基于边缘计算的驾驶员疲劳检测
这是一篇关于嵌入式,边缘计算,深度学习,人脸检测,表情识别,疲劳驾驶的论文, 主要内容为疲劳驾驶是导致交通事故发生的重要原因之一,因疲劳驾驶导致的交通事故发生率在不断增加,及时预警驾驶员的疲劳状态有着重要的现实意义。论文对驾驶员疲劳状态检测的相关算法进行了研究,并基于嵌入式平台,设计了一款用于提醒驾驶人员及时休息的疲劳驾驶检测系统。首先,根据系统的总体需求确定了系统的工作流程,设计了系统的总体架构,在此基础上完成了系统的软硬件设计,硬件以嵌入式开发板IMX6ULL为核心,配置OV5640摄像头和ATK-7084显示屏等模块,完成了Linux操作系统内核的裁剪和移植,编写了相关模块的驱动程序,基于QT/Embedded完成了应用程序的设计。其次,对基于面部特征的驾驶员疲劳状态检测算法进行了研究,针对当今主流算法MTCNN在人脸特征点检测方面存在的效率低等缺点进行了改进,采用了分级任务,融入了空洞卷积、空间可分离卷积、分组卷积、平均池化和改进的XCeption模块,设计了轻量化卷积神经网络Stretch-Net用于人脸特征点检测,减少了数据冗余,加快了运算过程中的收敛速度,增强了网络的稀疏运算能力,从而提高了计算效率。另外还构建了一种基于多特征的SVM分类模型,根据多帧的分类结果判断疲劳状态,用于解决原有的疲劳判别方式过于单一的问题。将训练好的网络部署到边缘计算设备上,用于驾驶员疲劳状态检测。最后,对系统的各模块进行了测试,包括特征点检测和疲劳状态识别。实验结果表明,本课题设计的系统满足用户的前期需求,并且具有良好的安全性、稳定性和可靠性,同时该系统具有较高的检测精度和实用价值,可在驾驶领域得到广泛应用。
基于深度学习的危险驾驶行为检测技术研究
这是一篇关于深度学习,人脸识别,人脸关键点,疲劳驾驶,分心驾驶的论文, 主要内容为近年来,交通运输业的快速发展便利了人们的出行方式,但交通事故的发生率也在持续增加。根据大量研究报告显示,造成交通事故的重要原因为疲劳驾驶和分心驾驶。针对这两种危险驾驶检测的问题,国内外的研究人员提出了基于驾驶员生理特征、面部特征以及车辆行驶特征的检测方法。其中基于驾驶员生理特征和车辆行驶特征的检测方法往往会影响驾驶员的行驶状况,舒适性极差,精确度低;基于面部特征的检测方法虽然检测精确度有所提高,但检测速度慢,模型内存较大。为了解决上述问题,本文提出了一种基于深度学习的危险驾驶检测算法,该算法具备较高的准确性和实时性。本文的主要工作如下:(1)驾驶员的人脸检测与关键点检测和提取。在人脸检测任务中,为了解决模型检测速度过慢的问题,本文基于MTCNN提出了一种轻量化网络,将PNet、R-Net和O-Net网络中的普通卷积替换为深度可分离卷积,并且在O-Net网络的全连接层前加入Dropout层,防止过拟合现象,通过实验对比验证该算法的检测速度和精确度;在人脸关键点检测和提取任务中,为了解决原始模型对夸张样本关注程度高和损失函数收敛较慢的问题,本文基于PFLD算法改进了辅助网络以及损失函数,首先将人脸关键点的损失函数修改为Wing loss函数,该函数可以很好的解决“离群点”这一问题,再将原辅助网络头部姿态估计替换为眼部和嘴部位置估计,经过人脸68关键点的位置和辅助网络估计出的位置进行平均得出眼部和嘴部的位置,再根据眼部和嘴部的关键点位置提取相应区域。(2)疲劳特征状态识别和判定。在疲劳特征状态识别任务中,为了提高模型的精确度和推理速度,本文基于YOLOv5s算法添加了三种不同的注意力机制,通过实验对比不同机制对模型的大小、精确度和检测速度的影响,最终选取性能较好的网络作为眼部和嘴部状态识别的网络,再利用欧拉角判定头部姿态;在疲劳状态判定任务中,不再采用单一面部特征,本文提出一种新的融合方法,将眨眼频率、PERCLOS参数、最大闭眼时间、打哈欠频率和点头频率参数进行加权平均求和,根据计算出的疲劳值判定驾驶员的疲劳等级。(3)分心驾驶检测。本文选取十类驾驶行为:安全驾驶、左右手打电话、左右手发短信、喝水、调车载设备、头部向后、整理妆容和与乘客交流。将选取性能较好的注意力机制添加到Resnet50网络中,提出了一种Resnet50-CA网络,通过Grad-CAM热力图可视化出改进前后模型检测效果。
基于深度学习的危险驾驶行为检测技术研究
这是一篇关于深度学习,人脸识别,人脸关键点,疲劳驾驶,分心驾驶的论文, 主要内容为近年来,交通运输业的快速发展便利了人们的出行方式,但交通事故的发生率也在持续增加。根据大量研究报告显示,造成交通事故的重要原因为疲劳驾驶和分心驾驶。针对这两种危险驾驶检测的问题,国内外的研究人员提出了基于驾驶员生理特征、面部特征以及车辆行驶特征的检测方法。其中基于驾驶员生理特征和车辆行驶特征的检测方法往往会影响驾驶员的行驶状况,舒适性极差,精确度低;基于面部特征的检测方法虽然检测精确度有所提高,但检测速度慢,模型内存较大。为了解决上述问题,本文提出了一种基于深度学习的危险驾驶检测算法,该算法具备较高的准确性和实时性。本文的主要工作如下:(1)驾驶员的人脸检测与关键点检测和提取。在人脸检测任务中,为了解决模型检测速度过慢的问题,本文基于MTCNN提出了一种轻量化网络,将PNet、R-Net和O-Net网络中的普通卷积替换为深度可分离卷积,并且在O-Net网络的全连接层前加入Dropout层,防止过拟合现象,通过实验对比验证该算法的检测速度和精确度;在人脸关键点检测和提取任务中,为了解决原始模型对夸张样本关注程度高和损失函数收敛较慢的问题,本文基于PFLD算法改进了辅助网络以及损失函数,首先将人脸关键点的损失函数修改为Wing loss函数,该函数可以很好的解决“离群点”这一问题,再将原辅助网络头部姿态估计替换为眼部和嘴部位置估计,经过人脸68关键点的位置和辅助网络估计出的位置进行平均得出眼部和嘴部的位置,再根据眼部和嘴部的关键点位置提取相应区域。(2)疲劳特征状态识别和判定。在疲劳特征状态识别任务中,为了提高模型的精确度和推理速度,本文基于YOLOv5s算法添加了三种不同的注意力机制,通过实验对比不同机制对模型的大小、精确度和检测速度的影响,最终选取性能较好的网络作为眼部和嘴部状态识别的网络,再利用欧拉角判定头部姿态;在疲劳状态判定任务中,不再采用单一面部特征,本文提出一种新的融合方法,将眨眼频率、PERCLOS参数、最大闭眼时间、打哈欠频率和点头频率参数进行加权平均求和,根据计算出的疲劳值判定驾驶员的疲劳等级。(3)分心驾驶检测。本文选取十类驾驶行为:安全驾驶、左右手打电话、左右手发短信、喝水、调车载设备、头部向后、整理妆容和与乘客交流。将选取性能较好的注意力机制添加到Resnet50网络中,提出了一种Resnet50-CA网络,通过Grad-CAM热力图可视化出改进前后模型检测效果。
基于深度学习的疲劳驾驶检测系统的设计与实现
这是一篇关于疲劳驾驶,深度学习,计算机视觉,PP-YOLO,模型训练的论文, 主要内容为道路交通安全问题与社会中的每个人都有着密不可分的联系,有统计数据表明,疲劳驾驶是导致道路交通安全事故的几大主要原因之一。为了更好的解决司机疲劳驾驶的问题,众多汽车厂商与科研机构都对此展开了研究。针对疲劳驾驶检测,目前最常用的方法有三种,分别为基于生理特征的检测方法、基于车辆行驶信息的检测方法以及基于驾驶人行为特征的检测方法。前两种方法由于分别具有对驾驶员含有侵入性与检测精度较低等问题而导致在实际生产条件下不能大规模投入使用。针对以上问题,本文选择采用基于驾驶人行为特征的检测方法,结合深度学习技术在计算机视觉领域的广泛应用与显著优势,设计并实现了一套疲劳驾驶检测系统。该系统包含车载设备与后台管理系统两部分,实现了对驾驶员疲劳状态的实时监控与检测预警功能。本文中驾驶员的疲劳状态检测采用了在检测速度与检测精度两端性能平衡较好的PP-YOLO检测模型。不同于基于生理特征的检测方法所具有的对驾驶员含有入侵性以及基于车辆行驶信息的检测方法因为受道路状况与司机驾驶习惯等众多因素影响而导致的检测精度较低等问题,基于驾驶人行为特征的检测方法具有无入侵,准确率高且适用条件广泛等众多优点。针对车载移动端检测设备算力不足等问题,本文利用更换特征提取骨干网络等方法对检测模型进行了改进,从而在特定设备上达到了检测精度与检测实时性都较好的效果。本文的主要工作内容有以下三点:1.采用国产开源深度学习平台Paddle Paddle,训练出了基于PP-YOLO的疲劳驾驶检测模型,并且在特定移动端设备上达到了较好的检测效果。2.充分考虑实际生产情况,对疲劳驾驶检测系统进行了设计。从系统的需求分析、架构设计、主要功能模块设计、业务流程展示以及数据库设计等方面全面对系统做出了阐述。3.全面实现并展示了疲劳驾驶检测系统的各项功能,并对系统整体进行了测试。通过测试,车载设备可以对驾驶员的疲劳驾驶情况及时、准确的发出语音报警提示,并将相关报警信息上传至后台服务器以方便管理人员及时了解情况,系统整体应用效果达到了预期设计目标,可以满足实际的使用需求。
基于面部特征的驾驶疲劳检测应用研究
这是一篇关于疲劳驾驶,深度学习,轻量化,模型移植的论文, 主要内容为疲劳驾驶是导致交通事故频繁发生的主要原因之一,为了避免由于疲劳驾驶引发的交通事故,需要提出一种实时且准确地判断出驾驶员的驾驶状态,并及时预警的方法。本文旨在研究开发一种基于驾驶员面部特征融合的疲劳驾驶检测系统,该系统输入驾驶端摄像头获取的实时驾驶视频,基于人脸检测模型、人脸关键点定位模型以及疲劳驾驶状态判定模型,实现实时驾驶状态检测并在显示端对驾驶员进行状态提醒,从而有效避免交通事故的发生。主要工作内容如下:(1)设计轻量化人脸检测模型。为了在计算能力有限的平台上部署疲劳驾驶检测系统,并避免人脸检测模型在检测过程中消耗过多的计算资源,本文采用网络通道剪枝和知识蒸馏两种方法对YOLOv5s模型进行轻量化设计。通过对实验所得模型进行测试和对比,选择了检测效果更为突出的网络通道剪枝方法作为最终的轻量化设计方案。(2)设计人脸关键区域定位与头部姿态估计模型。与常见的眼部、嘴部区域检测方法存在计算量大以及抗干扰能力弱等问题相比,人脸关键点定位方法有更好的实时性和更高的准确性。本文将Dlib、PFLD和Mediapipe face mesh三种人脸关键点定位方法进行实验对比,并选择在各方面表现更好的Mediapipe face mesh算法来完成驾驶员眼部、嘴部和头部区域定位任务。同时,使用传统的头部姿态估计算法通过计算欧拉角,得到驾驶员头部俯角值,从而对驾驶员头部姿态进行估计。(3)设计疲劳驾驶判定模型。当驾驶员处于疲劳状态时,其自身会出现快速眨眼、仰头打哈欠和闭眼频繁点头等现象。为了对驾驶员驾驶状态进行判定与提醒,本文将计算出的眼部、嘴部和头部三个区域的特征参数进行融合,并结合疲劳参数阈值进行判定。根据疲劳驾驶检测系统需求,使用Streamlit工具开发系统软件环境。在开发过程中,将上述模型嵌入到疲劳驾驶检测系统中,通过实验进行系统的性能分析与测试,实验结果表明本课题设计的疲劳驾驶检测系统可以满足实际应用需求。最后,为了实现疲劳驾驶检测系统的实际应用,将系统移植部署至Jetson Xavier NX嵌入式平台。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码码头 ，原文地址：https://m.bishedaima.com/lunwen/54505.html
