疲劳驾驶是导致交通事故的主要原因之一,及时检测疲劳驾驶,并提醒驾驶员集中注意力,对保证安全行车具有重要意义.本文基于CAN(Controller Area Network)总线采集的车辆运行状态数据,提取了18项与驾驶行为相关的特征,并采用随机森林算法...疲劳驾驶是导致交通事故的主要原因之一,及时检测疲劳驾驶,并提醒驾驶员集中注意力,对保证安全行车具有重要意义.本文基于CAN(Controller Area Network)总线采集的车辆运行状态数据,提取了18项与驾驶行为相关的特征,并采用随机森林算法对疲劳驾驶进行识别,结果表明整体的识别准确率为0.785,其中召回率为0.61,即61%的疲劳驾驶状态可被识别出来.实验表明,基于车辆运行状态的疲劳驾驶检测具有一定的效果,且与其他客观的疲劳驾驶检测方法(基于驾驶员生理指标和图像面部特征)相比,具有简单方便,不影响驾驶,且成本低的优势.展开更多
为在驾驶员佩戴眼镜的情况下也能准确有效地检测疲劳状态,提出一种判断是否佩戴眼镜的方法,并建立了基于眼睛与嘴部状态的疲劳驾驶检测系统。对该系统中有关目标检测、特征提取与图像识别等算法进行研究。首先,采用Adaboost算法通过人...为在驾驶员佩戴眼镜的情况下也能准确有效地检测疲劳状态,提出一种判断是否佩戴眼镜的方法,并建立了基于眼睛与嘴部状态的疲劳驾驶检测系统。对该系统中有关目标检测、特征提取与图像识别等算法进行研究。首先,采用Adaboost算法通过人脸分类器从视频帧中检测人脸区域,并根据面部器官几何分布规则粗检眼睛与嘴部区域;其次,基于大律法自适应二值化,采用垂直积分投影法判断是否配戴眼镜,根据灰度直方图统计特征值法判断戴眼镜的眼部区域状态,另外,利用似圆度判断嘴部打哈欠情况;最后,利用PERCLOS(Percentage of Eyelid Closure over the Pupil)值识别眼睛疲劳状态,利用打哈欠频率识别嘴部疲劳状态。当检测到驾驶员处于疲劳状态,则及时给出疲劳警告。实验结果表明,该方法可有效解决眼镜对检测的干扰,并适用于不同光照与环境。同时,在戴眼镜情况下对于眼睛与嘴部疲劳状态的判断优于其他方法。基本满足疲劳检测系统对良好的实时性、稳定性与鲁棒性等要求。展开更多
针对疲劳驾驶检测问题,提出一种以softmax损失与中心损失相结合的深度卷积神经网络算法。首先,利用含有方向的梯度直方图(histogram of oriented gridients,HOG)和级联分类器(support vector machine,SVM)算法的Dlib库中预训练的人脸检...针对疲劳驾驶检测问题,提出一种以softmax损失与中心损失相结合的深度卷积神经网络算法。首先,利用含有方向的梯度直方图(histogram of oriented gridients,HOG)和级联分类器(support vector machine,SVM)算法的Dlib库中预训练的人脸检测器,来检测驾驶员的脸部区域。其次,使用级联回归(ensemble of regression trees,ERT)算法实现脸部68个关键点标定及眼睛和嘴巴的定位。最后,为了优化softmax损失在深度卷积网络分类中出现的类内间距大的问题,加入中心损失函数,提高类间差异性、类内紧密性以及驾驶员脸部疲劳状态识别准确率。在自建测试集和YawDD哈欠数据集中的实验结果显示,该方法能够准确地识别检测驾驶员疲劳表情,平均识别准确率达到98.81%。与传统的疲劳驾驶检测识别方法相比,该方法可以自动进行疲劳特征提取,并且训练准确率、检测识别率及鲁棒性得到提高;与未改进的深度卷积网络相比,检测识别的概率平均提高了约5.09%。展开更多
文摘疲劳驾驶是导致交通事故的主要原因之一,及时检测疲劳驾驶,并提醒驾驶员集中注意力,对保证安全行车具有重要意义.本文基于CAN(Controller Area Network)总线采集的车辆运行状态数据,提取了18项与驾驶行为相关的特征,并采用随机森林算法对疲劳驾驶进行识别,结果表明整体的识别准确率为0.785,其中召回率为0.61,即61%的疲劳驾驶状态可被识别出来.实验表明,基于车辆运行状态的疲劳驾驶检测具有一定的效果,且与其他客观的疲劳驾驶检测方法(基于驾驶员生理指标和图像面部特征)相比,具有简单方便,不影响驾驶,且成本低的优势.
文摘为在驾驶员佩戴眼镜的情况下也能准确有效地检测疲劳状态,提出一种判断是否佩戴眼镜的方法,并建立了基于眼睛与嘴部状态的疲劳驾驶检测系统。对该系统中有关目标检测、特征提取与图像识别等算法进行研究。首先,采用Adaboost算法通过人脸分类器从视频帧中检测人脸区域,并根据面部器官几何分布规则粗检眼睛与嘴部区域;其次,基于大律法自适应二值化,采用垂直积分投影法判断是否配戴眼镜,根据灰度直方图统计特征值法判断戴眼镜的眼部区域状态,另外,利用似圆度判断嘴部打哈欠情况;最后,利用PERCLOS(Percentage of Eyelid Closure over the Pupil)值识别眼睛疲劳状态,利用打哈欠频率识别嘴部疲劳状态。当检测到驾驶员处于疲劳状态,则及时给出疲劳警告。实验结果表明,该方法可有效解决眼镜对检测的干扰,并适用于不同光照与环境。同时,在戴眼镜情况下对于眼睛与嘴部疲劳状态的判断优于其他方法。基本满足疲劳检测系统对良好的实时性、稳定性与鲁棒性等要求。
文摘针对疲劳驾驶检测问题,提出一种以softmax损失与中心损失相结合的深度卷积神经网络算法。首先,利用含有方向的梯度直方图(histogram of oriented gridients,HOG)和级联分类器(support vector machine,SVM)算法的Dlib库中预训练的人脸检测器,来检测驾驶员的脸部区域。其次,使用级联回归(ensemble of regression trees,ERT)算法实现脸部68个关键点标定及眼睛和嘴巴的定位。最后,为了优化softmax损失在深度卷积网络分类中出现的类内间距大的问题,加入中心损失函数,提高类间差异性、类内紧密性以及驾驶员脸部疲劳状态识别准确率。在自建测试集和YawDD哈欠数据集中的实验结果显示,该方法能够准确地识别检测驾驶员疲劳表情,平均识别准确率达到98.81%。与传统的疲劳驾驶检测识别方法相比,该方法可以自动进行疲劳特征提取,并且训练准确率、检测识别率及鲁棒性得到提高;与未改进的深度卷积网络相比,检测识别的概率平均提高了约5.09%。
