CN113095297B - 一种基于一维投影跟踪眼动速率的疲劳检测方法 - Google Patents

一种基于一维投影跟踪眼动速率的疲劳检测方法 Download PDF

Info

Publication number
CN113095297B
CN113095297B CN202110508470.9A CN202110508470A CN113095297B CN 113095297 B CN113095297 B CN 113095297B CN 202110508470 A CN202110508470 A CN 202110508470A CN 113095297 B CN113095297 B CN 113095297B
Authority
CN
China
Prior art keywords
eye
value
frame
fatigue
image
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.)
Active
Application number
CN202110508470.9A
Other languages
English (en)
Other versions
CN113095297A (zh
Inventor
禹江林
张云
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and 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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202110508470.9A priority Critical patent/CN113095297B/zh
Publication of CN113095297A publication Critical patent/CN113095297A/zh
Application granted granted Critical
Publication of CN113095297B publication Critical patent/CN113095297B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/19—Sensors therefor
    • 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
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/197—Matching; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Ophthalmology & Optometry (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提出一种基于一维投影跟踪眼动速率的疲劳检测方法，将摄像机拍摄的单目标图像序列作为输入数据。首先，使用眼部检测模块将检测到的眼部图像抽取出来按序列作为模块输出。其次，将眼部图像灰度归一化处理后沿x轴方向作垂直投影，计算其一维投影的方差值。最后，计算闭眼过程中的方差值变化速率作为闭眼过程的眼动速率，根据是否连续两次眼动速率大于0.06来判断被测目标是否存在疲劳情况。本发明根据疲劳状态下闭眼过程眼皮运动速率明显小于非疲劳状态为依据，相较传统基于眨眼频率或PERCLOS值的方法，将检测时间由分钟级别提升到数秒内，使预警时间大幅提前。同时，一维投影剔除了图像的冗余信息，减少了计算量，降低了系统对硬件的要求。

Description

一种基于一维投影跟踪眼动速率的疲劳检测方法
技术领域
本发明涉及一种基于一维投影跟踪眼动速率的疲劳检测方法，属于计算机数字图像处理领域。
背景技术
疲劳检测在危险驾驶预警和高危工作精神状态检测中具有广泛的应用。目前针对疲劳的检测方法主要分类两大类，一类为基于生理特征参数的疲劳检测，如通过分析脑电信号(EEG)、心电信号(ECG)或肌电信号(EMG)，将疲劳状态下的生理信息与正常状态下的生理信息作对比，找出疲劳状态的生理特征信息，该方法检测速度快且准确度高，但由于需要专业的检测设备且需要与被测目标直接接触，故应用环境受到诸多限制。另一类为基于数字图像处理对被测目标的面部图像进行特征提取，根据面部特征信息判断眼睛的眨眼频率或PERCLOS值对疲劳情况做出判断，该类方法往往需要根据数分钟内的频率特征或PERCLOS值进行判断，检测时间相对较长。
发明内容
本发明提出一种新的基于一维投影跟踪眼动速率的疲劳检测方法，用于克服传统图像处理方法检测疲劳所需时间较长的局限。
本发明的技术方案是：一种基于一维投影跟踪眼动速率的疲劳检测方法，所述方法的具体步骤如下：
A、眼部图像检测模块：使用检测模型对视频图像进行特征提取，对眼部图像进行检测，使用标注后的数据集对模型进行训练，训练后的模型可以对眼睛的睁开与闭合状态进行分类，并把检测到的眼部图像抽取出来作为下一模块的输入；
B、一维投影模块：将眼部图像沿x轴方向作垂直投影，并计算投影后的方差值；
C、疲劳判断模块：根据闭眼过程中眼皮运动速率的大小判断是否存在疲劳。
在所述的步骤A中，对数据集进行标注，将眼睛分为睁眼和闭眼两个类别，眼睛分类和标注坐标框的方法和依据为：根据眼睛图像是否能看到虹膜为依据，若眼睛睁开或者微闭能看到虹膜，则标记为睁眼图像；若眼睛闭合或微睁看不到虹膜，则标记为闭眼图像，睁眼图像和闭眼图像的分类示例见图2；以眼睑上边缘最高点坐标y值为基准加上3个像素的值做水平直线作为坐标框上边界；以下眼睑边缘最低点y值为基准减去3个像素的值做水平直线作为坐标框下边界；以左眼角x值为基准减去3个像素的值做垂线作为坐标框左边界；以右眼角x值为基准加上3个像素的值做垂线作为坐标框的右边界；四条边界线相交组成的长方形即为眼部图像的坐标框，眼部图像坐标框示意图见图3。使用更为先进的MobileNetV3替换检测模型SSD的特征提取网络VGG，分别抽取第15层、第19层、第19-1层、第19-2层、第19-3层和19-4层作为特征层(feature map)，网络结构见图5，更改默认框(default box)宽高比例为(3:1,2:1,1:1),更改输出端的检测分类类别为3，分别对应背景，睁眼图像和闭眼图像。使用MobileNetV3预训练权重进行迁移学习，训练后的模型将检测到的眼部图像抽取出来，作为下一阶段的输入。
在所述的步骤B中，将抽取出的眼部图像灰度归一化，沿x轴的方向计算每列的灰度值的和Sn，并除以眼部图像的高h得到每一列的灰度均值Sn’，睁眼状态和闭眼状态下的眼部图像的x轴灰度投影见图6，图6(a)为睁眼状态下的一维投影，图6(b)为闭眼状态下的一维投影，根据投影后每列的灰度均值求出眼部图像的灰度投影方差σ，一维灰度投影方差值与眼睛睁开程度(用眼睛睁开的高度表示)的对应关系如图7，可以看到眼睛的睁开程度与一维灰度投影方差值的大小呈正相关。
在所述步骤C中，睁眼状态下将投影方差值较前一帧方差值降低幅度超过5％的帧作为闭眼过程的起始帧，将眼睛状态从睁眼变为闭眼的帧作为闭眼过程的结尾帧，计算闭眼过程中的方差变化值Δσ，疲劳状态下闭眼过程(图8(a))与正常状态下闭眼过程(图8b))的方差变化值示意可见图8，根据闭眼过程的帧数n与每帧采样间隔t即可得到方差变化速率v，计算公式如下：
Figure BDA0003059322290000021
当闭眼过程中连续两次v的值小于0.06时，即认为存在疲劳的情况。
本发明的有益效果是：
1、改进了SSD检测模型，使用更先进的卷积神经网络MobileNetV3替换SSD检测模型的特征提取网络VGG，将眼睛状态的判断问题转化为直接检测睁眼图像和闭眼图像的分类问题，避免了传统多网络模型串联方法检测速度较慢且容易误差累积的局限，使检测模型的检测速度和准确率均有较大的提高。
2、将抽取出的眼部图像沿x轴方向作垂直投影，将图像从二维降为一维，剔除了部分冗余信息，大幅减少求方差的计算量。
3、根据眼部图像序列在x轴的投影方差变化速率得到眼皮运动的快慢，根据闭眼过程中的眼动速率判断被测者是否疲劳，将检测疲劳所需的时间从分钟级别提升到数秒之内，使疲劳预警的时间大幅度提前。
附图说明
图1本发明的算法流程图；
图2为本发明睁眼图像(图2(a))和闭眼图像(图2(b))的分类示例；
图3为本发明坐标框标注示例；
图4为本发明模型检测效果图；
图5为本发明MobileNetV3替换SSD模型主干网络VGG后的模型结构图；
图6为本发明睁眼图像和闭眼图像沿x轴的一维垂直投影图像：(a)为睁眼状态下，(b)为闭眼状态下；
图7为本发明一维投影方差值与眼睛睁开程度(用上下眼睑的距离表示)的关系；
图8为本发明不同状态下闭眼过程方差变化值示意图：(a)为疲劳状态下闭眼过程方差变化值，(b)为正常状态下闭眼过程方差变化值。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
实施例1：如图1流程图所示，一种基于一维投影跟踪眼动速率的疲劳检测方法，具体分为以下步骤：
A、眼部图像检测模块：使用检测模型对视频图像进行特征提取，对眼部图像进行检测，使用标注后的数据集对模型进行训练，训练后的模型可以对眼睛的睁开与闭合状态进行分类，并把检测到的眼部图像抽取出来作为下一模块的输入；
B、一维投影模块：将眼部图像沿x轴方向作垂直投影，并计算投影后的方差值；
C、疲劳判断模块：根据闭眼过程中眼皮运动速率的大小判断是否存在疲劳。
使用摄像机采集包含单个被测目标的视频，根据每秒采集的帧数将视频转化为图像，将转化后的图像序列依次作为模型的输入。
具体步骤如下：
S1：眼部图像检测与抽取，使用检测模型对输入图像进行眼部图像的检测，并输出眼部图像的分类与目标框坐标，根据目标框将眼部图像抽取出来作为下一阶段的输入。
S1.1：使用Resize()函数使输入图像统一缩放为300*300的大小。
S1.2：通过MobileNetV3特征提取网络对图像进行特征提取，按顺序抽取第15层、第19层、第19-1层、第19-2层、第19-3层和19-4层作为特征层(feature map)，将特征层上的默认框(default box)作为分类卷积模块和位置回归卷积模块的输入，得到每个默认框各分类的概率和目标框位置，保留分类概率得分大于0.6的目标框，通过非极大抑制层(NMS)剔除重叠部分，并将该分类作为目标框分类信息。
S1.3：根据目标框将眼部图像抽取出来，与所得的分类信息一同作为该检测模型的输出。
S2：对眼部图像进行灰度归一化处理，并进行x轴的一维投影，算出该眼部图像投影后的方差值σ。
S2.1：使用PIL.Image.convert()函数将步骤S1输出的眼部图像进行灰度转换并对每个像素的值除以255进行归一化处理。
S2.2：对步骤S2.1处理后眼部图像的每一列相加求和得Sn，并除以眼部图像的高h，得到的Sn’即为每一列的一维投影，求出Sn’的平均数
Figure BDA0003059322290000041
根据下列式子得出方差σ：
Figure BDA0003059322290000042
S2.3：将每张图像检测得到两只眼睛的方差值σ求均值，若因头部偏转只检测到一只眼，则省略该步骤。
S3：对于图像序列所得到的投影方差，在睁眼状态时(图4(a)open_eye分类)，当某帧相对前一帧σ值下降超过5％时开始记录，同时将该帧作为闭眼过程的起始帧；当眼部图像由睁眼状态变为闭眼状态时(图4(b)closed_eye分类)，结束记录并将当前的帧作为闭眼过程的结尾帧。计算该过程的方差变化值Δσ，使用方差变化值除以闭眼过程的时间即可得到方差变化速率v，计算公式如下：
Figure BDA0003059322290000043
若连续两次闭眼过程的投影方差变化速率v大于0.06，即认为存在疲劳情况。
在所述的步骤S1中，对数据集进行标注，将眼睛分为睁眼和闭眼两个类别，眼睛分类和标注坐标框的方法和依据为：根据眼睛图像是否能看到虹膜为依据，若眼睛睁开或者微闭能看到虹膜，则标记为睁眼图像；若眼睛闭合或微睁看不到虹膜，则标记为闭眼图像，睁眼图像和闭眼图像的分类示例见图2；以眼睑上边缘最高点坐标y值为基准加上3个像素的值做水平直线作为坐标框上边界；以下眼睑边缘最低点y值为基准减去3个像素的值做水平直线作为坐标框下边界；以左眼角x值为基准减去3个像素的值做垂线作为坐标框左边界；以右眼角x值为基准加上3个像素的值做垂线作为坐标框的右边界；四条边界线相交组成的长方形即为眼部图像的坐标框，眼部图像坐标框示意图见图3。使用更为先进的MobileNetV3替换检测模型SSD的特征提取网络VGG，分别抽取第15层、第19层、第19-1层、第19-2层、第19-3层和19-4层作为特征层(feature map)，网络结构见图5，更改默认框(default box)宽高比例为(3:1,2:1,1:1),更改输出端的检测分类类别为3，分别对应背景，睁眼图像和闭眼图像。使用MobileNetV3预训练权重进行迁移学习，训练后的模型将检测到的眼部图像抽取出来，作为下一阶段的输入。
在所述的步骤S2中，将抽取出的眼部图像灰度归一化，沿x轴的方向计算每列的灰度值的和Sn，并除以眼部图像的高h得到每一列的灰度均值Sn’，睁眼状态和闭眼状态下的眼部图像的x轴灰度投影见图6，图6(a)为睁眼状态下的一维投影，图6(b)为闭眼状态下的一维投影，根据投影后每列的灰度均值求出眼部图像的灰度投影方差σ，一维灰度投影方差值与眼睛睁开程度(用眼睛睁开的高度表示)的对应关系如图7，可以看到眼睛的睁开程度与一维灰度投影方差值的大小呈正相关。
在所述步骤S3中，睁眼状态下将投影方差值较前一帧方差值降低幅度超过5％的帧作为闭眼过程的起始帧，将眼睛状态从睁眼变为闭眼的帧作为闭眼过程的结尾帧，计算闭眼过程中的方差变化值Δσ，疲劳状态下闭眼过程(图8(a))与正常状态下闭眼过程(图8b))的方差变化值示意可见图8，根据闭眼过程的帧数n与每帧采样间隔t即可得到方差变化速率v，计算公式如(1)式。
本发明根据疲劳状态下闭眼时眼皮的运动速率明显小于非疲劳状态为依据，相较传统计算每分钟眨眼频率或PERCLOS值的方法，将检测所需的时间由分钟级别提升到数秒内，对于疲劳驾驶预警或高危工作的疲劳预警具有重要意义。将眼部图像进行一维投影压缩，剔除了眼部图像的冗余信息，减小了模块的计算量，降低了系统对硬件的要求。
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (5)

1.一种基于一维投影跟踪眼动速率的疲劳检测方法，其特征在于：所述方法的具体步骤如下：
A、眼部图像检测模块：使用检测模型对视频图像进行特征提取，对眼部图像进行检测，使用标注后的数据集对模型进行训练，训练后的模型可以对眼睛的睁开与闭合状态进行分类，并把检测到的眼部图像抽取出来作为下一模块的输入；
B、一维投影模块：将眼部图像沿x轴方向作垂直投影，并计算投影后的方差值；
C、疲劳判断模块：根据闭眼过程中眼皮运动速率的大小判断是否存在疲劳；
在所述步骤C中，睁眼状态下将投影方差值较前一帧的值低于5％的帧作为闭眼过程的起始帧，将眼睛状态从睁眼变为闭眼的帧作为闭眼过程的结尾帧，计算闭眼过程中的方差变化值Δσ，并根据闭眼过程的帧数n与每帧采样间隔t即可得到方差变化速率v，计算公式如下：
Figure FDA0003656448070000011
当连续两次闭眼过程中的v值小于0.06时，即认为存在疲劳的情况。
2.根据权利要求1所述的基于一维投影跟踪眼动速率的疲劳检测方法，其特征在于：在所述步骤A中，使用了MobileNetV3进行特征提取；根据眼睛的轮廓特征更改了默认框宽高比例为3:1,2:1和1:1；输出端分类为睁眼、闭眼和背景。
3.根据权利要求1所述的基于一维投影跟踪眼动速率的疲劳检测方法，其特征在于：在所述步骤A中，数据集进行标注时对于眼睛状态的分类标准如下：当眼睛完全闭合或接近闭合看不到虹膜时标记为闭眼图像；当眼睛睁开或者微闭可以看到虹膜时标记为睁眼图像。
4.根据权利要求1所述的基于一维投影跟踪眼动速率的疲劳检测方法，其特征在于：在所述步骤A中，数据集进行标注时对于眼部图像的坐标框标注方法如下：以眼睑上边缘最高点坐标y值为基准加上3个像素的值做水平直线作为坐标框上边界；以下眼睑边缘最低点y值为基准减去3个像素的值做水平直线作为坐标框下边界；以左眼角x值为基准减去3个像素的值做垂线作为坐标框左边界；以右眼角x值为基准加上3个像素的值做垂线作为坐标框的右边界；四条边界线组成的长方形即为眼部图像的坐标框。
5.根据权利要求1所述的基于一维投影跟踪眼动速率的疲劳检测方法，其特征在于：在所述步骤B中，将抽取出的眼部图像灰度归一化，沿x轴的方向计算每列的灰度值的和Sn，并除以眼部图像的高h得到每一列的灰度均值Sn’，根据每列的灰度均值求出整个眼部图像的灰度投影方差σ。
CN202110508470.9A 2021-05-11 2021-05-11 一种基于一维投影跟踪眼动速率的疲劳检测方法 Active CN113095297B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110508470.9A CN113095297B (zh) 2021-05-11 2021-05-11 一种基于一维投影跟踪眼动速率的疲劳检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110508470.9A CN113095297B (zh) 2021-05-11 2021-05-11 一种基于一维投影跟踪眼动速率的疲劳检测方法

Publications (2)

Publication Number Publication Date
CN113095297A CN113095297A (zh) 2021-07-09
CN113095297B true CN113095297B (zh) 2022-07-15

Family

ID=76664834

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110508470.9A Active CN113095297B (zh) 2021-05-11 2021-05-11 一种基于一维投影跟踪眼动速率的疲劳检测方法

Country Status (1)

Country Link
CN (1) CN113095297B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114821753B (zh) * 2022-04-23 2024-04-09 中国人民解放军军事科学院国防科技创新研究院 一种基于视觉图像信息的眼动交互系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8824779B1 (en) * 2011-12-20 2014-09-02 Christopher Charles Smyth Apparatus and method for determining eye gaze from stereo-optic views
CN106372621A (zh) * 2016-09-30 2017-02-01 防城港市港口区高创信息技术有限公司 基于人脸识别的疲劳驾驶检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101866215B (zh) * 2010-04-20 2013-10-16 复旦大学 在视频监控中采用视线跟踪的人机交互装置和方法
CN103956028B (zh) * 2014-04-23 2016-01-20 山东大学 一种汽车多元驾驶安全防护方法
WO2018116248A1 (en) * 2016-12-21 2018-06-28 Innereye Ltd. System and method for iterative classification using neurophysiological signals
CN111949131B (zh) * 2020-08-17 2023-04-25 陈涛 一种基于眼动追踪技术的眼动交互方法、系统及设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8824779B1 (en) * 2011-12-20 2014-09-02 Christopher Charles Smyth Apparatus and method for determining eye gaze from stereo-optic views
CN106372621A (zh) * 2016-09-30 2017-02-01 防城港市港口区高创信息技术有限公司 基于人脸识别的疲劳驾驶检测方法

Also Published As

Publication number Publication date
CN113095297A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN109685813B (zh) 一种自适应尺度信息的u型视网膜血管分割方法
CN108216254B (zh) 基于面部图像与脉搏信息融合的路怒情绪识别方法
Roychowdhury et al. Blood vessel segmentation of fundus images by major vessel extraction and subimage classification
CN101430759B (zh) 优化的人脸识别预处理方法
CN108596087B (zh) 一种基于双网络结果的驾驶疲劳程度检测回归模型
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
CN112434611B (zh) 基于眼部运动细微特征的早期疲劳检测方法及系统
CN111126180B (zh) 一种基于计算机视觉的面瘫严重程度自动检测系统
CN111460950B (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
CN110543848B (zh) 一种基于三维卷积神经网络的驾驶员动作识别方法及装置
CN109299690B (zh) 一种可提高视频实时人脸识别精度的方法
CN114881962B (zh) 一种基于改进U-Net网络的视网膜图像血管分割方法
CN113537008A (zh) 基于自适应运动放大和卷积神经网络的微表情识别方法
CN113095297B (zh) 一种基于一维投影跟踪眼动速率的疲劳检测方法
CN112465842B (zh) 基于U-net网络的多通道视网膜血管图像分割方法
CN115713754B (zh) 基于驾驶员恐惧情绪识别的分阶段分级干预的方法及系统
Nebout et al. Predicting saliency maps for ASD people
CN107784292A (zh) 基于阵列镜头的驾驶员疲劳状态识别方法
CN113920568A (zh) 基于视频图像的人脸和人体姿态情绪识别方法
CN113989917A (zh) 一种基于事件相机的卷积递归神经网络眼部检测方法
CN116503422A (zh) 一种基于注意力机制与多尺度特征融合的视杯视盘分割方法
CN112418085B (zh) 一种部分遮挡工况下的面部表情识别方法
CN113409290B (zh) 一种液晶屏外观缺陷检测方法、装置及存储介质
Chakravarthy et al. DR-NET: A Stacked Convolutional Classifier Framework for Detection of Diabetic Retinopathy
CN113408389A (zh) 一种智能识别司机睡意动作的方法

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
GR01 Patent grant
GR01 Patent grant