为了提高夜间疲劳驾驶检测的准确率,在现有低光增强算法Zero-DCE(Zero-Reference Deep Curve Estimation)的基础上,提出改进Zero-DCE的低光增强算法。首先,引入上下采样结构,减少噪声影响。同时,引入注意力门控机制,提高网络对图像中人...为了提高夜间疲劳驾驶检测的准确率,在现有低光增强算法Zero-DCE(Zero-Reference Deep Curve Estimation)的基础上,提出改进Zero-DCE的低光增强算法。首先,引入上下采样结构,减少噪声影响。同时,引入注意力门控机制,提高网络对图像中人脸区域的敏感性,有效提高网络的检测率。然后,针对噪声相关问题,提出改进的核选择模块。进一步,使用MobileNet的深度可分离卷积替换Zero-DCE的标准卷积,提高网络的检测速度。最后,通过人脸关键点检测网络和分类网络,判断驾驶员的疲劳状态。实验表明,在夜间环境下,相比现有的疲劳驾驶检测算法,文中算法在人脸检测的准确率和眼睛状态的识别率上都有所提升,取得较令人满意的检测效果。展开更多
文摘为了提高夜间疲劳驾驶检测的准确率,在现有低光增强算法Zero-DCE(Zero-Reference Deep Curve Estimation)的基础上,提出改进Zero-DCE的低光增强算法。首先,引入上下采样结构,减少噪声影响。同时,引入注意力门控机制,提高网络对图像中人脸区域的敏感性,有效提高网络的检测率。然后,针对噪声相关问题,提出改进的核选择模块。进一步,使用MobileNet的深度可分离卷积替换Zero-DCE的标准卷积,提高网络的检测速度。最后,通过人脸关键点检测网络和分类网络,判断驾驶员的疲劳状态。实验表明,在夜间环境下,相比现有的疲劳驾驶检测算法,文中算法在人脸检测的准确率和眼睛状态的识别率上都有所提升,取得较令人满意的检测效果。
