CN111985328A - 基于面部特征分析的不安全驾驶行为检测预警方法 - Google Patents

基于面部特征分析的不安全驾驶行为检测预警方法 Download PDF

Info

Publication number
CN111985328A
CN111985328A CN202010686476.0A CN202010686476A CN111985328A CN 111985328 A CN111985328 A CN 111985328A CN 202010686476 A CN202010686476 A CN 202010686476A CN 111985328 A CN111985328 A CN 111985328A
Authority
CN
China
Prior art keywords
eye
aspect ratio
driver
fatigue
early warning
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
CN202010686476.0A
Other languages
English (en)
Inventor
孙强
刘佰强
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202010686476.0A priority Critical patent/CN111985328A/zh
Publication of CN111985328A publication Critical patent/CN111985328A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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
    • 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
    • G08B21/18—Status alarms
    • G08B21/24—Reminder alarms, e.g. anti-loss alarms

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Emergency Management (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了基于面部特征分析的不安全驾驶行为检测预警方法，步骤如下：1、采集驾驶员上半身图像并进行预处理，得到预处理图像；2、检测预处理图像中的人脸，定位人脸位置并标记人脸中的面部特征点；3、从面部特征点中提取与疲劳特征和分心特征相关的特征点；4、根据特征点计算左眼纵横比值、嘴巴纵横比值、头部偏航角以及眼睛注视方向角；5、将眼睛纵横比值、嘴巴纵横比值与疲劳判定条件进行对照，完成疲劳状态判定；将头部偏航角、眼睛注视向下角与分心判定条件进行对照，完成分心状态判定；6、若判定结果为疲劳状态或分心状态，向驾驶员发出提醒。本发明的方法，能检测疲劳驾驶与分心驾驶两种不安全驾驶行为，且检测预警性能表现良好。

Description

基于面部特征分析的不安全驾驶行为检测预警方法
技术领域
本发明属于计算机视觉技术领域，具体涉及一种基于面部特征分析的不安全驾驶行为检测预警方法。
背景技术
驾驶员在驾车行驶期间会出现两种不安全行为：疲劳驾驶与分心驾驶。这两种不安全的驾驶行为是导致更多交通事故发生的重要因素。它们让很多家庭失去亲人，令国家经济得到损失。因此需要采用准确可行的检测方法来实现对驾驶员当前的驾驶状态实时检测，判断此刻驾驶员是否存在上述不安全驾驶行为。目前国内外对于疲劳与分心检测方法主要分为三大类分别为：基于面部特征的实现方法、基于驾驶员生理特征的实现方法、基于驾驶车辆状态的实现方法。基于面部特征的检测方法需要定位驾驶员的面部位置后，才可以继续定位出眼睛、嘴巴的位置。驾驶员面部遮挡、侧脸或者光线强弱都会影响检测结果。基于生理特征的检测方法会让驾驶员头戴或者身穿检测设备。由于这些检测设备需要佩戴，所以在一定程度上会对驾驶员的正常驾驶车辆有所干扰。而且，采集驾驶员生理特征与驾驶车辆状态信息需要多种传感器，这些传感器的成本较高。基于驾驶车辆状态的实现方法虽然是非侵入式，但是驾驶员的个人驾车习惯会直接影响到数据的采集，使得这种方法的检测率降低。
发明内容
本发明的目的是提供一种基于面部特征分析的不安全驾驶行为检测预警方法，解决现有检测方法判定标准单一、检测时干扰驾驶员正常驾驶的问题。
本发明所采用的技术方案是，一种基于面部特征分析的不安全驾驶行为检测预警方法，包括以下步骤：
步骤1、实时采集驾驶员上半身图像，并对驾驶员上半身图像进行预处理，得到预处理图像；
步骤2、检测预处理图像中的人脸，定位人脸位置并标记人脸中的面部特征点；
步骤3、从面部特征点中提取与疲劳特征和分心特征相关的特征点；
步骤4、根据与疲劳特征和分心特征相关的特征点计算眼睛纵横比值、嘴巴纵横比值、头部偏航角以及眼睛注视方向角；
步骤5、将眼睛纵横比值、嘴巴纵横比值与疲劳判定条件对照，完成疲劳状态判定；
将头部偏航角、眼睛注视向下角与分心判定条件对照，完成分心状态判定；
步骤6、若步骤5中判定结果为疲劳状态或分心状态，则向驾驶员发出报警。
步骤1中对驾驶员上半身图像的预处理为灰度化处理，以降低系统计算量。
步骤2的具体步骤为：
步骤2.1、利用多任务卷积神经网络人脸检测算法框出预处理图像中驾驶员的人脸，检测人脸；
步骤2.2、定位出人脸位置后，利用约束局部神经域特征点定位算法完成驾驶员面部特征点标记。
眼睛纵横比值的计算公式为：
Figure BDA0002587745620000031
Figure BDA0002587745620000032
Figure BDA0002587745620000033
其中，上式(1)式(2)式(3)中EARleft为左眼纵横比值，EARright为右眼纵横比值，EARaverage为左右眼纵横比均值，即眼睛纵横比值；P36、P37、P38、P39、P40、P41、P42、P43、P44、P45、P46及P47为不同的眼睛特征点位置，其坐标分别为[(x36,y36),(x37,y37),...,(x47,y47)]；||P37-P41||、||P38-P40||、||P36-P39||、||P43-P47||、||P44-P46||及||P42-P45||为相应坐标点的欧氏距离。
嘴巴纵横比值的计算公式为：
Figure BDA0002587745620000034
其中，上式(4)中，MAR为嘴巴纵横比值，P60、P61、P62、P63、P64、P65、P66及P67为不同的嘴巴特征点位置，其坐标分别为[(x60,y60),(x61,y61),...,(x67,y67)]，||P61-P67||、||P62-P66||、||P63-P65||及||P60-P64||为相应坐标点的欧氏距离。
头部偏航角的计算过程为：将面部特征点反向投影到OpenFace的三维人脸模型得到三维点坐标，通过相机标定参数并利用直接最小二乘法完成透视位姿求解，得到头部偏航角。
眼睛注视向下角的计算过程为：将面部特征点反向投影到OpenFace的三维人眼模型得到三维点眼睛坐标，最后计算瞳孔中心所在直线与眼球的交点得出驾驶员眼睛注视向下角。
疲劳判定条件为：眼睛纵横比的阈值设定为0.23，嘴巴纵横比的阈值设定为0.3，驾驶员眼睛纵横比不大于0.23，并且闭眼时间不小于1.68秒，判定驾驶员为疲劳驾驶状态；驾驶员嘴巴纵横比不小于0.3，持续时间不小于4秒，判定驾驶员为疲劳驾驶状态。
分心判定条件为：眼睛注视向下角的阈值设定为5°，头部偏航角阈值设定为15°，驾驶员头部偏航角不小于15°，并且10秒内累计时间不小于3.5秒，则判定驾驶员为分心驾驶状态；驾驶员眼睛注视向下角不小于5°，且10秒内累计时间不小于3.5秒，判定驾驶员为分心驾驶状态。
本发明的有益效果是：本发明的一种基于面部特征分析的不安全驾驶行为检测预警方法，以驾驶员面部特征点为基础，通过计算得到其眼睛纵横比、嘴巴纵横比、头部偏航角以及眼睛注视向下角的疲劳特征与分心特征，本方法可以同时检测疲劳驾驶与分心驾驶这两种不安全驾驶行为，并且检测预警性能表现良好。
附图说明
图1是本发明一种基于面部特征分析的不安全驾驶行为检测预警方法的流程图；
图2是眼睛特征点标注图；
图3是嘴巴特征点标注图；
图4是本发明一种基于面部特征分析的不安全驾驶行为检测预警方法中疲劳状态判定流程图；
图5是本发明一种基于面部特征分析的不安全驾驶行为检测预警方法中分心状态判定流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明提供一种基于面部特征分析的不安全驾驶行为检测预警方法，如图1所示，包括以下步骤：
步骤1、通过USB摄像头实时采集驾驶员上半身图像，并对驾驶员上半身图像进行灰度化处理，得到预处理图像；
步骤2、检测预处理图像中的人脸，定位人脸位置并标记人脸中的面部特征点，具体的步骤如下：
步骤2.1、利用多任务卷积神经网络人脸检测算法框出预处理图像中驾驶员的人脸，检测人脸；
步骤2.2、定位出人脸位置后，利用约束局部神经域特征点定位算法完成驾驶员面部特征点标记。
步骤3、从步骤2中标记的面部特征点中提取与疲劳特征和分心特征相关的特征点；
步骤4、根据与疲劳特征和分心特征相关的特征点计算出眼睛纵横比值、嘴巴纵横比值、头部偏航角以及眼睛注视方向角；
判断驾驶员是否眼睛闭合，要计算出眼睛纵横比，首先在面部特征点位置中，选择出左、右眼睛的特征点[(x36,y36),(x37,y37),...,(x47,y47)]，标注位置如图2所示，计算出对左、右眼睛对应点位置的欧几里得距离，获取每一只眼睛的纵横比，最后算出两只眼睛纵横比的平均值，其计算公式如下：
Figure BDA0002587745620000051
Figure BDA0002587745620000052
Figure BDA0002587745620000061
其中，上式(1)式(2)式(3)中EARleft为左眼纵横比值，EARright为右眼纵横比值，EARaverage为左右眼纵横比均值，即眼睛纵横比值；P36、P37、P38、P39、P40、P41、P42、P43、P44、P45、P46及P47为不同的眼睛特征点位置，其坐标分别为[(x36,y36),(x37,y37),...,(x47,y47)]；||P37-P41||、||P38-P40||、||P36-P39||、||P43-P47||、||P44-P46||及||P42-P45||为相应坐标点的欧氏距离。
疲劳驾驶时，通常会有打哈欠的行为动作，通过计算嘴巴纵横比来判断出驾驶员嘴巴睁开或闭合的状态，在面部特征点位置中，选择出嘴巴的特征点[(x61,y61),(x62,y62),...,(x67,y67)]，标注位置如图3所示，计算出对嘴巴对应点位置的欧几里得距离，得到嘴巴纵横比值，其计算公式为：
Figure BDA0002587745620000062
其中，上式(4)中，MAR为嘴巴纵横比值，P60、P61、P62、P63、P64、P65、P66及P67为不同的嘴巴特征点位置，其坐标分别为[(x60,y60),(x61,y61),...,(x67,y67)]，||P61-P67||、||P62-P66||、||P63-P65||及||P60-P64||为相应坐标点的欧氏距离。
头部偏航角的计算过程为：将面部特征点反向投影到OpenFace的三维人脸模型得到三维点坐标，通过相机标定参数并利用直接最小二乘法完成透视位姿求解，得到头部偏航角。
眼睛注视向下角的计算过程为：将面部特征点反向投影到OpenFace的三维人眼模型得到三维点眼睛坐标，最后计算瞳孔中心所在直线与眼球的交点得出驾驶员眼睛注视向下角。
步骤5、将眼睛纵横比值、嘴巴纵横比值与疲劳判定条件对照，完成疲劳状态判定；具体的判定流程如图4所示：
疲劳判定条件为：眼睛纵横比的阈值设定为0.23，嘴巴纵横比的阈值设定为0.3，驾驶员眼睛纵横比不大于0.23，并且闭眼时间不小于1.68秒，判定驾驶员为疲劳驾驶状态；驾驶员嘴巴纵横比不小于0.3，持续时间不小于4秒，判定驾驶员为疲劳驾驶状态。
将头部偏航角、眼睛注视向下角与分心判定条件对照，完成分心状态判定；具体的判定流程如图5所示：
分心判定条件为：眼睛注视向下角的阈值设定为5°，头部偏航角阈值设定为15°，驾驶员头部偏航角不小于15°，并且10秒内累计时间不小于3.5秒，则判定驾驶员为分心驾驶状态；驾驶员眼睛注视向下角不小于5°，且10秒内累计时间不小于3.5秒，判定驾驶员为分心驾驶状态。将头部偏航角、眼睛注视向下角与分心判定条件进行对照，完成分心状态判定；
步骤6、若步骤5中判定的结果为疲劳状态或分心状态，则车辆报警系统向驾驶员发出提醒。
方法有效性验证：
1)驾驶员疲劳状态判定
基于驾驶员眼睛疲劳特征的判定方法进行实验。选择了4名测试者，先进行10次闭眼行为且闭合时间大于1.68秒，再进行10次正常睁眼，最后检验系统是否可以准确检测且无错误预警，实验结果如下所示：
眼睛疲劳特征检测预警统计结果
Figure BDA0002587745620000071
Figure BDA0002587745620000081
综合实验所得结果，总体准确率为96.25％，所以可以得出眼睛疲劳判定效果即满足了检测准确率，有低的错误检测率。
基于驾驶员嘴巴疲劳特征的判定方法进行实验。测试者人数为6人。首先进行10次打哈欠的行为检测，接着进行10次正常说话的行为检测，其次再对嘴巴闭合进行10次检测，最后得出每种检测预警的结果，实验结果如下表1所示：
表1嘴巴疲劳特征检测预警统计结果
Figure BDA0002587745620000082
综合实验所得结果，在打哈欠与嘴巴闭合的测试实验中可以准确的预警，一方面时因为嘴巴疲劳特征具有很显著的表现，另一方也说明了系统所设定的嘴巴横纵比阈值与持续时间的正确性与合理性。
2)驾驶员分心状态判定
基于驾驶员头部分心特征的判定方法进行实验。测试者人数为4人。每个人分别做10次偏头动作且时间大于3.5秒和10次面部朝前的动作，最后统计每人的预警结果，实验结果如下表2所示：
表2头部分心特征检测预警统计结果
Figure BDA0002587745620000083
Figure BDA0002587745620000091
综合实验所得结果，将头部偏航角阈值设定为15°且偏转时间大于3.5秒，可以满足检测预警的要求。
基于驾驶员眼睛分心特征的判定方法进行实验。测试人数为5人。每个人分别做10次眼睛注视向下且时间大于3.5秒和10次眼睛注视前方的动作，最后分别统计各自的预警结果。实验结果如下所示：
眼睛分心特征检测预警统计结果
Figure BDA0002587745620000092
依据总体的检测结果，将眼睛向下注视的角度阈值设置为5度且持续时间长于3.5秒，可以满足分心检测预警的要求。

Claims (9)

1.一种基于面部特征分析的不安全驾驶行为检测预警方法，其特征在于，包括以下步骤：
步骤1、实时采集驾驶员上半身图像，并对驾驶员上半身图像进行预处理，得到预处理图像；
步骤2、检测预处理图像中的人脸，定位人脸位置并标记人脸中的面部特征点；
步骤3、从面部特征点中提取与疲劳特征和分心特征相关的特征点；
步骤4、根据与疲劳特征和分心特征相关的特征点计算眼睛纵横比值、嘴巴纵横比值、头部偏航角以及眼睛注视方向角；
步骤5、将眼睛纵横比值、嘴巴纵横比值与疲劳判定条件对照，完成疲劳状态判定；
将头部偏航角、眼睛注视向下角与分心判定条件对照，完成分心状态判定；
步骤6、若步骤5中判定结果为疲劳状态或分心状态，则向驾驶员发出报警。
2.根据权利要求1所述的一种基于面部特征分析的不安全驾驶行为检测预警方法,其特征在于，所述步骤1中对驾驶员上半身图像的预处理为灰度化处理。
3.根据权利要求1所述的一种基于面部特征分析的不安全驾驶行为检测预警方法,其特征在于，所述步骤2的具体步骤为：
步骤2.1、利用多任务卷积神经网络人脸检测算法框出预处理图像中驾驶员的人脸，检测人脸；
步骤2.2、定位出人脸位置后，利用约束局部神经域特征点定位算法完成驾驶员面部特征点标记。
4.根据权利要求1所述的一种基于面部特征分析的不安全驾驶行为检测预警方法,其特征在于，所述眼睛纵横比值的计算公式为：
Figure FDA0002587745610000021
Figure FDA0002587745610000022
Figure FDA0002587745610000023
其中，上式(1)式(2)式(3)中EARleft为左眼纵横比值，EARright为右眼纵横比值，EARaverage为左右眼纵横比均值，即眼睛纵横比值；P36、P37、P38、P39、P40、P41、P42、P43、P44、P45、P46及P47为不同的眼睛特征点位置，其坐标分别为[(x36,y36),(x37,y37),...,(x47,y47)]；||P37-P41||、||P38-P40||、||P36-P39||、||P43-P47||、||P44-P46||及||P42-P45||为相应坐标点的欧氏距离。
5.根据权利要求1所述的一种基于面部特征分析的不安全驾驶行为检测预警方法,其特征在于，所述嘴巴纵横比值的计算公式为：
Figure FDA0002587745610000024
其中，上式(4)中，MAR为嘴巴纵横比值，P60、P61、P62、P63、P64、P65、P66及P67为不同的嘴巴特征点位置，其坐标分别为[(x60,y60),(x61,y61),...,(x67,y67)]，||P61-P67||、||P62-P66||、||P63-P65||及||P60-P64||为相应坐标点的欧氏距离。
6.根据权利要求1所述的一种基于面部特征分析的不安全驾驶行为检测预警方法,其特征在于，所述头部偏航角的计算过程为：将面部特征点反向投影到OpenFace的三维人脸模型得到三维点坐标，通过相机标定参数并利用直接最小二乘法完成透视位姿求解，得到头部偏航角。
7.根据权利要求1所述的一种基于面部特征分析的不安全驾驶行为检测预警方法,其特征在于，所述眼睛注视向下角的计算过程为：将面部特征点反向投影到OpenFace的三维人眼模型得到三维点眼睛坐标，最后计算瞳孔中心所在直线与眼球的交点得出驾驶员眼睛注视向下角。
8.根据权利要求1所述的一种基于面部特征分析的不安全驾驶行为检测预警方法,其特征在于，所述疲劳判定条件为：眼睛纵横比的阈值设定为0.23，嘴巴纵横比的阈值设定为0.3，驾驶员眼睛纵横比不大于0.23，并且闭眼时间不小于1.68秒，判定驾驶员为疲劳驾驶状态；驾驶员嘴巴纵横比不小于0.3，持续时间不小于4秒，判定驾驶员为疲劳驾驶状态。
9.根据权利要求1所述的一种基于面部特征分析的不安全驾驶行为检测预警方法,其特征在于，所述分心判定条件为：眼睛注视向下角的阈值设定为5°，头部偏航角阈值设定为15°，驾驶员头部偏航角不小于15°，并且10秒内累计时间不小于3.5秒，则判定驾驶员为分心驾驶状态；驾驶员眼睛注视向下角不小于5°，且10秒内累计时间不小于3.5秒，判定驾驶员为分心驾驶状态。
CN202010686476.0A 2020-07-16 2020-07-16 基于面部特征分析的不安全驾驶行为检测预警方法 Pending CN111985328A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010686476.0A CN111985328A (zh) 2020-07-16 2020-07-16 基于面部特征分析的不安全驾驶行为检测预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010686476.0A CN111985328A (zh) 2020-07-16 2020-07-16 基于面部特征分析的不安全驾驶行为检测预警方法

Publications (1)

Publication Number Publication Date
CN111985328A true CN111985328A (zh) 2020-11-24

Family

ID=73437768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010686476.0A Pending CN111985328A (zh) 2020-07-16 2020-07-16 基于面部特征分析的不安全驾驶行为检测预警方法

Country Status (1)

Country Link
CN (1) CN111985328A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113627316A (zh) * 2021-08-06 2021-11-09 南通大学 一种人脸眼睛部位定位及视线估计方法
CN113780125A (zh) * 2021-08-30 2021-12-10 武汉理工大学 一种驾驶员多特征融合的疲劳状态检测方法及装置
CN113869241A (zh) * 2021-09-30 2021-12-31 西安理工大学 一种融合人脸多属性的在线学习状态分析与报警方法
CN114822034A (zh) * 2022-05-06 2022-07-29 郑州铁路职业技术学院 一种列车安全驾驶方法和系统
CN117653079A (zh) * 2023-03-20 2024-03-08 武汉星巡智能科技有限公司 结合呼吸监测的婴幼儿危险睡姿识别方法、装置及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104224204A (zh) * 2013-12-24 2014-12-24 烟台通用照明有限公司 一种基于红外检测技术的驾驶员疲劳检测系统
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
CN107679468A (zh) * 2017-09-19 2018-02-09 浙江师范大学 一种嵌入式计算机视觉检测疲劳驾驶方法及装置
CN108875642A (zh) * 2018-06-21 2018-11-23 长安大学 一种多指标融合的驾驶员疲劳检测的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104224204A (zh) * 2013-12-24 2014-12-24 烟台通用照明有限公司 一种基于红外检测技术的驾驶员疲劳检测系统
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
CN107679468A (zh) * 2017-09-19 2018-02-09 浙江师范大学 一种嵌入式计算机视觉检测疲劳驾驶方法及装置
CN108875642A (zh) * 2018-06-21 2018-11-23 长安大学 一种多指标融合的驾驶员疲劳检测的方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113627316A (zh) * 2021-08-06 2021-11-09 南通大学 一种人脸眼睛部位定位及视线估计方法
CN113780125A (zh) * 2021-08-30 2021-12-10 武汉理工大学 一种驾驶员多特征融合的疲劳状态检测方法及装置
CN113869241A (zh) * 2021-09-30 2021-12-31 西安理工大学 一种融合人脸多属性的在线学习状态分析与报警方法
CN114822034A (zh) * 2022-05-06 2022-07-29 郑州铁路职业技术学院 一种列车安全驾驶方法和系统
CN117653079A (zh) * 2023-03-20 2024-03-08 武汉星巡智能科技有限公司 结合呼吸监测的婴幼儿危险睡姿识别方法、装置及设备

Similar Documents

Publication Publication Date Title
CN111985328A (zh) 基于面部特征分析的不安全驾驶行为检测预警方法
CN106846734B (zh) 一种疲劳驾驶检测装置及方法
CN112241658A (zh) 一种基于深度相机的疲劳驾驶预警系统及方法
CN111616718B (zh) 基于姿态特征的驾驶员疲劳状态检测方法和系统
BRPI0712837A2 (pt) mÉtodo e aparelho para determinaÇço e anÁlise de uma localizaÇço de interesse visual.
CN110448316A (zh) 数据处理装置及方法、监测系统、唤醒系统以及记录介质
CN111753674A (zh) 一种基于深度学习的疲劳驾驶的检测识别方法
US20140062704A1 (en) Sleepiness-estimating device and sleepiness-estimating method
CN202568277U (zh) 疲劳检测装置
Pech et al. Head tracking based glance area estimation for driver behaviour modelling during lane change execution
CN109740477A (zh) 驾驶员疲劳检测系统及其疲劳检测方法
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
CN113989788A (zh) 一种基于深度学习和多指标融合的疲劳检测方法
Suhaiman et al. Development of an intelligent drowsiness detection system for drivers using image processing technique
CN117523537A (zh) 一种车辆驾驶危险程度动态判断方法
Chen Research on driver fatigue detection strategy based on human eye state
Zhang et al. Driver fatigue state detection based on facial key points
CN116965781A (zh) 一种驾驶员生命体征和驾驶行为监控方法及系统
CN114220158A (zh) 基于深度学习的疲劳驾驶检测方法
CN116168374B (zh) 一种主动安全辅助驾驶方法及系统
CN113420656A (zh) 一种疲劳驾驶检测方法、装置、电子设备及存储介质
CN113269069A (zh) 一种基于卡车司机面部特征的困倦辨识方法及装置
CN105894732A (zh) 一种疲劳驾驶监测系统
CN108618789A (zh) 基于opencv技术的疲劳驾驶预警系统
CN111753659A (zh) 基于人脸配准点的疲劳驾驶检测方法、设备、介质及装置

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