CN107704836A - 基于物体检测的疲劳驾驶检测方法 - Google Patents
基于物体检测的疲劳驾驶检测方法 Download PDFInfo
- Publication number
- CN107704836A CN107704836A CN201710966917.0A CN201710966917A CN107704836A CN 107704836 A CN107704836 A CN 107704836A CN 201710966917 A CN201710966917 A CN 201710966917A CN 107704836 A CN107704836 A CN 107704836A
- Authority
- CN
- China
- Prior art keywords
- mrow
- frame
- msub
- test pictures
- acquiescence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于物体检测的疲劳驾驶检测方法，其包括获取驾驶位置处的视频信息，并等间隔选取视频信息中的一帧测试图片；输入测试图片至SSD模型，采用SSD模型计算测试图片与SSD模型内每个类别中每张训练图片之间的损失值；当测试图片与训练图片之间的损失值大于第一设定阈值时，则训练图片对应类别为测试图片的类别；获取SSD模型的全连接层预测的测试图片中驾驶员的位置尺寸，并计算所述测试图片中驾驶员的位置尺寸与上一张测试图片中驾驶员的位置尺寸的差异；当差异小于第二设定阈值，则将计数器数值累加一次，并判断计数器数值是否大于第三设定阈值；若计数器数值大于第三设定阈值时，则提醒驾驶员其已处于疲劳驾驶。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于物体检测的疲劳驾驶检测方法。
背景技术
当代经济的快速发展提高了人民的生活水平，汽车保有量的不断增长就是一方面的体现，与此同时，交通事故也与日俱增。驾驶员作为道路交通系统中最重要的组成部分，在安全驾驶方面起到决定性的作用。疲劳驾驶作为导致交通事故频发的主要因素之一，如何有效监督驾驶员是否疲劳驾驶以及及时提醒驾驶员注意避免进行疲劳驾驶变得尤为重要。根据我国的《道路交通安全法》规定，连续驾车4个小时以上算是疲劳驾驶。
现阶段对驾驶员进行疲劳驾驶检测的方法大多是对驾驶员的面部提取特征，主要是对驾驶员的眼睛，使用图像处理或信息融合等方法分析驾驶员的状态。这种方法存在以下的问题：一、由于驾驶员疲劳状态下体现出的疲劳特征不尽相同，导致根据单一疲劳驾驶参数无法有效的进行疲劳驾驶检测；二、为了达到精确度，过多的检测算法步骤会降低检测效率。
发明内容
针对现有技术中的上述不足，本发明提供的基于物体检测的疲劳驾驶检测方法采用将驾驶员视频信息与驾驶时间相结合方式进行疲劳驾驶判断。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种基于物体检测的疲劳驾驶检测方法，其包括：
获取驾驶位置处的视频信息，并等间隔选取视频信息中的一帧测试图片；
输入测试图片至SSD模型，采用SSD模型计算测试图片与SSD模型内每个类别中每张训练图片之间的损失值；
当测试图片与训练图片之间的损失值大于第一设定阈值时，则训练图片对应类别为测试图片的类别；
获取SSD模型的全连接层预测的测试图片中驾驶员的位置尺寸，并计算所述测试图片中驾驶员的位置尺寸与上一张测试图片驾驶员的位置尺寸的差异；
当所述差异小于第二设定阈值，则将计数器数值累加一次，并判断计数器数值是否大于第三设定阈值；
若计数器数值大于第三设定阈值时，则提醒驾驶员其已处于疲劳驾驶。
进一步地，当测试图片中驾驶员的位置尺寸大于等于第二设定阈值，且连续两张测试图片中驾驶员的位置尺寸大于等于第二设定阈值时，选取下一张测试图片，同时重置计数器数值。
进一步地，当计数器数值小于等于第三设定阈值时，选取下一张测试图片。
进一步地，输入测试图片至SSD模型，采用SSD模型计算测试图片与SSD模型内每个类别中每张训练图片之间的损失值进一步包括：
将每层卷积层中卷积核所对应特征图划分成若干尺寸相同的特征图单元；
每个特征图单元均以其为中心生成若干默认框，并计算每个默认框的尺度：
其中，sk为尺度；smin为尺度的最小值；smax为尺度的最大值；m为特征图所在卷积层的卷积核数量；k为特征图所对应卷积核在其所在卷积层中的序号；
根据横纵比和默认框的尺度，计算默认框的宽度和高度：
其中，为默认框的宽度；为默认框的高度；ar为横纵比，
根据默认框的尺寸、宽度和高度，计算默认框与SSD模型中每个类别中正样本的匹配程度；
采用目标损失函数计算特征图与正样本所在特征图间的损失值：
其中，L(x，c，l，g)为特征图的损失值；x为匹配程度；c为默认框的置信度；l为默认框；g为正样本；N为正样本的个数；Lconf为置信度损失函数；Lloc为定位损失函数；α为权重项；
累加SSD模型中所有特征图的损失值得到图片与正样本所在特征图对应训练图片间的损失值。
进一步地，根据默认框的尺寸、宽度和高度，计算默认框与SSD模型中每个类别中正样本的匹配程度进一步包括：
根据默认框的尺寸、宽度和高度，计算默认框与SSD模型中每个类别中正样本的相似度系数：
其中，a为默认框，b为真值背景框，|a∩b|为a与b交集的模，|a∪b|为a与b并集的模，J(a,b)为相似系数；
当默认框与至少一个正样本的的相似系数大于第四设定阈值时，则默认框与正样本的匹配程度为1，否则为0。
进一步地，SSD模型的构建方法包括：
采集多个驾驶员的图像作为训练图片；
输入训练图片输入至SSD模型，并将每层卷积层中卷积核所对应特征图划分成若干尺寸相同的特征图单元；
每个特征图单元均以其为中心生成若干默认框，并计算每个默认框的尺度；
根据横纵比和默认框的尺度，计算默认框的宽度和高度；
根据默认框的尺寸、宽度和高度，计算默认框与真值背景框的匹配程度，若匹配则设置为正样本，否则设置为负样本；
SSD模型采用真值背景框、正样本和负样本训练目标损失函数，直至目标损失函数收敛，输出SSD模型。
进一步地，驾驶员的位置尺寸包括驾驶员头像所在区域的中心坐标及长度和宽度，所述第二设定阈值包括中心阈值、长度阈值和宽度阈值。
进一步地，从视频信息中选取测试图片时，采用采用OpenCV等间隔选取视频信息中的一帧测试图片。
本发明的有益效果为：本发明从驾驶位置处获取的视频信息结合SSD模型(物体检测)，能对驾驶人员及驾驶途中是否更换进行判断(判断当前驾驶员具体为哪一个驾驶人员)，再结合同一驾驶人员的连续驾驶设定时间实现疲劳驾驶判断，相对于现有的面部识别可行性更高，也能做到实时监测。
采用本方案进行驾驶疲劳检测，可以为运输公司等机构提供一套便于管理驾驶员驾驶的工具，只需根据车载摄像头拍摄的视频，等间隔取测试图片，输入到具有训练好数据库的SSD模型中，就可以进行疲劳驾驶信息的判断。
附图说明
图1为基于物体检测的疲劳驾驶检测方法一个实施了的流程图。
图2为SSD模型的架构图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
参考图1，图1示出了基于物体检测的疲劳驾驶检测方法一个实施了的流程图；如图1所示，该方法100包括步骤101至步骤106。
在步骤101中，获取驾驶位置处的视频信息，并等间隔选取视频信息中的一帧测试图片；实施时，本方案采用opencv等间隔从视频中取一帧图片，如拍摄的视频1秒15帧图片，若想1s取一张图片，则每过15帧图片取一帧，本发明采用每过75帧图片取一个样张，即每5s取一次测试图片。
在步骤102中，输入测试图片至SSD模型(SSD模型的具体架构可以参考图2)，采用SSD模型计算测试图片与SSD模型内每个类别中每张训练图片之间的损失值。
在本发明的一个实施例中，输入测试图片至SSD模型，采用SSD模型计算测试图片与SSD模型内每个类别中每张训练图片之间的损失值进一步包括：
将每层卷积层中卷积核所对应特征图划分成若干尺寸相同的特征图单元；
每个特征图单元均以其为中心生成若干默认框，并计算每个默认框的尺度：
其中，sk为尺度；smin为尺度的最小值；smax为尺度的最大值；m为特征图所在卷积层的卷积核数量；k为特征图所对应卷积核在其所在卷积层中的序号；
根据横纵比和默认框的尺度，计算默认框的宽度和高度：
其中，为默认框的宽度；为默认框的高度；ar为横纵比。
实施时，每个特征图单元生成的默认框的个数与横纵比的取值个数相同，且每个默认框的横纵比均不相等。
根据默认框的尺寸、宽度和高度，计算默认框与SSD模型中每个类别中正样本的匹配程度；
采用目标损失函数计算特征图与正样本所在特征图间的损失值：
其中，L(x，c，l，g)为特征图的损失值；x为匹配程度；c为默认框的置信度；l为默认框；g为正样本；N为正样本的个数；Lconf为置信度损失函数；Lloc为定位损失函数；α为权重项；
累加SSD模型中所有特征图的损失值得到图片与正样本所在特征图对应训练图片间的损失值。
实施时，本方案优选根据默认框的尺寸、宽度和高度，计算默认框与SSD模型中每个类别中正样本的匹配程度进一步包括：
根据默认框的尺寸、宽度和高度，计算默认框与SSD模型中每个类别中正样本的相似度系数：
其中，a为默认框，b为真值背景框，|a∩b|为a与b交集的模，|a∪b|为a与b并集的模，J(a,b)为相似系数；
当默认框与至少一个正样本的的相似系数大于第四设定阈值时，则默认框与正样本的匹配程度为1，否则为0。其中，第四设定阈值优选设置为0.5。
在步骤103中，当测试图片与训练图片之间的损失值大于第一设定阈值时，则训练图片对应类别为测试图片的类别。
此处需要说明的，训练图片包括该车辆可能涉及的驾驶员的图片及无驾驶员的图片，其中同一个驾驶员所对应的图片归属为同一类，无驾驶员的图片归属为一类；另外，在进行第一设定阈值设置时，必须保证测试图片仅能归属于一个类别中。
在步骤104中，获取SSD模型的全连接层预测的测试图片中驾驶员的位置尺寸，并计算所述测试图片中驾驶员的位置尺寸与上一张测试图片驾驶员的位置尺寸的差异。此处的驾驶员的位置尺寸包括驾驶员头像所在区域的中心坐标及长度和宽度。
在步骤105中，当所述差异小于第二设定阈值，则将计数器数值累加一次，并判断计数器数值是否大于第三设定阈值；所述第二设定阈值包括中心阈值、长度阈值和宽度阈值。
此处需要说明的是驾驶员头像所在区域的中心坐标及长度和宽度中三个值均满足相应阈值条件时，才将计数器数值累加一次，三个参数中有一个不满足相应阈值条件，则读取下一张测试图片。
本方案输入的测试图片的分辨率为352×288，中心阈值设置为20，长度阈值和宽度阈值均设置为30，计数器数值初始时为1。
在本发明的一个实施例中，当测试图片中驾驶员的位置尺寸大于等于第二设定阈值，且连续两张测试图片中驾驶员的位置尺寸大于等于第二设定阈值时，选取下一张测试图片，同时重置计数器数值。
通过上述方式对驾驶员进行判断，在采集过程中可以避免由于驾驶人员移动，至使采集角度变化出现采集的图片出现差异，而出现驾驶员误判的情形。
在步骤106中，若计数器数值大于第三设定阈值时，则提醒驾驶员其已处于疲劳驾驶。
实施时，当计数器数值小于等于第三设定阈值时，采用opencv选取下一张测试图片。
当每5s取一次测试图片判断计数器数值时，若计数器数值大于2160，提示已连续驾驶3个小时，若计数器数值大于2880，报警已经开始疲劳驾驶。
参考图2，在本发明的一个实施例中，SSD模型的构建方法包括：
采集多个驾驶员的图像作为训练图片；
输入训练图片至SSD模型，并将每层卷积层中卷积核所对应特征图划分成若干尺寸相同的特征图单元；
每个特征图单元均以其为中心生成若干默认框，并计算每个默认框的尺度；
根据横纵比和默认框的尺度，计算默认框的宽度和高度；
根据默认框的尺寸、宽度和高度，计算默认框与真值背景框(真值背景框为手工选定的含驾驶员信息的物体框)的匹配程度，若匹配则设置为正样本，否则设置为负样本；
SSD模型采用真值背景框、正样本和负样本训练目标损失函数，直至目标损失函数收敛，输出SSD模型。
SSD模型构建过程中对图片的处理方式与驾驶疲劳检测过程中图片处理方式相同，只是计算匹配程度和损失值时所参考对象不同。
综上所述，本方案通过视频信息结合SSD模型，能对驾驶人员、驾驶途中是否更换及驾驶时间进行判断相对于现有的面部识别可行性更高，也能做到实时监测。
Claims (8)
1.基于物体检测的疲劳驾驶检测方法，其特征在于，包括：
获取驾驶位置处的视频信息，并等间隔选取视频信息中的一帧测试图片；
输入所述测试图片至SSD模型，采用所述SSD模型计算所述测试图片与SSD模型内每个类别中每张训练图片之间的损失值；
当所述测试图片与训练图片之间的损失值大于第一设定阈值时，则所述训练图片对应类别为所述测试图片的类别；
获取SSD模型的全连接层预测的测试图片中驾驶员的位置尺寸，并计算所述测试图片中驾驶员的位置尺寸与上一张测试图片中驾驶员的位置尺寸的差异；
当所述差异小于第二设定阈值，则将计数器数值累加一次，并判断计数器数值是否大于第三设定阈值；
若计数器数值大于第三设定阈值时，则提醒驾驶员其已处于疲劳驾驶。
2.根据权利要求1所述的基于物体检测的疲劳驾驶检测方法，其特征在于，当测试图片中驾驶员的位置尺寸大于等于第二设定阈值，且连续两张测试图片中驾驶员的位置尺寸大于等于第二设定阈值时，选取下一张测试图片，同时重置计数器数值。
3.根据权利要求1所述的基于物体检测的疲劳驾驶检测方法，其特征在于，当计数器数值小于等于第三设定阈值时，选取下一张测试图片。
4.根据权利要求1所述的基于物体检测的疲劳驾驶检测方法，其特征在于，所述输入测试图片至SSD模型，采用所述SSD模型计算所述测试图片与SSD模型内每个类别中每张训练图片之间的损失值进一步包括：
将每层卷积层中卷积核所对应特征图划分成若干尺寸相同的特征图单元；
每个特征图单元均以其为中心生成若干默认框，并计算每个默认框的尺度：
<mrow>
<msub>
<mi>s</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msub>
<mi>s</mi>
<mi>min</mi>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>s</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>s</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>,</mo>
<mi>m</mi>
<mo>&rsqb;</mo>
</mrow>
其中，sk为尺度；smin为尺度的最小值；smax为尺度的最大值；m为特征图所在卷积层的卷积核数量；k为特征图所对应卷积核在其所在卷积层中的序号；
根据横纵比和默认框的尺度，计算默认框的宽度和高度：
<mrow>
<msubsup>
<mi>w</mi>
<mi>k</mi>
<mi>a</mi>
</msubsup>
<mo>=</mo>
<msub>
<mi>s</mi>
<mi>k</mi>
</msub>
<msqrt>
<msub>
<mi>a</mi>
<mi>r</mi>
</msub>
</msqrt>
</mrow>
<mrow>
<msubsup>
<mi>h</mi>
<mi>k</mi>
<mi>a</mi>
</msubsup>
<mo>=</mo>
<msub>
<mi>s</mi>
<mi>k</mi>
</msub>
<mo>/</mo>
<msqrt>
<msub>
<mi>a</mi>
<mi>r</mi>
</msub>
</msqrt>
</mrow>
其中，为默认框的宽度；为默认框的高度；ar为横纵比，
根据所述默认框的尺寸、宽度和高度，计算默认框与SSD模型中每个类别中正样本的匹配程度；
采用目标损失函数计算特征图与正样本所在特征图间的损失值：
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>c</mi>
<mo>,</mo>
<mi>l</mi>
<mo>,</mo>
<mi>g</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>L</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>n</mi>
<mi>f</mi>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>c</mi>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>&alpha;L</mi>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>c</mi>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>l</mi>
<mo>,</mo>
<mi>g</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
其中，L(x，c，l，g)为特征图的损失值；x为匹配程度；c为默认框的置信度；l为默认框；g为正样本；N为正样本的个数；Lconf为置信度损失函数；Lloc为定位损失函数；α为权重项；
累加SSD模型中所有特征图的损失值得到所述图片与正样本所在特征图对应训练图片间的损失值。
5.根据权利要求4所述的基于物体检测的疲劳驾驶检测方法，其特征在于，根据所述默认框的尺寸、宽度和高度，计算默认框与SSD模型中每个类别中正样本的匹配程度进一步包括：
根据所述默认框的尺寸、宽度和高度，计算默认框与SSD模型中每个类别中正样本的相似度系数：
<mrow>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>,</mo>
<mi>b</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mi>a</mi>
<mo>&cap;</mo>
<mi>b</mi>
<mo>|</mo>
</mrow>
<mrow>
<mo>|</mo>
<mi>a</mi>
<mo>&cup;</mo>
<mi>b</mi>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
其中，a为默认框，b为真值背景框，|a∩b|为a与b交集的模，|a∪b|为a与b并集的模，J(a,b)为相似系数；
当默认框与至少一个正样本的的相似系数大于第四设定阈值时，则默认框与正样本的匹配程度为1，否则为0。
6.根据权利要求1-5任一所述的基于物体检测的疲劳驾驶检测方法，其特征在于，所述SSD模型的构建方法包括：
采集多个驾驶员的图像作为训练图片；
输入所述训练图片至SSD模型，并将每层卷积层中卷积核所对应特征图划分成若干尺寸相同的特征图单元；
每个特征图单元均以其为中心生成若干默认框，并计算每个默认框的尺度；
根据横纵比和默认框的尺度，计算默认框的宽度和高度；
根据所述默认框的尺寸、宽度和高度，计算默认框与真值背景框的匹配程度，若匹配则设置为正样本，否则设置为负样本；
SSD模型采用真值背景框、正样本和负样本训练目标损失函数，直至目标损失函数收敛，输出SSD模型。
7.根据权利要求1-5任一所述的基于物体检测的疲劳驾驶检测方法，其特征在于，所述驾驶员的位置尺寸包括驾驶员头像所在区域的中心坐标及长度和宽度，所述第二设定阈值包括中心阈值、长度阈值和宽度阈值。
8.根据权利要求1-5任一所述的基于物体检测的疲劳驾驶检测方法，其特征在于，从视频信息中选取测试图片时，采用采用OpenCV等间隔选取视频信息中的一帧测试图片。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710966917.0A CN107704836B (zh) | 2017-10-17 | 2017-10-17 | 基于物体检测的疲劳驾驶检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710966917.0A CN107704836B (zh) | 2017-10-17 | 2017-10-17 | 基于物体检测的疲劳驾驶检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107704836A true CN107704836A (zh) | 2018-02-16 |
| CN107704836B CN107704836B (zh) | 2021-10-08 |
Family
ID=61183887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710966917.0A Active CN107704836B (zh) | 2017-10-17 | 2017-10-17 | 基于物体检测的疲劳驾驶检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107704836B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416283A (zh) * | 2018-02-28 | 2018-08-17 | 华南理工大学 | 一种基于ssd的路面交通标志识别方法 |
| CN109544522A (zh) * | 2018-11-12 | 2019-03-29 | 北京科技大学 | 一种钢板表面缺陷检测方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104574819A (zh) * | 2015-01-09 | 2015-04-29 | 安徽清新互联信息科技有限公司 | 一种基于嘴巴特征的疲劳驾驶检测方法 |
| CN104688251A (zh) * | 2015-03-02 | 2015-06-10 | 西安邦威电子科技有限公司 | 一种多姿态下的疲劳及非正常姿态驾驶检测方法 |
| CN105015552A (zh) * | 2014-04-24 | 2015-11-04 | Lg电子株式会社 | 驾驶员状态监测系统及其控制方法 |
| CN105096528A (zh) * | 2015-08-05 | 2015-11-25 | 广州云从信息科技有限公司 | 一种疲劳驾驶检测方法及系统 |
| CN106446811A (zh) * | 2016-09-12 | 2017-02-22 | 北京智芯原动科技有限公司 | 基于深度学习的驾驶员疲劳检测方法及装置 |
| WO2017040519A1 (en) * | 2015-08-31 | 2017-03-09 | Sri International | Method and system for monitoring driving behaviors |
| CN106682603A (zh) * | 2016-12-19 | 2017-05-17 | 陕西科技大学 | 一种基于多源信息融合的实时驾驶员疲劳预警系统 |
| CN106781282A (zh) * | 2016-12-29 | 2017-05-31 | 天津中科智能识别产业技术研究院有限公司 | 一种智能行车驾驶员疲劳预警系统 |
| CN107145833A (zh) * | 2017-04-11 | 2017-09-08 | 腾讯科技（上海）有限公司 | 人脸区域的确定方法和装置 |
| CN107194346A (zh) * | 2017-05-19 | 2017-09-22 | 福建师范大学 | 一种汽车疲劳驾驶预测方法 |
-
2017
- 2017-10-17 CN CN201710966917.0A patent/CN107704836B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105015552A (zh) * | 2014-04-24 | 2015-11-04 | Lg电子株式会社 | 驾驶员状态监测系统及其控制方法 |
| CN104574819A (zh) * | 2015-01-09 | 2015-04-29 | 安徽清新互联信息科技有限公司 | 一种基于嘴巴特征的疲劳驾驶检测方法 |
| CN104688251A (zh) * | 2015-03-02 | 2015-06-10 | 西安邦威电子科技有限公司 | 一种多姿态下的疲劳及非正常姿态驾驶检测方法 |
| CN105096528A (zh) * | 2015-08-05 | 2015-11-25 | 广州云从信息科技有限公司 | 一种疲劳驾驶检测方法及系统 |
| WO2017040519A1 (en) * | 2015-08-31 | 2017-03-09 | Sri International | Method and system for monitoring driving behaviors |
| CN106446811A (zh) * | 2016-09-12 | 2017-02-22 | 北京智芯原动科技有限公司 | 基于深度学习的驾驶员疲劳检测方法及装置 |
| CN106682603A (zh) * | 2016-12-19 | 2017-05-17 | 陕西科技大学 | 一种基于多源信息融合的实时驾驶员疲劳预警系统 |
| CN106781282A (zh) * | 2016-12-29 | 2017-05-31 | 天津中科智能识别产业技术研究院有限公司 | 一种智能行车驾驶员疲劳预警系统 |
| CN107145833A (zh) * | 2017-04-11 | 2017-09-08 | 腾讯科技（上海）有限公司 | 人脸区域的确定方法和装置 |
| CN107194346A (zh) * | 2017-05-19 | 2017-09-22 | 福建师范大学 | 一种汽车疲劳驾驶预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| WEI LIU等: "SSD: Single Shot MultiBox Detector", 《EUROPEAN CONFERENCE ON COMPUTER VISION ECCV2016》 * |
| YANG YING等: "The Monitoring Method of Driver"s Fatigue Based on Neural Network", 《2007 INTERNATIONAL CONFERENCE ON MECHATRONICS AND AUTOMATION》 * |
| 汪宴宾: "基于驾驶行为特征与眼动特征的疲劳驾驶辨识方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416283A (zh) * | 2018-02-28 | 2018-08-17 | 华南理工大学 | 一种基于ssd的路面交通标志识别方法 |
| CN109544522A (zh) * | 2018-11-12 | 2019-03-29 | 北京科技大学 | 一种钢板表面缺陷检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107704836B (zh) | 2021-10-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103824420B (zh) | 基于心率变异性非接触式测量的疲劳驾驶识别系统 | |
| CN103110400B (zh) | 车辆驾驶员的视觉输入 | |
| CN106327801B (zh) | 疲劳驾驶检测方法和装置 | |
| CN106965675B (zh) | 一种货车集群智能安全作业系统 | |
| CN104573646A (zh) | 基于激光雷达和双目相机的车前行人检测方法及系统 | |
| CN105286802B (zh) | 基于视频信息的驾驶员疲劳检测方法 | |
| CN110147738B (zh) | 一种驾驶员疲劳监测预警方法及系统 | |
| CN106228293A (zh) | 教学评估方法及系统 | |
| CN106874894A (zh) | 一种基于区域全卷积神经网络的人体目标检测方法 | |
| CN108446678A (zh) | 一种基于骨骼特征的危险驾驶行为识别方法 | |
| CN107103309A (zh) | 一种基于图像识别的学生坐姿检测与纠正系统 | |
| CN105956548A (zh) | 驾驶员疲劳状况检测方法和装置 | |
| CN104246850B (zh) | 蛇行判定装置 | |
| CN104123549B (zh) | 一种用于疲劳驾驶实时监测的眼睛定位方法 | |
| CN110728241A (zh) | 一种基于深度学习多特征融合的驾驶员疲劳检测方法 | |
| CN105224285A (zh) | 眼睛开闭状态检测装置和方法 | |
| Pech et al. | Head tracking based glance area estimation for driver behaviour modelling during lane change execution | |
| CN107405121A (zh) | 用于对车辆的驾驶员的疲劳状态和/或睡觉状态进行识别的方法和装置 | |
| WO2023272453A1 (zh) | 视线校准方法及装置、设备、计算机可读存储介质、系统、车辆 | |
| CN110414421A (zh) | 一种基于连续帧图像的行为识别方法 | |
| CN112926541A (zh) | 一种睡岗检测方法、装置及相关设备 | |
| CN107704836A (zh) | 基于物体检测的疲劳驾驶检测方法 | |
| CN110263836B (zh) | 一种基于多特征卷积神经网络的不良驾驶状态识别方法 | |
| CN109238281A (zh) | 基于图像螺旋线的视觉导航及避障方法 | |
| US20170091955A1 (en) | State determination device, eye closure determination device, state determination method, and storage medium |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |