發(fā)布時間：2018-11-10 11:46

【摘要】：基于計算機視覺的疲勞檢測具有低侵入性、低成本的優(yōu)點,然而光照變化、面部表情、復雜背景等仍然對檢測率造成很大的影響。以卷積神經網絡為代表的深度學習以其較強的特征提取能力和魯棒性在模式識別領域取得了成功的應用。本文提出了一種基于級聯(lián)卷積神經網絡(CNN)結構的疲勞檢測算法。首先訓練第1級網絡實現(xiàn)人眼與非人眼的分類,使網絡充分學習人眼特征,當輸入目標圖像時,人眼區(qū)域能快速從第一級網絡特征圖中分離出來;然后將人眼圖像傳送給第2級網絡檢測眼部特征點位置,計算眼睛張開度并以此判斷測試者眼睛狀態(tài),構造疲勞檢測模型;最后根據連續(xù)多幀的眼睛狀態(tài)序列,判斷測試者是否處于疲勞狀態(tài)。在檢測誤差為5%時,眼部4個特征點的平均檢測正確率為93.10%,單點檢測正確率最高可達97.14%。測試結果表明,在本文提出方法下眼睛的清醒和疲勞狀態(tài)有明顯的不同,證明本文提出的方法有效可行,具有較好的應用前景。
[Abstract]:Fatigue detection based on computer vision has the advantages of low invasion and low cost. However, illumination changes, facial expressions and complex background still have a great impact on the detection rate. The deep learning represented by convolution neural network has been successfully applied in pattern recognition with its strong feature extraction ability and robustness. This paper presents a fatigue detection algorithm based on cascaded convolution neural network (CNN) structure. First, the first level network is trained to realize the classification of human eye and non-human eye, so that the network can fully learn the human eye feature. When the target image is inputted, the human eye region can be quickly separated from the first level network feature map. Then the human eye image is transmitted to the second level network to detect the position of eye feature points, and the eye opening degree is calculated to judge the state of the testers' eyes, and a fatigue detection model is constructed. Finally, according to the sequence of eye states, the testers are judged whether they are tired or not. When the detection error is 5, the average detection accuracy of the four characteristic points of the eye is 93.1010 and the highest accuracy of single point detection is 97.14. The test results show that there are obvious differences between the awake and fatigue states of the eyes under the proposed method, which proves that the proposed method is effective and feasible, and has a good prospect of application.
【作者單位】： 南開大學現(xiàn)代光學研究所;公安海警學院電子技術系;
【基金】：國家自然科學基金(61401105) 教育部重點(DIA150308) 浙江省教育教學改革(JG2015207)資助項目
【分類號】：TP183;TP391.41

【相似文獻】

相關期刊論文 前10條

1 陳勇;黃琦;劉霞;張昌華;;一種全天候駕駛員疲勞檢測方法研究[J];儀器儀表學報;2009年03期

2 薄華;王蕾;;基于人眼識別的駕駛員疲勞檢測[J];電腦知識與技術;2011年25期

3 馬馳;;人眼識別在疲勞檢測中的應用[J];科技傳播;2010年22期

4 王威;胡永忠;;一種用于駕駛員疲勞檢測的人眼狀態(tài)判別方法[J];計算機光盤軟件與應用;2012年13期

5 鄔敏杰;穆平安;張彩艷;;基于眼睛和嘴巴狀態(tài)的駕駛員疲勞檢測算法[J];計算機應用與軟件;2013年03期

6 劉金金;林慶;;基于多參數的駕駛員疲勞檢測系統(tǒng)[J];無線通信技術;2014年02期

7 陸二慶;楊偉亮;;駕駛員疲勞檢測報警系統(tǒng)的研究設計[J];網絡安全技術與應用;2012年05期

8 蘇曉娜;李曉明;;人臉檢測及眼睛定位在駕駛員疲勞檢測中的應用[J];科學技術與工程;2012年17期

9 楊海燕;蔣新華;王雷;;一種基于人臉序列模式的機車駕駛員疲勞檢測方法[J];鐵道學報;2012年05期

10 朱振華;吳曉娟;王磊;亓磊;;基于眨眼持續(xù)時間的司機疲勞檢測方法[J];計算機工程;2008年05期

相關會議論文 前1條

1 胡慶新;張淑鳳;方躍;;弱光環(huán)境下駕駛員的人臉檢測和眼睛追蹤[A];第六屆全國信息獲取與處理學術會議論文集（3）[C];2008年

相關碩士學位論文 前10條

1 王豪榮;基于人臉特征融合的疲勞檢測方法研究[D];長安大學;2015年

2 王兆偉;基于眼態(tài)識別的疲勞駕駛檢測技術研究[D];長安大學;2015年

3 蔣文博;基于計算機視覺的疲勞駕駛檢測技術研究[D];北京化工大學;2015年

4 張譯心;基于面部特征的駕駛員疲勞算法應用研究[D];吉林農業(yè)大學;2015年

5 韓吉祥;基于SOPC的駕駛員疲勞檢測系統(tǒng)設計[D];黑龍江大學;2015年

6 王雷;基于人臉檢測的疲勞駕駛分析[D];合肥工業(yè)大學;2014年

7 陳中勝;基于紅外視頻圖像眼睛信息特征的疲勞檢測[D];廣西科技大學;2015年

8 趙曉琳;基于面部信息的疲勞駕駛檢測方法研究[D];吉林大學;2016年

9 王帥;基于圖像處理的哨兵眼部疲勞檢測方法研究[D];云南大學;2016年

10 彭發(fā)超;基于視覺的駕駛員疲勞檢測算法研究[D];湖南大學;2016年

，

本文編號：2322387