CN110210382A - 一种基于时空特征识别的人脸疲劳驾驶检测方法及装置 - Google Patents
一种基于时空特征识别的人脸疲劳驾驶检测方法及装置 Download PDFInfo
- Publication number
- CN110210382A CN110210382A CN201910465367.3A CN201910465367A CN110210382A CN 110210382 A CN110210382 A CN 110210382A CN 201910465367 A CN201910465367 A CN 201910465367A CN 110210382 A CN110210382 A CN 110210382A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- video
- descriptor
- face descriptor
- 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
Classifications
-
- 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
- G06N3/08—Learning methods
-
- 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
- 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
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06V40/174—Facial expression recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于时空特征识别的人脸疲劳驾驶检测方法及装置,其中方法包括:步骤S1:从视频数据库中提取脸部表情图并预处理;步骤S2:提取训练集数据;步骤S3:将训练集数据用于AlexNet网络进行训练;步骤S4:对由待识别视频处理得到第一人脸描述符;步骤S5:将第一人脸描述符输入GhostVLAD层,得到单个固定的D维的第二人脸描述符;步骤S6:对输出的第二人脸描述符进行标准化,以及输出其识别结果;步骤S7:同一待识别视频中得到的各样本的识别结果,计算疲劳指标PERCLOS值、打哈欠频率和每分钟平均闭眼时长,并进一步按照加权求和得到疲劳驾驶指标以判断是否疲劳驾驶。与现有技术相比,本发明极大提高疲劳驾驶判断的准确率和可行性。
Description
技术领域
本发明涉及基于图像处理的机器视觉领域,尤其是涉及一种基于时空特征识别的人脸疲劳驾驶检测方法及装置。
背景技术
随着经济水平日益提高,汽车的使用越来越广泛,然而在方便人们出行的同时,所产生的交通事故也越来越多,交通事故给国家造成巨大的经济损失和人员伤亡,而疲劳驾驶已作为交通事故的主要隐患,现有的疲劳驾驶检测技术对于疲劳驾驶的评判实际上是通过时间标准来界定,由于不同驾驶员的个人体质、精神状态等方面的差异,在时间标准内也会发生疲劳驾驶,驾驶人疲劳时,对其周围环境的感知能力、形势判断能力和对车辆的控制能力均会大幅度降低,目前车辆运营单位与监管部门缺乏对疲劳驾驶的有效监管手段,市场上的检测产品检测效果低,难以满足实时监管需求。我国的车载摄像头虽然有一定的发展,但是针对驾驶员的安全文明驾驶没有过多的研究,以前由于技术限制,如何判断驾驶员是否违规行驶缺乏实时高效的判断方法。基于深度学习的人脸和头部识别技术,能够对驾驶员的实时操作进行监督和判断,能够有效减少驾驶员因疲劳驾驶而造成交通事故。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于时空特征识别的人脸疲劳驾驶检测方法及装置。
本发明的目的可以通过以下技术方案来实现:
一种基于时空特征识别的人脸疲劳驾驶检测方法,包括:
步骤S1:从视频数据库中提取脸部表情图像,对脸部表情图像进行预处理;
步骤S2:在预处理后的脸部表情图像集合中提取训练集数据;
步骤S3:将训练集数据用于AlexNet网络进行训练,其中,AlexNet网络对训练集数据中的各样本分别生成第一人脸描述符;
步骤S4:对由待识别视频提取脸部表情图像,对脸部表情图像进行预处理,并提取检测集数据,并将检测集数据输入AlexNet网络得到第一人脸描述符;
步骤S5:分别将由训练集数据和检测集数据中各样本得到的第一人脸描述符输入GhostVLAD层,得到单个固定的D维的第二人脸描述符;
步骤S6:对输出的第二人脸描述符进行标准化,基于检测集各样本得到的第二人脸描述符与各训练集中各样本得到的第二人脸描述符之间的欧氏距离输出其识别结果,其中识别包括是否发生打哈欠和是否发生眼睑下垂;
步骤S7:同一待识别视频中得到的各样本的识别结果,计算疲劳指标PERCLOS值、打哈欠频率和每分钟平均闭眼时长,并进一步按照加权求和得到疲劳驾驶指标以判断是否疲劳驾驶。
所述步骤S1及步骤S4中对一段视频的预处理过程具体包括:
步骤S11:对提取视频的每一帧;
步骤S12:对各帧进行脸部检测,根据检测结果并裁剪出统一尺寸的脸部表情图像。
所述步骤S2中对来自于任一视频的脸部表情图像提取训练集数据的过程具体包括:
步骤S21:将视频每秒包含的帧按照时序等分为设定份数N,
步骤S22:对每一份中各帧对应的脸部表情图像求均值得到每秒N幅均指图像,并将每四幅均指图像作为一组训练样本;
所述步骤S4中对来自于任一视频的脸部表情图像提取检测集数据的过程具体包括:
步骤S411:将视频每秒包含的帧按照时序等分为设定份数N,
步骤S412:对每一份中各帧对应的脸部表情图像求均值得到每秒N幅均指图像,并将每四幅均指图像作为一组检测样本。
所述视频每秒含有24帧,所述N为4。
所述AlexNet网络由五个卷积层和三个全连接层组成,在第一个第二个第五个卷积层后面均加入了最大池化层,一组训练样本经过前五个卷积层和最大池化层提取出2048维的人脸描述符,经过全连接层将维度降到128维,得到4个128维第一人脸描述符。
所述步骤S5具体包括:
步骤S51:利用softmax函数得到第一人脸描述符xi对应于K集群的软分配权重:
bk=-α||ck||2
wk=2αck
其中:ak(xi)为第一人脸描述符xi对应于K集群的软分配权重,bk为第k个集群偏置的标量值,bk'为集群偏置的标量值,wk为聚类中心的向量表示,α为控制响应的衰弱和距离的大小的参数,ck为第k个聚类中心,||·||2为向量模的平方;
步骤S52:将第一人脸描述符xi对应于K集群的软分配权重与第一人脸描述符和K集群聚类中心的残差相乘得到第二人脸描述符:
其中:V为第二人脸描述符,xi(j)为第i个人脸描述符的第j维,ck(j)为第k个聚类中心的第j维。
所述步骤S7中加权求和过程PERCLOS值的权重为1、打哈欠频率的权重为0.5,每分钟平均闭眼时长的权重为0.8。
一种基于时空特征识别的人脸疲劳驾驶检测装置,包括存储器、处理器,以及存储于存储器中并由所述处理器执行的程序,所述处理器执行所述程序时实现以下步骤:
步骤S1:从视频数据库中提取脸部表情图像,对脸部表情图像进行预处理;
步骤S2:在预处理后的脸部表情图像集合中提取训练集数据;
步骤S3:将训练集数据用于AlexNet网络进行训练,其中,AlexNet网络对训练集数据中的各样本分别生成第一人脸描述符;
步骤S4:对由待识别视频提取脸部表情图像,对脸部表情图像进行预处理,并提取检测集数据,并将检测集数据输入AlexNet网络得到第一人脸描述符;
步骤S5:分别将由训练集数据和检测集数据中各样本得到的第一人脸描述符输入GhostVLAD层,得到单个固定的D维的第二人脸描述符;
步骤S6:对输出的第二人脸描述符进行标准化,基于检测集各样本得到的第二人脸描述符与各训练集中各样本得到的第二人脸描述符之间的欧氏距离输出其识别结果,其中识别包括是否发生打哈欠和是否发生眼睑下垂;
步骤S7:同一待识别视频中得到的各样本的识别结果,计算疲劳指标PERCLOS值、打哈欠频率和每分钟平均闭眼时长,并进一步按照加权求和得到疲劳驾驶指标以判断是否疲劳驾驶。
与现有技术相比,本发明具有以下有益效果:在驾车过程中通过车载摄像头获取驾驶员实时信息,通过卷积神经网络实时分析人脸表情变化,根据特征判断驾驶员是否疲劳驾驶现象,进而对疲劳程度进行预测,有效解决目前疲劳驾驶的靠单一技术手段实现自动监控误报率高的技术瓶颈,极大提高疲劳驾驶判断的准确率和可行性,使疲劳驾驶管理更加有效、智能和实用。
附图说明
图1为本发明方法的主要流程示意图;
图2为本发明的逻辑示意图。
图3为特征提取与特征融合流程图;
图4为疲劳程度预测流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
一种基于时空特征识别的人脸疲劳驾驶检测方法,该方法以计算机程序的形式由计算机系统实现,对应的装置,包括存储器、处理器,以及存储于存储器中并由处理器执行的程序,如图1和图2所示,处理器执行程序时实现以下步骤:
步骤S1:从视频数据库中提取脸部表情图像,对脸部表情图像进行预处理,其中对一段视频的预处理过程具体包括:
步骤S11:对视频数据集中的每一帧表情图像进行采样,对提取视频的每一帧;
步骤S12:使用MTCNN方法对各帧进行脸部检测,根据检测结果并裁剪出统一尺寸的脸部表情图像,具体的,调整脸部裁剪的大小,使得最小尺寸为224,并且图像中央部分的224*224裁剪用作脸部表情图像,完成对人脸表情图像的预处理。
步骤S2:在预处理后的脸部表情图像集合中提取训练集数据,其中对来自于任一视频的脸部表情图像提取训练集数据的过程具体包括:
步骤S21:将视频每秒包含的帧按照时序等分为设定份数N,
步骤S22:对每一份中各帧对应的脸部表情图像求均值得到每秒N幅均指图像,并将每四幅均指图像作为一组训练样本,其中,视频每秒含有24帧,N为4;
步骤S3:将训练集数据用于AlexNet网络进行训练,其中,AlexNet网络对训练集数据中的各样本分别生成第一人脸描述符;
所述AlexNet网络由五个卷积层和三个全连接层组成,在第一个第二个第五个卷积层后面都加入了最大池化层,加入池化层的目的是为了对每个卷积层输出的特征图进行采样从而增大感受野。池化操作还能使得学得的特征具有旋转、尺度不变性,4幅均值图像经过前五个卷积层和最大池化层提取出2048维的人脸描述符,经过全连接层将维度降到P=128维,得到4个P维人脸描述符。
在网络的训练过程中,首先进行单幅图像人脸分类训练,输入的图像集是由单个图像构成,这是对AlexNet网络进行单图像人脸分类的预处理;其次进行多幅图像人脸分类训练,但是聚合层中无额外的G集群;最后添加G集群,并进行图像退化训练,图像退化训练的目的是以图像质量下降的形式执行数据增强用以训练网络,使网络遇到变化的图像质量时,能够减少低质量图像对模板表示的影响。
步骤S4:对由待识别视频提取脸部表情图像,对脸部表情图像进行预处理,并提取检测集数据,并将检测集数据输入AlexNet网络得到第一人脸描述符,该过程与步骤1~3相似,例如其中对来自于任一视频的脸部表情图像提取检测集数据的过程具体包括:
步骤S411:将视频每秒包含的帧按照时序等分为设定份数N,
步骤S412:对每一份中各帧对应的脸部表情图像求均值得到每秒N幅均指图像,并将每四幅均指图像作为一组检测样本。
步骤S5:分别将由训练集数据和检测集数据中各样本得到的第一人脸描述符输入GhostVLAD层,得到单个固定的D维的第二人脸描述符,得到的人脸描述符输入GhostVLAD层,GhostVLAD层包含三个过程,如图3所示,具体包括:
步骤S51:利用softmax函数得到第一人脸描述符xi对应于K集群的软分配权重,最高权重分配给最近的聚类中心,其软分配的公式:
bk=-α||ck||2
wk=2αck
其中:ak(xi)为第一人脸描述符xi对应于K集群的软分配权重,bk为第k个集群偏置的标量值,bk'为集群偏置的标量值,wk为聚类中心的向量表示,α为控制响应的衰弱和距离的大小的参数,ck为第k个聚类中心,||·||2为向量模的平方;软分配实现对聚合层中不同项进行加权。
其次,我们添加了G个额外集群(G=1),这些集群对软分配的贡献与原来的K集群相同,但是输入人脸描述符与G集群中心之间的残差被忽略,
步骤S52:将第一人脸描述符xi对应于K集群的软分配权重与第一人脸描述符和K集群聚类中心的残差相乘得到第二人脸描述符:
其中:V为第二人脸描述符,xi(j)为第i个人脸描述符的第j维,ck(j)为第k个聚类中心的第j维。
最终实现特征聚合,形成单个固定D维人脸描述符.用K+G个集群计算描述符xi对应K集群的软分配权重,描述符xi与G集群中心之间的残差会被忽略,经过图像退化训练,将高度模糊的人脸图像强分配给额外的G集群然后将G集群和分配过来的模糊图像删除,使其对K集群的赋值权重接近0。
步骤S6:对输出的第二人脸描述符进行标准化,基于检测集各样本得到的第二人脸描述符与各训练集中各样本得到的第二人脸描述符之间的欧氏距离输出其识别结果,其中识别包括是否发生打哈欠和是否发生眼睑下垂,具体的,计算待识别图像与训练图像特征向量之间的距离得到待识别图像的识别结果,实现人脸表情结果的输出;所述距离为欧式距离,所述待识别图像与测试图像特征向量之间的欧氏距离越小,就说明待识别图像与测试图像之间的相似度越高,进而得到所述待识别图像的识别结果;
步骤S7:如图4所示,同一待识别视频中得到的各样本的识别结果,计算疲劳指标PERCLOS值、打哈欠频率和每分钟平均闭眼时长,并进一步按照加权求和得到疲劳驾驶指标以判断是否疲劳驾驶,其中加权求和过程PERCLOS值的权重为1、打哈欠频率的权重为0.5,每分钟平均闭眼时长的权重为0.8。
具体的,根据所有帧的识别结果,统计存在哈欠的图像,计算出每分钟内打哈欠的频率;再利用基于有限状态自动机的PERCLOS算法计算出眼睑下垂图像中PERCLOS的P80值,再根据每帧图像的识别结果计算出每分钟平均闭眼时长,PERCLOS值作为公认的可靠指标,权重为1,平均闭眼时长指标的权重为0.8,打哈欠频率的权重为0.5,然后进行加权求和。PERCLOS值作为公认的可靠指标,权重为1,平均闭眼时长指标的权重为0.8,打哈欠频率的权重为0.5,然后进行加权求和。综合疲劳值为0-0.23判定为不疲劳,0.23-0.69判定为轻度疲劳,0.69-1.61判定为中度疲劳,1.62-2.3判定为严重疲劳。
步骤S8:判定为严重疲劳时,进行报警。
Claims (8)
1.一种基于时空特征识别的人脸疲劳驾驶检测方法,其特征在于,包括:
步骤S1:从视频数据库中提取脸部表情图像,对脸部表情图像进行预处理;
步骤S2:在预处理后的脸部表情图像集合中提取训练集数据;
步骤S3:将训练集数据用于AlexNet网络进行训练,其中,AlexNet网络对训练集数据中的各样本分别生成第一人脸描述符;
步骤S4:对由待识别视频提取脸部表情图像,对脸部表情图像进行预处理,并提取检测集数据,并将检测集数据输入AlexNet网络得到第一人脸描述符;
步骤S5:分别将由训练集数据和检测集数据中各样本得到的第一人脸描述符输入GhostVLAD层,得到单个固定的D维的第二人脸描述符;
步骤S6:对输出的第二人脸描述符进行标准化,基于检测集各样本得到的第二人脸描述符与各训练集中各样本得到的第二人脸描述符之间的欧氏距离输出其识别结果,其中识别包括是否发生打哈欠和是否发生眼睑下垂;
步骤S7:同一待识别视频中得到的各样本的识别结果,计算疲劳指标PERCLOS值、打哈欠频率和每分钟平均闭眼时长,并进一步按照加权求和得到疲劳驾驶指标以判断是否疲劳驾驶。
2.根据权利要求1所述的一种基于时空特征识别的人脸疲劳驾驶检测方法,其特征在于,所述步骤S1及步骤S4中对一段视频的预处理过程具体包括:
步骤S11:对提取视频的每一帧;
步骤S12:对各帧进行脸部检测,根据检测结果并裁剪出统一尺寸的脸部表情图像。
3.根据权利要求1所述的一种基于时空特征识别的人脸疲劳驾驶检测方法,其特征在于,所述步骤S2中对来自于任一视频的脸部表情图像提取训练集数据的过程具体包括:
步骤S21:将视频每秒包含的帧按照时序等分为设定份数N,
步骤S22:对每一份中各帧对应的脸部表情图像求均值得到每秒N幅均指图像,并将每四幅均指图像作为一组训练样本;
所述步骤S4中对来自于任一视频的脸部表情图像提取检测集数据的过程具体包括:
步骤S411:将视频每秒包含的帧按照时序等分为设定份数N,
步骤S412:对每一份中各帧对应的脸部表情图像求均值得到每秒N幅均指图像,并将每四幅均指图像作为一组检测样本。
4.根据权利要求3所述的一种基于时空特征识别的人脸疲劳驾驶检测方法,其特征在于,所述视频每秒含有24帧,所述N为4。
5.根据权利要求4所述的一种基于时空特征识别的人脸疲劳驾驶检测方法,其特征在于,所述AlexNet网络由五个卷积层和三个全连接层组成,在第一个第二个第五个卷积层后面均加入了最大池化层,一组训练样本经过前五个卷积层和最大池化层提取出2048维的人脸描述符,经过全连接层将维度降到128维,得到4个128维第一人脸描述符。
6.根据权利要求5所述的一种基于时空特征识别的人脸疲劳驾驶检测方法,其特征在于,所述步骤S5具体包括:
步骤S51:利用softmax函数得到第一人脸描述符xi对应于K集群的软分配权重:
bk=-α||ck||2
wk=2αck
其中:ak(xi)为第一人脸描述符xi对应于K集群的软分配权重,bk为第k个集群偏置的标量值,bk'为集群偏置的标量值,wk为聚类中心的向量表示,α为控制响应的衰弱和距离的大小的参数,ck为第k个聚类中心,||·||2为向量模的平方;
步骤S52:将第一人脸描述符xi对应于K集群的软分配权重与第一人脸描述符和K集群聚类中心的残差相乘得到第二人脸描述符:
其中:V为第二人脸描述符,xi(j)为第i个人脸描述符的第j维,ck(j)为第k个聚类中心的第j维。
7.根据权利要求1所述的一种基于时空特征识别的人脸疲劳驾驶检测方法,其特征在于,所述步骤S7中加权求和过程PERCLOS值的权重为1、打哈欠频率的权重为0.5,每分钟平均闭眼时长的权重为0.8。
8.一种基于时空特征识别的人脸疲劳驾驶检测装置,其特征在于,包括存储器、处理器,以及存储于存储器中并由所述处理器执行的程序,所述处理器执行所述程序时实现以下步骤:
步骤S1:从视频数据库中提取脸部表情图像,对脸部表情图像进行预处理;
步骤S2:在预处理后的脸部表情图像集合中提取训练集数据;
步骤S3:将训练集数据用于AlexNet网络进行训练,其中,AlexNet网络对训练集数据中的各样本分别生成第一人脸描述符;
步骤S4:对由待识别视频提取脸部表情图像,对脸部表情图像进行预处理,并提取检测集数据,并将检测集数据输入AlexNet网络得到第一人脸描述符;
步骤S5:分别将由训练集数据和检测集数据中各样本得到的第一人脸描述符输入GhostVLAD层,得到单个固定的D维的第二人脸描述符;
步骤S6:对输出的第二人脸描述符进行标准化,基于检测集各样本得到的第二人脸描述符与各训练集中各样本得到的第二人脸描述符之间的欧氏距离输出其识别结果,其中识别包括是否发生打哈欠和是否发生眼睑下垂;
步骤S7:同一待识别视频中得到的各样本的识别结果,计算疲劳指标PERCLOS值、打哈欠频率和每分钟平均闭眼时长,并进一步按照加权求和得到疲劳驾驶指标以判断是否疲劳驾驶。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910465367.3A CN110210382A (zh) | 2019-05-30 | 2019-05-30 | 一种基于时空特征识别的人脸疲劳驾驶检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910465367.3A CN110210382A (zh) | 2019-05-30 | 2019-05-30 | 一种基于时空特征识别的人脸疲劳驾驶检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110210382A true CN110210382A (zh) | 2019-09-06 |
Family
ID=67789764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910465367.3A Pending CN110210382A (zh) | 2019-05-30 | 2019-05-30 | 一种基于时空特征识别的人脸疲劳驾驶检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210382A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310683A (zh) * | 2020-02-24 | 2020-06-19 | 合肥工业大学 | 一种基于驾驶员疲劳检测的人机协同控制方法及系统 |
CN111582086A (zh) * | 2020-04-26 | 2020-08-25 | 湖南大学 | 基于多特征的疲劳驾驶识别方法及系统 |
CN112528767A (zh) * | 2020-11-26 | 2021-03-19 | 天津大学 | 基于机器视觉的施工机械操作员疲劳作业检测系统及方法 |
EP4064113A4 (en) * | 2019-11-22 | 2023-05-10 | Arcsoft Corporation Limited | USER INFORMATION DETECTION METHOD AND SYSTEM, AND ELECTRONIC DEVICE |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104240446A (zh) * | 2014-09-26 | 2014-12-24 | 长春工业大学 | 基于人脸识别的疲劳驾驶预警系统 |
CN107578008A (zh) * | 2017-09-02 | 2018-01-12 | 吉林大学 | 基于分块特征矩阵算法和svm的疲劳状态检测方法 |
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
- 2019-05-30 CN CN201910465367.3A patent/CN110210382A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104240446A (zh) * | 2014-09-26 | 2014-12-24 | 长春工业大学 | 基于人脸识别的疲劳驾驶预警系统 |
CN107578008A (zh) * | 2017-09-02 | 2018-01-12 | 吉林大学 | 基于分块特征矩阵算法和svm的疲劳状态检测方法 |
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 (1)
Title |
---|
YUJIE ZHONG ET AL.: "GhostVLAD for set-based face recognition", 《ARXIV》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4064113A4 (en) * | 2019-11-22 | 2023-05-10 | Arcsoft Corporation Limited | USER INFORMATION DETECTION METHOD AND SYSTEM, AND ELECTRONIC DEVICE |
CN111310683A (zh) * | 2020-02-24 | 2020-06-19 | 合肥工业大学 | 一种基于驾驶员疲劳检测的人机协同控制方法及系统 |
CN111310683B (zh) * | 2020-02-24 | 2023-02-24 | 合肥工业大学 | 一种基于驾驶员疲劳检测的人机协同控制方法及系统 |
CN111582086A (zh) * | 2020-04-26 | 2020-08-25 | 湖南大学 | 基于多特征的疲劳驾驶识别方法及系统 |
CN112528767A (zh) * | 2020-11-26 | 2021-03-19 | 天津大学 | 基于机器视觉的施工机械操作员疲劳作业检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210382A (zh) | 一种基于时空特征识别的人脸疲劳驾驶检测方法及装置 | |
CN107316007B (zh) | 一种基于深度学习的监控图像多类物体检测与识别方法 | |
CN105512624B (zh) | 一种人脸图像的笑脸识别方法及其装置 | |
CN105354988B (zh) | 一种基于机器视觉的驾驶员疲劳驾驶检测系统及检测方法 | |
CN106372666B (zh) | 一种目标识别方法及装置 | |
CN109522853B (zh) | 面向监控视频的人脸检测与搜索方法 | |
CN108875708A (zh) | 基于视频的行为分析方法、装置、设备、系统及存储介质 | |
CN109902806A (zh) | 基于卷积神经网络的噪声图像目标边界框确定方法 | |
CN105787472B (zh) | 一种基于时空拉普拉斯特征映射学习的异常行为检测方法 | |
CN101980242B (zh) | 人脸面相判别方法、系统及公共安全系统 | |
CN108446645A (zh) | 基于深度学习的车载人脸识别方法 | |
CN111191667B (zh) | 基于多尺度生成对抗网络的人群计数方法 | |
CN102915453B (zh) | 一种实时反馈更新的车辆检测方法 | |
CN103870811B (zh) | 一种用于视频监控的正面人脸快速判别方法 | |
CN104063719A (zh) | 基于深度卷积网络的行人检测方法及装置 | |
CN109902560A (zh) | 一种基于深度学习的疲劳驾驶预警方法 | |
CN107133569A (zh) | 基于泛化多标记学习的监控视频多粒度标注方法 | |
CN111680613B (zh) | 一种实时检测手扶电梯乘客摔倒行为的方法 | |
CN105070053A (zh) | 一种识别车辆违规运动模式的智能交通监控摄像机 | |
CN103886279B (zh) | 使用合成训练数据的实时骑车人检测 | |
CN103902966A (zh) | 基于序列时空立方体特征的视频交互事件分析方法及装置 | |
CN111460881A (zh) | 基于近邻判别的交通标志对抗样本检测方法和分类装置 | |
CN105574489A (zh) | 基于层次级联的暴力群体行为检测方法 | |
CN107220598A (zh) | 基于深度学习特征和Fisher Vector编码模型的虹膜图像分类方法 | |
CN108960175A (zh) | 一种基于深度学习的车牌识别方法 |
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: 20190906 |