针对疲劳检测中小尺度检测效果不佳和实时性差等问题,以矿井提升机司机疲劳检测为目标,对YOLOv7的结构进行精简并且基于AIoU(Area Intersection over Union)损失函数优化预测框与验证框的回归过程.在模型中引入双通道注意力机制实现小...针对疲劳检测中小尺度检测效果不佳和实时性差等问题,以矿井提升机司机疲劳检测为目标,对YOLOv7的结构进行精简并且基于AIoU(Area Intersection over Union)损失函数优化预测框与验证框的回归过程.在模型中引入双通道注意力机制实现小尺度特征的信息增强,通过融合眨眼频率、闭眼时长和打哈欠时长来判断司机的状态.实验结果表明,本文方法对疲劳检测精度达到98.85%,检测速度达到70 FPS,与其他算法相比,本文算法具有更好的准确性和实时性.展开更多
针对疲劳驾驶检测问题,提出一种基于人脸图像特征的眼部疲劳检测方法。利用RetinaFace网络检测面部区域的位置;通过级联回归树(ERT,Ensemble of Regression Trees)算法获取人脸68个关键特征点,同时完成对眼部区域的划分;计算人眼纵横比...针对疲劳驾驶检测问题,提出一种基于人脸图像特征的眼部疲劳检测方法。利用RetinaFace网络检测面部区域的位置;通过级联回归树(ERT,Ensemble of Regression Trees)算法获取人脸68个关键特征点,同时完成对眼部区域的划分;计算人眼纵横比,判断出睁眼和闭眼行为;根据PERCLOS度量准则实现疲劳状态的检测与判定。在YawDD数据集上的实验结果表明,该方法识别的平均准确率、精确率和召回率分别为90.24%、92.41%和91.90%,能有效识别眼部疲劳状态。展开更多
文摘针对疲劳检测中小尺度检测效果不佳和实时性差等问题,以矿井提升机司机疲劳检测为目标,对YOLOv7的结构进行精简并且基于AIoU(Area Intersection over Union)损失函数优化预测框与验证框的回归过程.在模型中引入双通道注意力机制实现小尺度特征的信息增强,通过融合眨眼频率、闭眼时长和打哈欠时长来判断司机的状态.实验结果表明,本文方法对疲劳检测精度达到98.85%,检测速度达到70 FPS,与其他算法相比,本文算法具有更好的准确性和实时性.
文摘针对疲劳驾驶检测问题,提出一种基于人脸图像特征的眼部疲劳检测方法。利用RetinaFace网络检测面部区域的位置;通过级联回归树(ERT,Ensemble of Regression Trees)算法获取人脸68个关键特征点,同时完成对眼部区域的划分;计算人眼纵横比,判断出睁眼和闭眼行为;根据PERCLOS度量准则实现疲劳状态的检测与判定。在YawDD数据集上的实验结果表明,该方法识别的平均准确率、精确率和召回率分别为90.24%、92.41%和91.90%,能有效识别眼部疲劳状态。
