CN109002774A - 一种基于卷积神经网络的疲劳监测装置及方法 - Google Patents

一种基于卷积神经网络的疲劳监测装置及方法 Download PDF

Info

Publication number
CN109002774A
CN109002774A CN201810687882.1A CN201810687882A CN109002774A CN 109002774 A CN109002774 A CN 109002774A CN 201810687882 A CN201810687882 A CN 201810687882A CN 109002774 A CN109002774 A CN 109002774A
Authority
CN
China
Prior art keywords
image
convolutional neural
neural networks
fatigue
module
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.)
Pending
Application number
CN201810687882.1A
Other languages
English (en)
Inventor
东东
张晓晴
黄翊峰
万晏辰
穆国栋
朱康康
苏雪寒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Institute of Advanced Equipment of Tsinghua University
Original Assignee
Tianjin Institute of Advanced Equipment of Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Institute of Advanced Equipment of Tsinghua University filed Critical Tianjin Institute of Advanced Equipment of Tsinghua University
Priority to CN201810687882.1A priority Critical patent/CN109002774A/zh
Publication of CN109002774A publication Critical patent/CN109002774A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/06—Alarms for ensuring the safety of persons indicating a condition of sleep, e.g. anti-dozing alarms

Abstract

本发明提供了一种基于卷积神经网络的疲劳监测装置及方法，通过摄像头采集驾驶员的头部图像，对图像进行平滑去噪声处理，滤除造成干扰的冗余信息；然后，通过harr+adaboost方法检测和定位摄像头采集图像的人脸区域，生成一face对象。本发明使用神经网络进行人脸特征点的定位，通过大量数据的输入和网络参数的调整，大大提高了识别的准确度。

Description

一种基于卷积神经网络的疲劳监测装置及方法
技术领域
本发明属于安全驾驶领域，尤其是涉及一种基于卷积神经网络的疲劳监测装置及方法。
背景技术
如何为驾驶员提供一个有效实用的安全辅助驾驶系统是车辆安全驾驶的一个重要课题。基于机器视觉的疲劳驾驶检测技术已在国内外开展了广泛研究，其中以驾驶员眼部特征的检测最为广泛。
日常行车时我们都会碰到前一天睡眠时间过少，睡眠质量过差；道路条件甚好致使路面情况单一；遇到风沙、雨、雾、雪天气状况；长时间、长距离行车；车速过快或过慢；到达目的地有时间限制等等情况，这些都会是诱发您疲劳驾驶的因素，甚至车辆自身或车外噪声和振动严重；座椅调整不当等原因都会造成您疲劳驾驶，从而诱发交通事故。
驾车时出现换档不及时、不准确，说明人体已经处于轻微疲劳状态；当出现操作动作呆滞，有时甚至会忘记将要进行的操作，说明人体已处于中度疲劳；当出现下意识操作或出现短时间睡眠现象时，说明人体已处于重度疲劳，往往醒来时便已酿成大祸。在危急情况发生之前，疲劳驾驶的最初迹象是可以被探测出来的，这时响起的警报音往往就是将驾驶员从死神手中拯救出来的最佳时机。
现有的疲劳监测系统主要存在如下的缺陷：
1、监测不准确：现有的疲劳监测系统，要么利用传感器进行监测，要么利用单纯的图像处理。而这两者往往都存在一定的缺陷，常常导致监测结果不不准确，导致监测结果非常不准确，从而产生误报警。
2、缺乏大数据分析：由于很多驾驶员疲劳驾驶是一个长期性的过程，如果没有针对驾驶员进行长期性的分析。也缺乏第三方对驾驶员进行监督管理，导致很多长期疲劳驾驶的驾驶员不能得到警醒，从而不能防患于未然。
3、算法落后：现有的疲劳监测系统，大都采用老旧的图像算法。而由于疲劳监测和普通的图像识别有很大差异性。如果一味采用旧算法，直接会导致监测结果不准确和算法复杂，处理起来非常缓慢。
发明内容
有鉴于此，本发明创造旨在提出一种提高检测效率和准确率的基于卷积神经网络的疲劳监测装置及方法。
为达到上述目的，本发明创造的技术方案是这样实现的：
一种基于卷积神经网络的疲劳监测装置，其特征在于，包括：人脸定位单元，特征提取单元，计算分析单元，输出单元，所述的人脸定位单元，特征提取单元，计算分析单元及输出单元依次连接；所述的人脸定位单元包括图像采集模块、图像预处理模块，检测定位模块，所述的图像采集模块、图像预处理模块，检测定位模块依次连接。
进一步，所述的特征提取单元包括卷积处理模块和状态检测模块，所述的卷积学习模块和状态检测模块连接。
进一步，所述的图像采集模块为高清摄像机。
一种基于卷积神经网络的疲劳监测方法，包括如下步骤：
(1)摄像头采集驾驶员的头部图像，通过图像预处理模块对图像进行平滑去噪声处理，滤除造成干扰的冗余信息；
(2)然后，通过检测定位模块的harr+adaboost方法检测和定位摄像头采集图像的人脸区域，生成一face对象；
(3)然后将face对象输入卷积学习模块，得到人脸关键点的二维坐标点信息，然后通过CNN卷积神经网络运算图像处理，获得人眼和嘴部的图像特征模型；
(4)得到驾驶员的眼部和口部特征模型后，通过状态检测模块按照人脸比例得到眼睛和嘴部的区域图像，对区域图像进行二值化处理，使用CANNY算子进行边缘检测，通过形态学处理，以椭圆拟合法监测眼睛和嘴部的张闭状态；
(5)然后，计算分析单元根据步骤(4)获得的眼睛和嘴部的张闭状态频率分别计算驾驶员的眼部疲劳和脑部疲劳评估参数；
(6)最后根据结果，判定疲劳状态，通过输出单元输出疲劳预警。
进一步，步骤(3)所述的人脸关键点包括鼻子、左侧嘴角、右侧嘴角、左侧眼睛中心点和右侧眼睛中心点。
进一步，步骤(3)所述的学习模型，函数表示为
Y＝F(X，W)
其中，X为face对象，W为学习模型参数，Y为关键点坐标位置∈[(x1，y1)，(x2，y2)，(x3，y3)，(x4，y4)，(x5，y5)]
W模型参数表示为:
其中，(xi，yi)为预测的位置，(x′i，y′i)为标注的关键点位置。
进一步，步骤(4)所述的椭圆拟合法为基于最小二乘法的椭圆拟合算法。
进一步，步骤(4)所述的二值化处理为采用OTSU最大类间方差法将灰度图像自适应阈值二值化凸显出眼部和嘴部。
进一步，步骤(5)所述的眼部疲劳评估参数K的计算公式为：
脑部疲劳评估参数F的计算公式为：
其中T为时间窗长度，ti为眼部每次闭合时间。
进一步，步骤(6)的判定疲劳状态标准为当K>15％时或F>20％时，为疲劳状态。
相对于现有技术，本发明创造所述的一种基于卷积神经网络的疲劳监测方法具有以下优势：
(1)使用神经网络进行人脸特征点的定位，通过大量数据的输入和网络参数的调整，大大提高了识别的准确度。同时针对人脸特征点这一问题，采用级联的神经网络，先粗定位后细定位，整张脸的上下文信息都被利用到了，而且包含了关键点的几何学约束，避免了局部优化方法带来的缺点。
(2)相比较对单一的人眼和单一的嘴部的校验，多信息的融合提高了其检测的准确性，并通过一系列的图像处理的方法提高了图像的辨识度，从而使得检测结果稳定高效
附图说明
构成本发明创造的一部分的附图用来提供对本发明创造的进一步理解，本发明创造的示意性实施例及其说明用于解释本发明创造，并不构成对本发明创造的不当限定。在附图中：
图1为本发明创造实施例所述的模块结构图；
图2为本发明创造实施例所述的方法流程图；
图3为本发明创造实施例所述的卷积运算示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明创造中的实施例及实施例中的特征可以相互组合。
在本发明创造的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明创造中的具体含义。
下面将参考附图并结合实施例来详细说明本发明创造。
如图1所示，一种基于卷积神经网络的疲劳监测装置，其特征在于，包括：人脸定位单元，特征提取单元，计算分析单元，输出单元，所述的人脸定位单元，特征提取单元，计算分析单元及输出单元依次连接；所述的人脸定位单元包括图像采集模块、图像预处理模块，检测定位模块，所述的图像采集模块、图像预处理模块，检测定位模块依次连接。所述的特征提取单元包括卷积处理模块和状态检测模块，所述的卷积学习模块和状态检测模块连接。所述的图像采集模块为高清摄像机。
如图2所示，(1)摄像头采集驾驶员的头部图像，通过图像预处理模块对图像进行平滑去噪声处理，滤除造成干扰的冗余信息；
(2)然后，通过检测定位模块的harr+adaboost方法检测和定位摄像头采集图像的人脸区域，生成一face对象；
(3)然后将face对象输入卷积学习模块，得到人脸关键点的二维坐标点信息，然后通过CNN卷积神经网络运算图像处理，获得人眼和嘴部的图像特征模型；
(4)得到驾驶员的眼部和口部特征模型后，通过状态检测模块按照人脸比例得到眼睛和嘴部的区域图像，对区域图像进行二值化处理，使用CANNY算子进行边缘检测，通过形态学处理，以椭圆拟合法监测眼睛和嘴部的张闭状态；
(5)然后，计算分析单元根据步骤(4)获得的眼睛和嘴部的张闭状态频率分别计算驾驶员的眼部疲劳和脑部疲劳评估参数；
(6)最后根据结果，判定疲劳状态，通过输出单元输出疲劳预警。
一种基于卷积神经网络的疲劳监测方法，本发明具体实施步骤如下：
S1：通过车载装置的摄像头采集驾驶员的头部图像，对图像进行平滑去噪声，滤除造成干扰的冗余信息等预处理。
S2：通过harr+adaboost方法检测和定位摄像头采集图像的人脸区域，先使用Harr-like特征算法，运用积分图像计算Harr特征；后使用Adaboost级联分类器挑选出部分代表人脸概念的矩形特征(弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器；将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地提高分类器的检测精度，然后，利用opencv自带的haar-cascade分类器检测，从已经训练好的xml文件加载模型，读入待检测图片，多尺度检测，可以在图片中检测到人脸并返回人脸矩形区域的坐标，根据采集的人脸图像生成一face对象；
S3：然后将face对象输入学习模型，得到人脸关键点的二维坐标点信息，然后通过CNN卷积神经网络运算图像处理，获得人眼和嘴部的图像特征模型；通过深度学习的神经卷积网络，对人脸关键点进行定位，采用先粗定位5个点(鼻子、左右嘴角、左右眼睛)的人脸关键点后再精确定位各部分的位置，从而可以精确得到关键部分的准确状态。
为了检测出关键点的二维坐标信息把学习模型函数表示为:
Y＝F(X，W)
其中，X是输入的人脸图像，W是要学习的模型参数，Y∈[(x1，y1)，(x2，y2)，(x3，y3)，(x4，y4)，(x5，y5)]是需要检测的人脸五个特征点(鼻子、左右嘴角、左右眼睛)的坐标位置。作为典型的回归问题，可以采用最简单的平方差损失函数，然后用深度学习的方法训练得到参数模型表示为:
其中，(xi，yi)为预测的位置，(x′i，y′i)为标注的关键点位置。然后利用AFLW人脸标记特征点的数据集，设计卷积神经网络架构，如图2所示，所述卷积架构是一种积分变换的数学方法，数学表达式如下：
图像处理的卷积运算，其实是以实现了一种特征提取的模糊。于是，需设计一种卷积核用来和图像进行卷积运算，如果某图像和卷积核卷积出的值较大，则认为此图像十分接近此卷积核，即通过该卷积核就可模拟出该部分图像特征；
而池化，其实是一种降维方法。如果按照卷积得出的特征向量而计算的话，维度较大，不仅会造成计算量过大，而且会出现过度拟合的现象。解决方法就是让模型尽可能的“泛化”，即“模糊”。具体作法为对卷积计算得出的特征在局部范围内算出一个平均值作为特征值，那么局部特征即被压缩而更加“模糊”化。
图3所示的神经网络输入是39*39的图片，第一层卷积使用4*4的卷积核共20个，第二层池化层使用2*2的核，第三层卷积使用3*3的卷积核共40个，第四层池化层使用2*2的核，第五层卷积使用3*3的卷积核共60个，第六层池化层使用2*2的核，第七层卷积使用2*2的卷积核共80个，之后连接两个全连接层，最后输出10为向量(5个特征点的x、y坐标)。
然后，分别设计5个上述的CNN卷积运算模型，用于分别输入上面的5个特征点所对应的图片区域，然后用于分别定位。各个部位的CNN模型参数互不共享，各自独立工作、独立训练，5个CNN用于分别定位5个点。每个CNN的输入是特征点对应的区域裁剪图片，输出结果为修正的二维坐标(x，y)。
S4：得到驾驶员的眼部和口部特征模型后，按照人脸比例得到眼睛和嘴部的区域图像，对区域图像进行二值化处理，使用CANNY算子进行边缘检测，通过形态学处理，以椭圆拟合法监测眼睛和嘴部的张闭状态；
选用Otsu(最大类间方差法)将灰度图像自适应阈值二值化凸显出人眼和嘴部的部分，接下来使用canny算子进行边缘检测。然后通过形态学处理。使用形态学的方法在通常情况下，噪声图像在经过二值化处理过后，会有一些空洞，而连续的开闭运算即可改善。最后，通过遍历每一行的图像点找到每一行第一和最后一个白点，从而得到大概的轮廓点，带入最小二乘法进行椭圆拟合。
最小二乘法是用来寻找有效参数集合从而实现数据点和椭圆之间距离度量最小化的方法。
已知椭圆曲线方程如下：
ax2+bxy+cy2+dx+ey+f＝0
令a＝[a,b,c,d,e,f]，x＝[x*x,xy,y*y,x,y,1]，于是方程可表示为ax＝1。那么椭圆拟合的最优化问题可以表示为：
min||Da||2
aTCa＝1
其中D表示数据样本,a表示椭圆方程的参数，C是常数矩阵。根据拉格朗日乘子法计算上式。求解方程Sa＝λCa的特征值和向量(λi，μυi)，令ai＝μiυi，取λi＞0的特征向量υi，即可作为曲线拟合的方程解。
S5：利用PERCLOS值判断疲劳状态，从而实现检测疲劳的功能。PERCLOS是指眼睛闭合时间占某一特定时间的百分率，采用PERCLOS值K进行眼部疲劳识别，F值进行嘴部疲劳识别，表达式如下：
其中T为时间窗长度，取T＝20s，ti为眼部每次闭合时间。
S6：实验中采用帧率10fps，当k>15％时，F>20％时，最后根据结果，判定疲劳状态，输出疲劳预警。
以上所述仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明创造的保护范围之内。

Claims (10)

1.一种基于卷积神经网络的疲劳监测装置，其特征在于，包括：人脸定位单元，特征提取单元，计算分析单元，输出单元，所述的人脸定位单元，特征提取单元，计算分析单元及输出单元依次连接；所述的人脸定位单元包括图像采集模块、图像预处理模块，检测定位模块，所述的图像采集模块、图像预处理模块，检测定位模块依次连接。
2.根据权利要求1所述的一种基于卷积神经网络的疲劳监测装置，其特征在于：所述的特征提取单元包括卷积处理模块和状态检测模块，所述的卷积学习模块和状态检测模块连接。
3.根据权利要求1所述的一种基于卷积神经网络的疲劳监测装置，其特征在于：所述的图像采集模块为高清摄像机。
4.一种应用如权利要求1‐4所述的一种基于卷积神经网络的疲劳监测装置的方法，其特征在于，包括如下步骤：
(1)摄像头采集驾驶员的头部图像，通过图像预处理模块对图像进行平滑去噪声处理，滤除造成干扰的冗余信息；
(2)然后，通过检测定位模块的harr+adaboost方法检测和定位摄像头采集图像的人脸区域，生成一face对象；
(3)然后将face对象输入卷积学习模块，得到人脸关键点的二维坐标点信息，然后通过CNN卷积神经网络运算图像处理，获得人眼和嘴部的图像特征模型；
(4)得到驾驶员的眼部和口部特征模型后，通过状态检测模块按照人脸比例得到眼睛和嘴部的区域图像，对区域图像进行二值化处理，使用CANNY算子进行边缘检测，通过形态学处理，以椭圆拟合法监测眼睛和嘴部的张闭状态；
(5)然后，计算分析单元根据步骤(4)获得的眼睛和嘴部的张闭状态频率分别计算驾驶员的眼部疲劳和脑部疲劳评估参数；
(6)最后根据结果，判定疲劳状态，通过输出单元输出疲劳预警。
5.根据权利要求4所述的一种基于卷积神经网络的疲劳监测方法，其特征在于：步骤(3)所述的人脸关键点包括鼻子、左侧嘴角、右侧嘴角、左侧眼睛中心点和右侧眼睛中心点。
6.根据权利要求4所述的一种基于卷积神经网络的疲劳监测方法，其特征在于：步骤(3)所述的学习模型，函数表示为
Y＝F(X，W)
其中，X为face对象，W为学习模型参数，Y为关键点坐标位置∈[(x1，y1)，(x2，y2)，(x3，y3)，(x4，y4)，(x5，y5)]
W模型参数表示为:
其中，(xi，yi)为预测的位置，(x′i，y′i)为标注的关键点位置。
7.根据权利要求4所述的一种基于卷积神经网络的疲劳监测方法，其特征在于：步骤(4)所述的椭圆拟合法为基于最小二乘法的椭圆拟合算法。
8.根据权利要求4所述的一种基于卷积神经网络的疲劳监测方法，其特征在于：步骤(4)所述的二值化处理为采用OTSU最大类间方差法将灰度图像自适应阈值二值化凸显出眼部和嘴部。
9.根据权利要求4所述的一种基于卷积神经网络的疲劳监测方法，其特征在于：步骤(5)所述的眼部疲劳评估参数K的计算公式为：
脑部疲劳评估参数F的计算公式为：
其中T为时间窗长度，ti为眼部每次闭合时间。
10.根据权利要求4所述的一种基于卷积神经网络的疲劳监测方法，其特征在于：步骤(6)的判定疲劳状态标准为当K>15％时或F>20％时，为疲劳状态。
CN201810687882.1A 2018-06-28 2018-06-28 一种基于卷积神经网络的疲劳监测装置及方法 Pending CN109002774A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810687882.1A CN109002774A (zh) 2018-06-28 2018-06-28 一种基于卷积神经网络的疲劳监测装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810687882.1A CN109002774A (zh) 2018-06-28 2018-06-28 一种基于卷积神经网络的疲劳监测装置及方法

Publications (1)

Publication Number Publication Date
CN109002774A true CN109002774A (zh) 2018-12-14

Family

ID=64601076

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810687882.1A Pending CN109002774A (zh) 2018-06-28 2018-06-28 一种基于卷积神经网络的疲劳监测装置及方法

Country Status (1)

Country Link
CN (1) CN109002774A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902560A (zh) * 2019-01-15 2019-06-18 浙江师范大学 一种基于深度学习的疲劳驾驶预警方法
CN110232327A (zh) * 2019-05-21 2019-09-13 浙江师范大学 一种基于梯形级联卷积神经网络的驾驶疲劳检测方法
CN111626221A (zh) * 2020-05-28 2020-09-04 四川大学 一种基于人眼信息增强的驾驶员注视区域估计方法
CN111839506A (zh) * 2019-04-30 2020-10-30 清华大学 脑力负荷检测方法及装置
CN111968338A (zh) * 2020-07-23 2020-11-20 南京邮电大学 基于深度学习的驾驶行为分析识别警示系统及其识别方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400471A (zh) * 2013-08-12 2013-11-20 电子科技大学 一种驾驶员疲劳驾驶检测系统及检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400471A (zh) * 2013-08-12 2013-11-20 电子科技大学 一种驾驶员疲劳驾驶检测系统及检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴飞龙: "《基于机器视觉的校车安全监测系统》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902560A (zh) * 2019-01-15 2019-06-18 浙江师范大学 一种基于深度学习的疲劳驾驶预警方法
CN111839506A (zh) * 2019-04-30 2020-10-30 清华大学 脑力负荷检测方法及装置
CN110232327A (zh) * 2019-05-21 2019-09-13 浙江师范大学 一种基于梯形级联卷积神经网络的驾驶疲劳检测方法
CN110232327B (zh) * 2019-05-21 2023-04-21 浙江师范大学 一种基于梯形级联卷积神经网络的驾驶疲劳检测方法
CN111626221A (zh) * 2020-05-28 2020-09-04 四川大学 一种基于人眼信息增强的驾驶员注视区域估计方法
CN111968338A (zh) * 2020-07-23 2020-11-20 南京邮电大学 基于深度学习的驾驶行为分析识别警示系统及其识别方法

Similar Documents

Publication Publication Date Title
CN109002774A (zh) 一种基于卷积神经网络的疲劳监测装置及方法
CN110119676B (zh) 一种基于神经网络的驾驶员疲劳检测方法
CN109993093B (zh) 基于面部和呼吸特征的路怒监测方法、系统、设备及介质
Tipprasert et al. A method of driver’s eyes closure and yawning detection for drowsiness analysis by infrared camera
CN101375796B (zh) 疲劳驾驶实时检测系统
CN105488453B (zh) 一种基于图像处理的驾驶员未系安全带检测识别方法
CN105286802B (zh) 基于视频信息的驾驶员疲劳检测方法
CN109670441A (zh) 一种实现安全帽穿戴识别的方法、系统、终端以及计算机可读存储介质
CN110991348B (zh) 基于光流梯度幅值特征的人脸微表情检测方法
CN106781282A (zh) 一种智能行车驾驶员疲劳预警系统
CN103488974A (zh) 基于模拟生物视觉神经网络的人脸表情识别方法及系统
CN106250801A (zh) 基于人脸检测和人眼状态识别的疲劳检测方法
CN109389806A (zh) 基于多信息融合的疲劳驾驶检测预警方法、系统及介质
CN105354985A (zh) 疲劳驾驶监控装置及方法
CN106295474B (zh) 船舶驾驶员的疲劳检测方法、系统和服务器
CN110751051A (zh) 一种基于机器视觉的异常驾驶行为检测方法
CN104361332A (zh) 一种用于疲劳驾驶检测的人脸眼睛区域定位方法
CN108205649A (zh) 驾驶员开车接打电话的状态识别方法及装置
Luo et al. The driver fatigue monitoring system based on face recognition technology
CN111460950A (zh) 自然驾驶通话行为中基于头-眼证据融合的认知分心方法
CN106600903A (zh) 一种基于图像识别的预警方法及装置
CN108009495A (zh) 疲劳驾驶预警方法
CN110232327B (zh) 一种基于梯形级联卷积神经网络的驾驶疲劳检测方法
CN108108651B (zh) 基于视频人脸分析的驾驶员非专心驾驶检测方法及系统
Rani et al. Development of an Automated Tool for Driver Drowsiness Detection

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181214

RJ01 Rejection of invention patent application after publication