基于深度学习的驾驶员疲劳检测技术研究

发布时间：2025-05-28 05:06

　　汽车的广泛普及极大方便了人们的出行,但同时它们也带来了交通事故隐患。频繁的交通事故不仅造成社会资源的破坏与浪费,而且威胁着人们的生命安全。引发交通事故的原因中疲劳驾驶所占比重较大。因此,设计一款能够实时检测驾驶员疲劳状态的系统显得尤为重要。然而,传统的疲劳检测方法存在准确率不高和无法满足实时性要求的问题。本文利用深度学习技术,并结合当下流行的目标检测算法,提出一种新的稳定且有效的疲劳检测算法。 基于YOLOv5目标检测算法,并充分考虑到人脸信息的重要性,提出了一种融合人脸68关键点模型与改进YOLOv5算法的检测方法。本方法在YOLOv5头部网络结构增加了一个特征检测模块,并使用了关键点损失函数Wing loss。通过在公共数据集FDDB与300W上,与MTCNN、对抗式自动编码器等人脸检测算法进行对比,验证了本文提出的检测算法具备更强的目标特征提取能力和更高的检测准确度。此外,本文通过分析驾驶员疲劳特征状态,将驾驶员的眼睛与嘴巴信息作为疲劳的特征判断依据,并在自建数据集上,从准确率、召回率、m AP＿0.5和m AP＿0.5:0.95等评估指标方面,使用本文提出的检测算法进行了眼睛与嘴...

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景
    1.2 国内外研究现状
        1.2.1 疲劳检测方法研究现状
        1.2.2 基于深度学习方法的疲劳检测现状
    1.3 本文主要研究内容与结构安排
        1.3.1 本文主要研究内容
        1.3.2 本文的结构安排
    1.4 本章小结
第2章 驾驶员疲劳检测的研究方案
    2.1 研究方案设计
    2.2 硬件装置与环境设计
        2.2.1 数据采集装置
        2.2.2 数据来源及采集环境介绍
    2.3 本章小节
第3章 人脸及特征点检测算法的研究
    3.1 目标检测算法YOLOv5
    3.2 改进策略
        3.2.1 脸部 68 关键点的引入
        3.2.2 网络架构改进
        3.2.3 改进前后对比
    3.3 网络性能验证
        3.3.1 数据集
        3.3.2 MTCNN检测算法
        3.3.3 对抗式自动编码器检测算法
    3.4 本章小结
第4章 驾驶员疲劳状态的判定
    4.1 疲劳的特征选取与计算方法
        4.1.1 眼部特征
        4.1.2 嘴部特征
    4.2 疲劳特征的检测结果与分析
        4.2.1 数据预处理
        4.2.2 实验参数设置与评价指标
        4.2.3 检测结果与分析
    4.3 疲劳状态的判定
        4.3.1 长短时记忆网络
        4.3.2 基于 BiLSTM 网络的注意力机制
        4.3.3 判定算法的性能对比
    4.4 本章小结
第5章 疲劳检测可视化界面构建
    5.1 开发工具软件介绍
    5.2 可视化界面构建
        5.2.1 可视化界面整体流程介绍
        5.2.2 界面介绍与功能分析
        5.2.3 疲劳判别运行效果
    5.3 本章小结
第6章 总结与展望
    6.1 总结
    6.2 展望
参考文献



本文编号：4048122