论文部分内容阅读
疲劳驾驶是造成交通事故的主要原因之一,所以研究驾驶员疲劳检测方法,及时地检测出驾驶员是否疲劳,在其疲劳时对驾驶员给予警告提醒,对减少因疲劳驾驶导致的交通事故而言有着十分重大的意义。目前,驾驶员疲劳检测多数是基于驾驶员面部视觉特征判别疲劳状态,但在提取驾驶员疲劳特征时,会受光照、人脸角度等因素影响,使得该方法的疲劳检测的准确率相对不高。
针对以上问题,提出了基于深度卷积神经网络的疲劳驾驶检测方法,深度网络可以直接从驾驶员图像中学习疲劳的视觉特征,相较于手工提取的特征对光照、姿势等条件变化具有更好的鲁棒性,预测精度更高。首先使用优化的MTCNN算法实现人脸检测以及脸部特征点定位,再利用特征点之间的几何关系获取眼睛和嘴部区域。再结合深度学习,建立疲劳表情训练模型,对驾驶员非疲劳、轻度疲劳、严重疲劳三种状态下人眼、嘴巴以及面部表情进行特征提取,有监督训练学习,最后实现疲劳表情识别。主要研究内容如下:
(1)采用深度可分离卷积优化后的MTCNN算法实现人脸检测以及特征点标定,在检测精度下降较小的情况下,计算量减少了8~9倍,对于像素过大的驾驶员图片,提升了检测速度,人脸检测的准确率提高,为疲劳检测奠定了基础。
(2)提出融合眼部、嘴部和脸部的视觉特征作为判别驾驶员疲劳状态的方法。利用深度卷积神经网络模型对获取的驾驶员眼部、嘴部和脸部这三种疲劳指标进行特征提取、识别。实验结果表明,针对驾驶员佩戴普通眼镜和太阳镜的情况下,仅靠眼部特征判断疲劳识别率较低的问题,融合的检测方法取得了更好的疲劳识别效果。
(3)提出了改进的疲劳检测网络模型。在GoogLeNet模型的卷积层加入了最新的神经网络正则化算法DropBlock技术,适合于卷积层的随机丢弃策略,对深度卷积神经网络模型网络层参数过多,产生过拟合和梯度弥散问题,得到很好的解决,相比于Dropout能更有效的移除语义信息,提高模型的鲁棒性。
(4)利用softmax损失函数与中心损失函数共同作为GoogLeNet模型训练的监督信号,对驾驶员三种视觉特征进行训练、学习,最后识别。两种损失函数的结合不仅扩大了类间间距,而且缩小了类内间距,改善了由于类内间距过大造成疲劳状态分类、识别效果不好的问题。
实验结果表明,优化的MTCNN人脸检测算法检测速度加快且检测准确率提高。结合DropBlock技术和center loss损失函数改进的深度卷积神经网络的疲劳驾驶检测模型,疲劳的识别率更高,鲁棒性更强,同时验证了本文所提算法的有效性与可行性。
针对以上问题,提出了基于深度卷积神经网络的疲劳驾驶检测方法,深度网络可以直接从驾驶员图像中学习疲劳的视觉特征,相较于手工提取的特征对光照、姿势等条件变化具有更好的鲁棒性,预测精度更高。首先使用优化的MTCNN算法实现人脸检测以及脸部特征点定位,再利用特征点之间的几何关系获取眼睛和嘴部区域。再结合深度学习,建立疲劳表情训练模型,对驾驶员非疲劳、轻度疲劳、严重疲劳三种状态下人眼、嘴巴以及面部表情进行特征提取,有监督训练学习,最后实现疲劳表情识别。主要研究内容如下:
(1)采用深度可分离卷积优化后的MTCNN算法实现人脸检测以及特征点标定,在检测精度下降较小的情况下,计算量减少了8~9倍,对于像素过大的驾驶员图片,提升了检测速度,人脸检测的准确率提高,为疲劳检测奠定了基础。
(2)提出融合眼部、嘴部和脸部的视觉特征作为判别驾驶员疲劳状态的方法。利用深度卷积神经网络模型对获取的驾驶员眼部、嘴部和脸部这三种疲劳指标进行特征提取、识别。实验结果表明,针对驾驶员佩戴普通眼镜和太阳镜的情况下,仅靠眼部特征判断疲劳识别率较低的问题,融合的检测方法取得了更好的疲劳识别效果。
(3)提出了改进的疲劳检测网络模型。在GoogLeNet模型的卷积层加入了最新的神经网络正则化算法DropBlock技术,适合于卷积层的随机丢弃策略,对深度卷积神经网络模型网络层参数过多,产生过拟合和梯度弥散问题,得到很好的解决,相比于Dropout能更有效的移除语义信息,提高模型的鲁棒性。
(4)利用softmax损失函数与中心损失函数共同作为GoogLeNet模型训练的监督信号,对驾驶员三种视觉特征进行训练、学习,最后识别。两种损失函数的结合不仅扩大了类间间距,而且缩小了类内间距,改善了由于类内间距过大造成疲劳状态分类、识别效果不好的问题。
实验结果表明,优化的MTCNN人脸检测算法检测速度加快且检测准确率提高。结合DropBlock技术和center loss损失函数改进的深度卷积神经网络的疲劳驾驶检测模型,疲劳的识别率更高,鲁棒性更强,同时验证了本文所提算法的有效性与可行性。