嘴部的开闭状态,并结合PERCLOS和PMOT指标值实现疲劳检测。在NHTU-DDD数据集上的实验结果表明,该方法在树莓派4B开发板上的检测准确率达到93.5%且单帧平均检测时间为180 ms,在保障检测准确率的同时大幅降低了计算量,能较好地满足疲劳驾驶的实时检测需求。     

基于贝叶斯网络的疲劳度及注意力检测

为提高基于单一特征检测算法的准确率和可靠性，提出基于贝叶斯网络融合多个特征参数的检测算法。定位眼睛和嘴巴，利用两眼和嘴巴组成的三角形建立头部旋转模型，提取各特征的参数并用贝叶斯网络进行融合，用来判断驾驶员的驾驶状态，当出现非正常驾驶状态时给以警告。实验结果表明，该算法对于检测出驾驶员的疲劳度和注意力分散状态有较高的准确性。     

基于轨迹稀疏聚类的高速公路车辆检测

针对高速公路中车辆的实时检测问题,提出了一种基于轨迹稀疏谱聚类的高速公路车辆检测方法。使用ORB算法检测特征点并利用基于金字塔LK光流算法进行跟踪得出特征点轨迹,将轨迹逆投影至三维世界坐标系,利用轨迹三维信息构建轨迹间的相似矩阵并对其进行稀疏化处理,采用谱聚类方法对特征点轨迹进行初步聚类,对谱聚类结果进行类间合并得出车辆检测结果。实验结果表明,方法花费了更少的时间代价,有效地解决了车辆遮挡问题,车辆实时检测精度提高至93%,具有一定的有效性和价值。     

基于CNN和SVM的疲劳驾驶闭眼特征实时检测

针对现有疲劳驾驶检测方法中实时性和泛化能力不足的问题, 本文提出了一种基于卷积神经网络(Convolutional Neural Networks, CNN)和支持向量机(Support Vector Machine, SVM)的疲劳驾驶闭眼特征检测方法, 使用CNN获取人脸相关特征点的位置并定位眼部感兴趣区域(Region Of Interest, ROI), 通过灰度化和直方图均衡化操作减弱光照差异的影响, 提取ROI的方向梯度直方图(Histogram of Oriented Gradient, HOG), 并用SVM对HOG进行分类, 相应的判断出原始图像是否包含疲劳驾驶闭眼特征. 本文给出了所提方法在PC平台和ARM平台实现的实时性验证, 在不同光照和背景条件下对多位受测人员进行测试, 实验结果表明该方法对疲劳驾驶闭眼特征检测准确率在94％以上, 处理速度满足实时性要求, 且具有较强的泛化能力.