CN109919049A - 基于深度学习人脸姿态估计的疲劳检测方法 - Google Patents
基于深度学习人脸姿态估计的疲劳检测方法 Download PDFInfo
- Publication number
- CN109919049A CN109919049A CN201910128657.9A CN201910128657A CN109919049A CN 109919049 A CN109919049 A CN 109919049A CN 201910128657 A CN201910128657 A CN 201910128657A CN 109919049 A CN109919049 A CN 109919049A
- Authority
- CN
- China
- Prior art keywords
- face
- driver
- eyes
- mouth
- key point
- 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
Links
Abstract
本发明公开了基于深度学习人脸姿态估计的疲劳检测方法,包括以下步骤:S1、获取驾驶室摄像头视频流,S2、人脸关键点定位,S3、定义一个6个关键点的3D脸部模型;S4、根据S3中人脸部关键点定位出眼睛和嘴部位置,S5、根据驾驶员点头累计次数确定超过设定阀值报警以及确定张嘴闭眼的状态超过设定阀值报警。本发明能够实时检测,且具有抗干扰性强,识别检测全面,准确率高稳定性强等特点,能够从根本上提醒驾驶人员驾驶;通过纵横比与设定的眼睛睁闭和嘴巴张开闭合的阈值之间的比较,并且结合眼睛闭合或者嘴巴张开的持续时长与所设定的时间阈值之间的比较,综合判定驾驶员是否处在疲劳状态,如果处于疲劳状态则触发警报报警。
Description
技术领域
本发明涉及计算机视觉处理、AI智能交通技术领域,尤其涉及基于深度学习人脸姿态估计的疲劳检测方法。
背景技术
随着高速公路的发展和车速的提高,目前已成为汽车安全研究的重要一环。很多车主朋友在午后开车的时候都会出现打瞌睡、困了的现象,这是很危险的驾驶行为。由于汽车处于高速度运行,加之现在各大城市道路的车流量都很大,稍不留神就诱发出现交通事故。一些司机朋友为了赶时间,就会打着瞌睡开着车,不知不觉中就睡着了,就是这几秒钟的睡意,这就给驾驶员和乘车人员的安全带来了很大的威胁。
目前国内外主要围绕疲劳驾驶识别、预警与控制三大核心技术展开,其研究领域与方法广泛涉及到安全科学、生理学、医学、行为科学、汽车工程、信息科学、电子检测与智能控制等,其中在疲劳识别原理与技术方面取得重要突破,但是检测识别系统的准确性、可靠性、抗干扰性、小型化与工程化等方面均存在一定问题,因此不能做出驾驶人员是否疲劳驾驶的准确判断等,鉴于此,本发明提供基于深度学习人脸姿态估计的疲劳检测方法。
发明内容
本发明的目的是为了解决现有技术中不能准确、可靠的识别驾驶人员状态,因此不能做出驾驶人员是否疲劳驾驶的准确判断等缺点,而提出的基于深度学习人脸姿态估计的疲劳检测方法。
为了实现上述目的,本发明采用了如下技术方案:
基于深度学习人脸姿态估计的疲劳检测方法,包括以下步骤:
S1、获取驾驶室摄像头视频流:首先通过驾驶室内的车载摄像头采集驾驶员驾驶状态视频,采用基于HOG提取算法检测出人脸区域,并用矩形框框出;
S2、人脸关键点定位:利用基于ERT集成回归树的landmark人脸部特征点提取技术确定人脸关键点,其中人脸关键点包括眼睛、嘴巴、下颌和鼻子的位置;
S3、定义一个6个关键点的3D脸部模型,且3D脸部模型包括左右眼角、左右嘴角、鼻尖和下颌,将获得的驾驶员脸部对应的6个关键点,使用OpenCv中的solvePnP函数来估算Pose,确定从3D model到驾驶员脸部图像的仿射变换矩阵,其中包含了旋转和平移信息也就是歪头和点头的移动信息,用rotation vector将旋转向量转换成欧拉角;
S4、根据S3中人脸部关键点定位出眼睛和嘴部位置,根据坐标计算眼睛和嘴部水平方向和垂直方向欧式距离;
式中,d1为眼睛水平方向的欧式距离,d2和d3是垂直方向的欧式距离;A为眼睛纵横比;嘴部纵横比计算方式同眼睛计算方式相同;
步骤5:根据驾驶员点头累计次数确定超过设定阀值报警,其中驾驶员点头次数低于设定阀值,则通过嘴部纵横比以及眼睛纵横比分别与设定阈值做比较,确定张嘴闭眼的状态超过设定阀值报警。
优选的,所述S1中采用人脸识别模块,其中人脸识别模块利用安装在驾驶员前方的车载摄像头采集驾驶员驾驶状态视频,利用基于HOG的人脸检测器检测视频流中的每一帧图像,识别出人脸所在区域,用矩形框进行人脸标记。
优选的,所述S2中包括人脸关键点定位模块,人脸关键点定位模块采用基于ERT集成回归树landmark人脸部特征点提取技术对人脸关键点进行检测。
优选的,所述S3中采用头部姿态检测预警模块和眼睛嘴部预警模块,其中头部姿态检测预警模块主要是首先定义一个6个关键点的3D脸部模型,然后采用landmark检测技术检测出视频帧中每张人脸图片中对应的6个脸部关键点,采用OpenCV的solvePnP函数解出旋转向量,最后将旋转向量转换为欧拉角,通过这个欧拉角的旋转角度来判定驾驶员是否存在点头和歪头现象,如果判定为疲劳状态则触发报警器进行报警;眼睛嘴部姿态预警模块主要采用通过眼部和嘴部的关键点分别计算水平和垂直方向关键点之间的欧式距离,最终计算纵横比与设定阈值比较来判定驾驶员状态,如果判定为疲劳状态则触发报警器进行报警。
本发明提出的基于深度学习人脸姿态估计的疲劳检测方法,有益效果在于:本发明设计巧妙,能够实时检测,且具有抗干扰性强,识别检测全面,准确率高稳定性强等特点,能够从根本上提醒驾驶人员驾驶,以减少事故的发生的概率。
通过欧拉角的角度判断驾驶员头部是否有点头和歪头的现象,点头和歪头状态持续时长超过设定时间阈值,判定驾驶员疲劳驾驶,然后触发报警器预警。
通过纵横比与设定的眼睛睁闭和嘴巴张开闭合的阈值之间的比较,并且结合眼睛闭合或者嘴巴张开的持续时长与所设定的时间阈值之间的比较,综合判定驾驶员是否处在疲劳状态,如果处于疲劳状态则触发警报报警。
附图说明
图1为本发明的流程示意图。
图2为本发明的原理示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
参照图1-2,基于深度学习人脸姿态估计的疲劳检测方法,包括以下步骤:
S1、获取驾驶室摄像头视频流:首先通过驾驶室内的车载摄像头采集驾驶员驾驶状态视频,采用基于HOG提取算法检测出人脸区域,并用矩形框框出,采用人脸识别模块,其中人脸识别模块利用安装在驾驶员前方的车载摄像头采集驾驶员驾驶状态视频,利用基于HOG的人脸检测器检测视频流中的每一帧图像,识别出人脸所在区域,用矩形框进行人脸标记;
S2、人脸关键点定位:利用基于ERT集成回归树的landmark人脸部特征点提取技术确定人脸关键点,其中人脸关键点包括眼睛、嘴巴、下颌和鼻子的位置;其中ERT集成回归树的核心公式如下表示:
使用梯度提高学习的回归树训练每个rt,使用最小二乘法最小化误差。t表示级联序号,rt(·,·)表示当前级的回归器regressor。回归器的输入参数为图像I和上一级回归器更新后的shape,采用的特征可以是灰度值或者其它。每个回归器由很多棵树(tree)组成,每棵树参数是根据current shape和ground truth的坐标差和随机挑选的像素对训练得到的。
ERT是在学习Tree的过程中,直接将shape的更新值ΔS存入叶子结点leaf node.初始位置S在通过所有学习到的Tree后,meanshape加上所有经过的叶子结点的ΔS,即可得到最终的人脸关键点位置,采用人脸关键点定位模块,人脸关键点定位模块采用基于ERT集成回归树landmark人脸部特征点提取技术对人脸关键点进行检测。
S3、定义一个6个关键点的3D脸部模型,且3D脸部模型包括左右眼角、左右嘴角、鼻尖和下颌,将获得的驾驶员脸部对应的6个关键点,使用OpenCv中的solvePnP函数来估算Pose,确定从3D model到驾驶员脸部图像的仿射变换矩阵,其中包含了旋转和平移信息也就是歪头和点头的移动信息,用rotation vector将旋转向量转换成欧拉角,(pitch围绕X轴旋转,叫俯仰角yaw围绕Y轴旋转,叫偏航角roll围绕Z轴旋转,叫翻滚角),利用pitch和yaw分别表示点头和歪头的角度。Pitch:点头,上负下正Yaw:歪头,左正右负。设定阈值,如果pitch和yaw在规定时间内超过设定阈值,则被判定为疲劳状态,触发报警器报警。
采用头部姿态检测预警模块和眼睛嘴部预警模块,其中头部姿态检测预警模块主要是首先定义一个6个关键点的3D脸部模型,然后采用landmark检测技术检测出视频帧中每张人脸图片中对应的6个脸部关键点(下颌:8鼻尖:30左眼角:36右眼角:45左嘴角:48右嘴角:54),采用OpenCV的solvePnP函数解出旋转向量,最后将旋转向量转换为欧拉角,通过这个欧拉角的旋转角度来判定驾驶员是否存在点头和歪头现象,如果判定为疲劳状态则触发报警器进行报警;眼睛嘴部姿态预警模块主要采用通过眼部和嘴部的关键点分别计算水平和垂直方向关键点之间的欧式距离,最终计算纵横比与设定阈值比较来判定驾驶员状态,如果判定为疲劳状态则触发报警器进行报警。
头部姿态检测预警模块和眼睛嘴部预警模块均是预警模块,其中预警模块包括头部姿态判断单元和眼睛、嘴部姿态判断单元;其中头部姿态判断单元,利用检测到的驾驶员脸部6个关键点与定义的6个关键点的3D脸部模型做对比,通过solvePnP函数解析出旋转向量,转换为欧拉角,通过欧拉角的角度判断驾驶员头部是否有点头和歪头的现象,点头和歪头状态持续时长超过设定时间阈值,判定驾驶员疲劳驾驶,然后触发报警器预警。眼睛和嘴部姿态判断单元主要通过人脸关键点定位技术定位出眼睛和嘴部的关键点,然后,计算眼睛和嘴部的水平方向和垂直方向的关键点之间的欧式距离,最后计算水平方向和垂直方向欧式距离之间的比值(纵横比),通过纵横比与设定的眼睛睁闭和嘴巴张开闭合的阈值之间的比较,并且结合眼睛闭合或者嘴巴张开的持续时长与所设定的时间阈值之间的比较,综合判定驾驶员是否处在疲劳状态,如果处于疲劳状态则触发警报报警。
S4、根据S3中人脸部关键点定位出眼睛和嘴部位置,根据坐标计算眼睛和嘴部水平方向和垂直方向欧式距离;
式中,d1为眼睛水平方向的欧式距离,d2和d3是垂直方向的欧式距离;A为眼睛纵横比;嘴部纵横比计算方式同眼睛计算方式相同;
步骤5:根据驾驶员点头累计次数确定超过设定阀值报警,其中驾驶员点头次数低于设定阀值,则通过嘴部纵横比以及眼睛纵横比分别与设定阈值做比较,确定张嘴闭眼的状态超过设定阀值报警。
本发明设计巧妙,能够实时检测,且具有抗干扰性强,识别检测全面,准确率高稳定性强等特点,能够从根本上提醒驾驶人员驾驶,以减少事故的发生的概率。
通过欧拉角的角度判断驾驶员头部是否有点头和歪头的现象,点头和歪头状态持续时长超过设定时间阈值,判定驾驶员疲劳驾驶,然后触发报警器预警。
通过纵横比与设定的眼睛睁闭和嘴巴张开闭合的阈值之间的比较,并且结合眼睛闭合或者嘴巴张开的持续时长与所设定的时间阈值之间的比较,综合判定驾驶员是否处在疲劳状态,如果处于疲劳状态则触发警报报警。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (4)
1.基于深度学习人脸姿态估计的疲劳检测方法,其特征在于:包括以下步骤:
S1、获取驾驶室摄像头视频流:首先通过驾驶室内的车载摄像头采集驾驶员驾驶状态视频,采用基于HOG提取算法检测出人脸区域,并用矩形框框出;
S2、人脸关键点定位:利用基于ERT集成回归树的landmark人脸部特征点提取技术确定人脸关键点,其中人脸关键点包括眼睛、嘴巴、下颌和鼻子的位置;
S3、定义一个6个关键点的3D脸部模型,且3D脸部模型包括左右眼角、左右嘴角、鼻尖和下颌,将获得的驾驶员脸部对应的6个关键点,使用OpenCv中的solvePnP函数来估算Pose,确定从3D model到驾驶员脸部图像的仿射变换矩阵,其中包含了旋转和平移信息也就是歪头和点头的移动信息,用rotation vector将旋转向量转换成欧拉角;
S4、根据S3中人脸部关键点定位出眼睛和嘴部位置,根据坐标计算眼睛和嘴部水平方向和垂直方向欧式距离;
式中,d1为眼睛水平方向的欧式距离,d2和d3是垂直方向的欧式距离;A为眼睛纵横比;嘴部纵横比计算方式同眼睛计算方式相同;
步骤5:根据驾驶员点头累计次数确定超过设定阀值报警,其中驾驶员点头次数低于设定阀值,则通过嘴部纵横比以及眼睛纵横比分别与设定阈值做比较,确定张嘴闭眼的状态超过设定阀值报警。
2.根据权利要求1所述的基于深度学习人脸姿态估计的疲劳检测方法,其特征在于:所述S1中采用人脸识别模块,其中人脸识别模块利用安装在驾驶员前方的车载摄像头采集驾驶员驾驶状态视频,利用基于HOG的人脸检测器检测视频流中的每一帧图像,识别出人脸所在区域,用矩形框进行人脸标记。
3.根据权利要求1所述的基于深度学习人脸姿态估计的疲劳检测方法,其特征在于:所述S2中包括人脸关键点定位模块,人脸关键点定位模块采用基于ERT集成回归树landmark人脸部特征点提取技术对人脸关键点进行检测。
4.根据权利要求1所述的基于深度学习人脸姿态估计的疲劳检测方法,其特征在于:所述S3中采用头部姿态检测预警模块和眼睛嘴部预警模块,其中头部姿态检测预警模块主要是首先定义一个6个关键点的3D脸部模型,然后采用landmark检测技术检测出视频帧中每张人脸图片中对应的6个脸部关键点,采用OpenCV的solvePnP函数解出旋转向量,最后将旋转向量转换为欧拉角,通过这个欧拉角的旋转角度来判定驾驶员是否存在点头和歪头现象,如果判定为疲劳状态则触发报警器进行报警;眼睛嘴部姿态预警模块主要采用通过眼部和嘴部的关键点分别计算水平和垂直方向关键点之间的欧式距离,最终计算纵横比与设定阈值比较来判定驾驶员状态,如果判定为疲劳状态则触发报警器进行报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910128657.9A CN109919049A (zh) | 2019-02-21 | 2019-02-21 | 基于深度学习人脸姿态估计的疲劳检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910128657.9A CN109919049A (zh) | 2019-02-21 | 2019-02-21 | 基于深度学习人脸姿态估计的疲劳检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109919049A true CN109919049A (zh) | 2019-06-21 |
Family
ID=66961943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910128657.9A Pending CN109919049A (zh) | 2019-02-21 | 2019-02-21 | 基于深度学习人脸姿态估计的疲劳检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919049A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110246305A (zh) * | 2019-08-01 | 2019-09-17 | 肇庆学院 | 一种基于机器视觉的疲劳驾驶检测预警系统及方法 |
CN110414419A (zh) * | 2019-07-25 | 2019-11-05 | 四川长虹电器股份有限公司 | 一种基于移动端观看者的姿势检测系统及方法 |
CN110532976A (zh) * | 2019-09-03 | 2019-12-03 | 湘潭大学 | 基于机器学习和多特征融合的疲劳驾驶检测方法及系统 |
CN110659596A (zh) * | 2019-09-11 | 2020-01-07 | 高新兴科技集团股份有限公司 | 案管场景下人脸关键点定位方法、计算机存储介质及设备 |
CN110705464A (zh) * | 2019-09-27 | 2020-01-17 | 珠海格力电器股份有限公司 | 一种基于视觉系统的疲劳判定方法和存储介质 |
CN111310617A (zh) * | 2020-02-03 | 2020-06-19 | 杭州飞步科技有限公司 | 分神驾驶检测方法、装置及存储介质 |
CN111553250A (zh) * | 2020-04-25 | 2020-08-18 | 深圳德技创新实业有限公司 | 一种基于人脸特征点的精准面瘫程度评测方法及装置 |
CN111626272A (zh) * | 2020-07-28 | 2020-09-04 | 长沙超创电子科技有限公司 | 一种基于深度学习的驾驶员疲劳监测系统 |
CN111645695A (zh) * | 2020-06-28 | 2020-09-11 | 北京百度网讯科技有限公司 | 一种疲劳驾驶的检测方法、装置、计算机设备和存储介质 |
CN111814615A (zh) * | 2020-06-28 | 2020-10-23 | 湘潭大学 | 一种基于指令视频的帕金森非接触式智能检测方法 |
CN112016429A (zh) * | 2020-08-21 | 2020-12-01 | 高新兴科技集团股份有限公司 | 基于火车驾驶室场景下疲劳驾驶检测方法 |
CN112699768A (zh) * | 2020-12-25 | 2021-04-23 | 哈尔滨工业大学(威海) | 基于脸部信息的疲劳驾驶检测方法、装置和可读存储介质 |
CN112926364A (zh) * | 2019-12-06 | 2021-06-08 | 北京四维图新科技股份有限公司 | 头部姿态的识别方法及系统、行车记录仪和智能座舱 |
CN112949345A (zh) * | 2019-11-26 | 2021-06-11 | 北京四维图新科技股份有限公司 | 疲劳监测方法及系统、行车记录仪和智能座舱 |
CN113139531A (zh) * | 2021-06-21 | 2021-07-20 | 博泰车联网(南京)有限公司 | 困倦状态检测方法及装置、电子设备、可读存储介质 |
CN113283318A (zh) * | 2021-05-13 | 2021-08-20 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN113297966A (zh) * | 2021-05-25 | 2021-08-24 | 郑州铁路职业技术学院 | 一种基于多重刺激的夜间学习方法 |
CN113361452A (zh) * | 2021-06-24 | 2021-09-07 | 中国科学技术大学 | 一种基于深度学习的驾驶员疲劳驾驶实时检测方法及系统 |
CN113379832A (zh) * | 2021-06-23 | 2021-09-10 | 南京领行科技股份有限公司 | 一种摄像头的位姿调整方法、装置、电子设备及存储介质 |
CN113536967A (zh) * | 2021-06-25 | 2021-10-22 | 武汉极目智能技术有限公司 | 基于驾驶员头部运动姿态与人眼开合度的驾驶员状态辨识方法、装置、电子设备 |
CN113676618A (zh) * | 2021-08-20 | 2021-11-19 | 东北大学 | 一种透明a柱的智能显示系统及方法 |
CN114022871A (zh) * | 2021-11-10 | 2022-02-08 | 中国民用航空飞行学院 | 基于深度感知技术的无人机驾驶员疲劳检测方法及系统 |
WO2022027912A1 (zh) * | 2020-08-05 | 2022-02-10 | 深圳市优必选科技股份有限公司 | 一种人脸姿态检测方法、装置、终端设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004041485A (ja) * | 2002-07-12 | 2004-02-12 | Tokai Rika Co Ltd | 開閉眼モニタ装置 |
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 |
CN106295600A (zh) * | 2016-08-18 | 2017-01-04 | 宁波傲视智绘光电科技有限公司 | 驾驶员状态实时检测方法和装置 |
CN107229922A (zh) * | 2017-06-12 | 2017-10-03 | 西南科技大学 | 一种疲劳驾驶监测方法及装置 |
CN108460345A (zh) * | 2018-02-08 | 2018-08-28 | 电子科技大学 | 一种基于人脸关键点定位的面部疲劳检测方法 |
CN108791299A (zh) * | 2018-05-16 | 2018-11-13 | 浙江零跑科技有限公司 | 一种基于视觉的驾驶疲劳检测及预警系统及方法 |
CN109308445A (zh) * | 2018-07-25 | 2019-02-05 | 南京莱斯电子设备有限公司 | 一种基于信息融合的固定岗位人员疲劳检测方法 |
-
2019
- 2019-02-21 CN CN201910128657.9A patent/CN109919049A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004041485A (ja) * | 2002-07-12 | 2004-02-12 | Tokai Rika Co Ltd | 開閉眼モニタ装置 |
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 |
CN106295600A (zh) * | 2016-08-18 | 2017-01-04 | 宁波傲视智绘光电科技有限公司 | 驾驶员状态实时检测方法和装置 |
CN107229922A (zh) * | 2017-06-12 | 2017-10-03 | 西南科技大学 | 一种疲劳驾驶监测方法及装置 |
CN108460345A (zh) * | 2018-02-08 | 2018-08-28 | 电子科技大学 | 一种基于人脸关键点定位的面部疲劳检测方法 |
CN108791299A (zh) * | 2018-05-16 | 2018-11-13 | 浙江零跑科技有限公司 | 一种基于视觉的驾驶疲劳检测及预警系统及方法 |
CN109308445A (zh) * | 2018-07-25 | 2019-02-05 | 南京莱斯电子设备有限公司 | 一种基于信息融合的固定岗位人员疲劳检测方法 |
Non-Patent Citations (8)
Title |
---|
A微风掠过: "Dlib库landmark算法解析", 《HTTPS://WWW.JIANSHU.COM/P/818F8693088E》 * |
CDKNIGHT_HAPPY: "人脸姿态估计", 《HTTPS://BLOG.CSDN.NET/CDKNIGHT_HAPPY/ARTICLE/DETAILS/79975060》 * |
SATYA MALLICK: "Head Pose Estimation using OpenCV and Dlib | Learn OpenCV", 《HTTPS://WWW.LEARNOPENCV.COM/HEAD-POSE-ESTIMATION-USING-OPENCV-AND-DLIB/》 * |
ZZYY0929: "Dlib库landmark算法解析(ERT 集成回归树)", 《HTTPS://BLOG.CSDN.NET/ZZYY0929/ARTICLE/DETAILS/78323256》 * |
撒灵 等: "基于面部特征的疲劳驾驶检测系统的设计", 《科技风》 * |
文芳: "基于SDM的疲劳驾驶状态检测方法研究", 《中国优秀硕士学位论文全文数据库(电子期刊) 工程科技I辑》 * |
游峰 等: "基于深度学习的驾驶人疲劳监测算法研究", 《武汉理工大学学报(交通科学与工程版)》 * |
郭慧利 等: "基于面部多特征的疲劳驾驶预警系统的研究", 《通信学报》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414419A (zh) * | 2019-07-25 | 2019-11-05 | 四川长虹电器股份有限公司 | 一种基于移动端观看者的姿势检测系统及方法 |
CN110246305A (zh) * | 2019-08-01 | 2019-09-17 | 肇庆学院 | 一种基于机器视觉的疲劳驾驶检测预警系统及方法 |
CN110532976A (zh) * | 2019-09-03 | 2019-12-03 | 湘潭大学 | 基于机器学习和多特征融合的疲劳驾驶检测方法及系统 |
CN110659596A (zh) * | 2019-09-11 | 2020-01-07 | 高新兴科技集团股份有限公司 | 案管场景下人脸关键点定位方法、计算机存储介质及设备 |
CN110705464A (zh) * | 2019-09-27 | 2020-01-17 | 珠海格力电器股份有限公司 | 一种基于视觉系统的疲劳判定方法和存储介质 |
CN112949345A (zh) * | 2019-11-26 | 2021-06-11 | 北京四维图新科技股份有限公司 | 疲劳监测方法及系统、行车记录仪和智能座舱 |
CN112926364A (zh) * | 2019-12-06 | 2021-06-08 | 北京四维图新科技股份有限公司 | 头部姿态的识别方法及系统、行车记录仪和智能座舱 |
CN112926364B (zh) * | 2019-12-06 | 2024-04-19 | 北京四维图新科技股份有限公司 | 头部姿态的识别方法及系统、行车记录仪和智能座舱 |
CN111310617A (zh) * | 2020-02-03 | 2020-06-19 | 杭州飞步科技有限公司 | 分神驾驶检测方法、装置及存储介质 |
CN111553250A (zh) * | 2020-04-25 | 2020-08-18 | 深圳德技创新实业有限公司 | 一种基于人脸特征点的精准面瘫程度评测方法及装置 |
CN111814615A (zh) * | 2020-06-28 | 2020-10-23 | 湘潭大学 | 一种基于指令视频的帕金森非接触式智能检测方法 |
CN111645695A (zh) * | 2020-06-28 | 2020-09-11 | 北京百度网讯科技有限公司 | 一种疲劳驾驶的检测方法、装置、计算机设备和存储介质 |
CN111814615B (zh) * | 2020-06-28 | 2024-04-12 | 中国科学院计算技术研究所 | 一种基于指令视频的帕金森非接触式智能检测方法 |
CN111645695B (zh) * | 2020-06-28 | 2022-08-09 | 北京百度网讯科技有限公司 | 一种疲劳驾驶的检测方法、装置、计算机设备和存储介质 |
CN111626272A (zh) * | 2020-07-28 | 2020-09-04 | 长沙超创电子科技有限公司 | 一种基于深度学习的驾驶员疲劳监测系统 |
WO2022027912A1 (zh) * | 2020-08-05 | 2022-02-10 | 深圳市优必选科技股份有限公司 | 一种人脸姿态检测方法、装置、终端设备及存储介质 |
CN112016429A (zh) * | 2020-08-21 | 2020-12-01 | 高新兴科技集团股份有限公司 | 基于火车驾驶室场景下疲劳驾驶检测方法 |
CN112699768A (zh) * | 2020-12-25 | 2021-04-23 | 哈尔滨工业大学(威海) | 基于脸部信息的疲劳驾驶检测方法、装置和可读存储介质 |
CN113283318A (zh) * | 2021-05-13 | 2021-08-20 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN113297966A (zh) * | 2021-05-25 | 2021-08-24 | 郑州铁路职业技术学院 | 一种基于多重刺激的夜间学习方法 |
CN113139531A (zh) * | 2021-06-21 | 2021-07-20 | 博泰车联网(南京)有限公司 | 困倦状态检测方法及装置、电子设备、可读存储介质 |
CN113379832B (zh) * | 2021-06-23 | 2022-06-07 | 南京领行科技股份有限公司 | 一种摄像头的位姿调整方法、装置、电子设备及存储介质 |
CN113379832A (zh) * | 2021-06-23 | 2021-09-10 | 南京领行科技股份有限公司 | 一种摄像头的位姿调整方法、装置、电子设备及存储介质 |
CN113361452A (zh) * | 2021-06-24 | 2021-09-07 | 中国科学技术大学 | 一种基于深度学习的驾驶员疲劳驾驶实时检测方法及系统 |
CN113536967A (zh) * | 2021-06-25 | 2021-10-22 | 武汉极目智能技术有限公司 | 基于驾驶员头部运动姿态与人眼开合度的驾驶员状态辨识方法、装置、电子设备 |
CN113676618A (zh) * | 2021-08-20 | 2021-11-19 | 东北大学 | 一种透明a柱的智能显示系统及方法 |
CN114022871A (zh) * | 2021-11-10 | 2022-02-08 | 中国民用航空飞行学院 | 基于深度感知技术的无人机驾驶员疲劳检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919049A (zh) | 基于深度学习人脸姿态估计的疲劳检测方法 | |
US11816983B2 (en) | Helmet wearing determination method, helmet wearing determination system, helmet wearing determination apparatus, and program | |
CN107704805B (zh) | 疲劳驾驶检测方法、行车记录仪及存储装置 | |
Sigari et al. | A driver face monitoring system for fatigue and distraction detection | |
CN108460345A (zh) | 一种基于人脸关键点定位的面部疲劳检测方法 | |
CN109740477A (zh) | 驾驶员疲劳检测系统及其疲劳检测方法 | |
CN107665330A (zh) | 检测注意力分散和向下垂直头部姿势的系统和方法 | |
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 | |
CN111626272A (zh) | 一种基于深度学习的驾驶员疲劳监测系统 | |
Pech et al. | Head tracking based glance area estimation for driver behaviour modelling during lane change execution | |
Lee et al. | A study on feature extraction methods used to estimate a driver’s level of drowsiness | |
WO2022110737A1 (zh) | 车辆防撞预警方法、装置、车载终端设备和存储介质 | |
CN107563346A (zh) | 一种基于人眼图像处理实现驾驶员疲劳判别的方法 | |
Ribarić et al. | A neural-network-based system for monitoring driver fatigue | |
CN113536967B (zh) | 基于驾驶员头部运动姿态与人眼开合度的驾驶员状态辨识方法、装置、电子设备 | |
Zhang et al. | Driver fatigue state detection based on facial key points | |
Mašanović et al. | Driver monitoring using the in-vehicle camera | |
CN112690794B (zh) | 驾驶员状态检测方法、系统和装置 | |
CN116965781A (zh) | 一种驾驶员生命体征和驾驶行为监控方法及系统 | |
Singh et al. | Implementation Driver Drowsiness Detection usingML/DL (Eyelid movement-based technique) | |
Jiao et al. | Real-time eye detection and tracking under various light conditions | |
WO2021024905A1 (ja) | 画像処理装置、モニタリング装置、制御システム、画像処理方法、コンピュータプログラム、及び記憶媒体 | |
CN113420656A (zh) | 一种疲劳驾驶检测方法、装置、电子设备及存储介质 | |
CN112347891B (zh) | 基于视觉的舱内喝水状态检测方法 | |
JP2021009503A (ja) | 個人データ取得システム、個人データ取得方法、画像処理装置用顔センシングパラメータの調整方法及びコンピュータプログラム |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |