CN114821713A - 一种基于Video Transformer的疲劳驾驶检测方法 - Google Patents
一种基于Video Transformer的疲劳驾驶检测方法 Download PDFInfo
- Publication number
- CN114821713A CN114821713A CN202210366039.XA CN202210366039A CN114821713A CN 114821713 A CN114821713 A CN 114821713A CN 202210366039 A CN202210366039 A CN 202210366039A CN 114821713 A CN114821713 A CN 114821713A
- Authority
- CN
- China
- Prior art keywords
- video
- net
- network
- detection method
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000005286 illumination Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 230000001815 facial effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 206010039203 Road traffic accident Diseases 0.000 description 8
- 238000000034 method Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 206010062519 Poor quality sleep Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
Images
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Video Transformer的疲劳驾驶检测方法,包括以下步骤:从正常光照数据集中获取待测视频帧;通过MTCNN神经网络进行人脸图像提取;将提取出的人脸图像序列输入到Video Transformer中获取最终疲劳检测判定结果。本发明采用上述一种基于Video Transformer的疲劳驾驶检测方法,用于复杂光照环境下,通过MTCNN神经网络得到待测视频帧中的人脸图片,从而能够有效的提高检测精确率,针对待测人脸图像序列,使用Video Transformer作为判别器完成最终疲劳结果判定。
Description
技术领域
本发明涉及物联网安全技术领域,尤其是涉及一种基于Video Transformer的疲劳驾驶检测方法。
背景技术
随着汽车保有量的快速增长,交通事故也越来越多,给出行带来了巨大的安全隐患。为了尽量减少交通事故的发生。近期,政府出台了多项相关政策,取得显著成效。但现阶段,交通事故仍是生命安全的主要威胁之一。例如,缺乏道路安全驾驶意识、酒驾、疲劳驾驶是造成交通事故的主要因素。其中,疲劳驾驶占交通事故原因的14%-20%,在重载交通事故中约占43%,在大型货车和高速公路交通事故中约占37%。
我国道路交通安全法明确规定,驾驶人连续不休息超过4小时,视为疲劳驾驶。驾驶人有过度疲劳驾驶行为的,交管部门可以对其进行处罚,扣减驾驶执照。虽然规定可以在一定程度上减少驾驶员的过度疲劳驾驶行为,但在关键时刻进行疲劳预警可以大大减少因疲劳驾驶而引发的交通事故的发生。尤其是从事长途客运和货运的司机,由于工作需要,需要长时间连续驾驶机动车。然而,在驾驶车辆时难以始终保持高度警戒状态。因此,疲劳驾驶状态的实时检测和报警就尤为重要。
目前,在正常光照下的疲劳驾驶检测已经有很多性能较好的检测方法,并且一些已经进行使用。但是,在复杂光照环境下,仍存在无测试训练数据集、驾驶员面部特征不好提取和难以提高检测准确率等不足。因此,如何有效的解决上述问题,已经成为一项亟待解决的关键技术问题。
发明内容
本发明的目的是提供一种基于Video Transformer的疲劳驾驶检测方法,用于复杂光照环境下,通过MTCNN神经网络得到待测视频帧中的人脸图片,从而能够有效的提高检测精确率,针对待测人脸图像序列,使用Video Transformer作为判别器完成最终疲劳结果判定。
为实现上述目的,本发明提供了一种基于Video Transformer的疲劳驾驶检测方法,包括以下步骤:
S1、从正常光照数据集中获取待测视频帧;
S2、通过MTCNN神经网络进行人脸图像提取;
S3、将提取出的人脸图像序列输入到Video Transformer中获取最终疲劳检测判定结果。
优选的,所述步骤S1中从正常光照数据集中获取待测视频帧具备包括以下步骤:
(1)通过原始图像I得到h、w,根据h、w设置两个尺寸为h*w的像素表格I1、I2;
(2)在I1上进行填充像素值,使得I1[i][j]=I[i][j]/2,其中i∈[0,h],j∈[0,w];
(4)最后将I1于I2进行相乘得到一张新的图像I',即I'[i][j]=I1[i][j]×I2[i][j],其中i∈[0,h],j∈[0,w]。
优选的,所述步骤S2中通过MTCNN神经网络进行人脸图像提取具体包括以下步骤:
(1)从正常光照视频集中,拆分出视频帧;
(2)将视频帧进行处理,得到复杂光照环境下的视频帧,模拟仿真驾驶员夜间行驶的视频帧;
(3)针对待测视频帧使用MTCNN神经网络进行人脸提取超过,得到人脸候选窗口和5个人脸关键点位置信息。
优选的,所述MTCNN神经网络由三个子网结构组成,分别为Proposal Network(P-Net)、Refine Network(R-Net)和Output Network(O-Net);
用P-Net卷积神经网络,获得候选窗体和边界回归向量,同时,候选窗体根据边界框进行校准,然后利用非极大值抑制去除重叠窗体;
使用R-Net卷积神经网络进行操作,将经过P-Net确定的包含候选窗体的图片在R-Net中训练,最后使用全连接网络进行分类,利用边界框向量微调候选窗体,最后利用非极大值抑制算法去除重叠窗体;
使用O-net(Output Network)卷积神经网络进行操作,该网络比R-Net多一层卷积层,功能与R-Net类似,在去除重叠候选窗口的同时标定5个人脸关键点位置。
优选的,所述步骤S3中将提取出的人脸图像序列输入到Video Transformer中获取最终疲劳检测判定结果具体包括以下步骤:提供给模型的图像的原始输入大小为[3,6,299,299],使用这个尺寸来使输入与用于混合模型中图像特征提取的主干网络XceptionNet相兼容,通过XceptionNet提取图像特征后,得到一个维度为[2048,10,10]的特征向量,然后将该特征向量传递给一个2D卷积层和一个线性层,得到一个维度为[1,32,768],在得到面部图像和UV纹理图的两个重构特征向量后,将这两个特征向量连接起来,得到一个维度为[1,64,768]的特征向量,然后将一维学习片段嵌入添加到特征向量中,为[1,64,768],对所有序列帧执行此操作,并将它们连接为[1,576,768],将学习的位置嵌入添加到特征向量中,并在特征向量的开头添加标记,使用最终的特征向量[1,577,768]作为所提出的视频转换器模型的输入,训练所有模型5个epoch,学习率为3×10-3,选择SGD作为优化器,并使用CrossEntropyLoss作为损失函数,模型的输出为0或者1,其中0表示清醒,1表示疲劳。
因此,本发明采用上述一种基于Video Transformer的疲劳驾驶检测方法,用于复杂光照环境下,通过MTCNN神经网络得到待测视频帧中的人脸图片,从而能够有效的提高检测精确率,针对待测人脸图像序列,使用Video Transformer作为判别器完成最终疲劳结果判定。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明一种基于Video Transformer的疲劳驾驶检测方法实施例的流程图;
图2为MTCNN神经网络结构示意图;
图3为Video Transformer结构示意图;
图4为MViT Block结构示意图。
具体实施方式
本发明提供了一种基于Video Transformer的疲劳驾驶检测方法,包括以下步骤:
S1、从正常光照数据集中获取待测视频帧具备包括以下步骤:
(1)通过原始图像I得到h、w,根据h,w设置两个尺寸为h*w的像素表格I1,I2;
(2)在I1上进行填充像素值,使得I1[i][j]=I[i][j]/2,其中i∈[0,h],j∈[0,w];
(4)最后将I1于I2进行相乘得到一张新的图像I',即I'[i][j]=I1[i][j]×I2[i][j],其中i∈[0,h],j∈[0,w]。
S2、通过MTCNN神经网络进行人脸图像提取具体包括以下步骤:
(1)从正常光照视频集中,拆分出视频帧;
(2)将视频帧进行处理,得到复杂光照环境下的视频帧,模拟仿真驾驶员夜间行驶的视频帧;
(3)针对待测视频帧使用MTCNN神经网络进行人脸提取超过,得到人脸候选窗口和5个人脸关键点位置信息。所述MTCNN神经网络由三个子网结构组成,分别为ProposalNetwork(P-Net)、Refine Network(R-Net)和Output Network(O-Net);用P-Net卷积神经网络,获得候选窗体和边界回归向量,同时,候选窗体根据边界框进行校准,然后利用非极大值抑制去除重叠窗体;使用R-Net卷积神经网络进行操作,将经过P-Net确定的包含候选窗体的图片在R-Net中训练,最后使用全连接网络进行分类,利用边界框向量微调候选窗体,最后利用非极大值抑制算法去除重叠窗体;使用O-net(Output Network)卷积神经网络进行操作,该网络比R-Net多一层卷积层,功能与R-Net类似,在去除重叠候选窗口的同时标定5个人脸关键点位置。
S3、将提取出的人脸图像序列输入到Video Transformer中获取最终疲劳检测判定结果具体包括以下步骤:提供给模型的图像的原始输入大小为[3,6,299,299],使用这个尺寸来使输入与用于混合模型中图像特征提取的主干网络XceptionNet相兼容,通过XceptionNet提取图像特征后,得到一个维度为[2048,10,10]的特征向量,然后将该特征向量传递给一个2D卷积层和一个线性层,得到一个维度为[1,32,768],在得到面部图像和UV纹理图的两个重构特征向量后,将这两个特征向量连接起来,得到一个维度为[1,64,768]的特征向量,然后将一维学习片段嵌入添加到特征向量中,为[1,64,768],对所有序列帧执行此操作,并将它们连接为[1,576,768],将学习的位置嵌入添加到特征向量中,并在特征向量的开头添加标记,使用最终的特征向量[1,577,768]作为所提出的视频转换器模型的输入,训练所有模型5个epoch,学习率为3×10-3,选择SGD作为优化器,并使用CrossEntropyLoss作为损失函数,模型的输出为0或者1,其中0表示清醒,1表示疲劳。
以下通过附图和实施例对本发明的技术方案作进一步说明。
实施例
本发明的硬件环境主要是一台实验服务器。其中,服务器的CPU为Intel(R)Core(TM)i7-9700,内存为16GB RAM,显存2GB,共享内存48KB。64位操作***。软件实现以Windows为平台,在Tensorflow框架下,使用Python语言开发。Python版本为7.0,Tensorflow版本为1.8。
如图1所示,本实施例基于复杂光照环境下的疲劳检测方法,包括以下步骤:
S1、从正常光照数据集中获取待测视频帧具备包括以下步骤:
(1)通过原始图像I得到h、w,根据h,w设置两个尺寸为h*w的像素表格I1,I2;
(2)在I1上进行填充像素值,使得I1[i][j]=I[i][j]/2,其中i∈[0,h],j∈[0,w];
(4)最后将I1于I2进行相乘得到一张新的图像I',即I'[i][j]=I1[i][j]×I2[i][j],其中i∈[0,h],j∈[0,w]。
S2、通过MTCNN神经网络进行人脸图像提取具体包括以下步骤:
(1)从正常光照视频集中,拆分出视频帧;
(2)将视频帧进行处理,得到复杂光照环境下的视频帧,模拟仿真驾驶员夜间行驶的视频帧;
(3)针对待测视频帧使用MTCNN神经网络进行人脸提取超过,得到人脸候选窗口和5个人脸关键点位置信息。如图2所示,使用的MTCNN神经网络由三个子网结构组成:Proposal Network(P-Net)、Refine Network(R-Net)和Output Network(O-Net)。P-Net用来获得了人脸区域的候选窗口和边界框的回归向量,并用该边界框做回归,对候选窗口进行校准,然后通过非极大值抑制来合并高度重叠的候选框;R-Net的功能和P-Net大致一致,仍是通过边界框回归和非极大值抑制来去掉重复候选窗口,由于该网络比P-Net多了一个全连接层,因此会取得更好的去重效果;O-Net比R-Net多了一层卷积层,该层对人脸区域进行了更多更精确的处理,同时还会输出5个人脸关键点坐标。MTCNN神经网络的特征描述子任务主要包含三个部分:人脸/非人脸分类器,边界框回归,地标定位。
人脸分类是通过交叉熵损失函数计算实现:
yi det∈{0,1}
边界框回归是通过欧式距离计算的回归损失值得到:
人脸关键点坐标定位的计算和边界回归大体一致,仍是通过计算网络预测位置和实际真实位置的欧式距离,并最小化该距离得到:
S3、将提取出的人脸图像序列输入到Video Transformer中获取最终疲劳检测判定结果具体包括以下步骤:如图3所示,使用的Video Transformer模型由Patch Embedding和MViT Block块组成;Patch Embedding主要作用是将原始的二维图像转换成一系列的一维Patch Embeddings,之所以这么处理,是因为Transformer只能处理一维的数据。MViTBlock块的作用是降低空间分辨率和提高通道数。如图4所示,图4为一个MViT Block块的具体网络结构组成。我们提供给模型的图像的原始输入大小为[3,6,299,299],我们使用这个尺寸来使我们的输入与用于混合模型中图像特征提取的主干网络XceptionNet兼容。通过XceptionNet提取图像特征后,我们得到一个维度为[2048,10,10]的特征向量,然后我们将该特征向量传递给一个2D卷积层和一个线性层,从而得到一个维度为[1,32,768]。在我们得到面部图像和UV纹理图的两个重构特征向量后,我们将这两个特征向量连接起来,得到一个维度为[1,64,768]的特征向量。我们将一维可学习片段嵌入添加到特征向量中,为[1,64,768]。我们对所有序列帧执行此操作,并将它们连接为[1,576,768]。我们将可学习的位置嵌入添加到特征向量中,并在特征向量的开头添加标记。我们使用最终的特征向量[1,577,768]作为所提出的视频转换器模型的输入。我们训练所有模型5个epoch,学习率为3×10-3。我们选择SGD作为优化器,并使用CrossEntropyLoss作为损失函数。模型的输出为0或者1;其中0表示清醒,1表示疲劳。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
因此,本发明采用上述一种基于Video Transformer的疲劳驾驶检测方法,用于复杂光照环境下,通过光照补偿和MTCNN神经网络得到待测视频帧中的人脸图片,从而能够有效的提高检测精确率,针对待测人脸图像序列,使用Video Transformer作为判别器完成最终疲劳结果判定。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (5)
1.一种基于Video Transformer的疲劳驾驶检测方法,其特征在于,包括以下步骤:
S1、从正常光照数据集中获取待测视频帧;
S2、通过MTCNN神经网络进行人脸图像提取;
S3、将提取出的人脸图像序列输入到Video Transformer中获取最终疲劳检测判定结果。
2.根据权利要求1所述的一种基于Video Transformer的疲劳驾驶检测方法,其特征在于,所述步骤S1中从正常光照数据集中获取待测视频帧具备包括以下步骤:
(1)通过原始图像I得到h、w,根据h、w设置两个尺寸为h*w的像素表格I1、I2;
(2)在I1上进行填充像素值,使得I1[i][j]=I[i][j]/2,其中i∈[0,h],j∈[0,w];
(4)最后将I1与I2进行相乘得到一张新的图像I',即I'[i][j]=I1[i][j]×I2[i][j],其中i∈[0,h],j∈[0,w]。
3.根据权利要求1所述的一种基于Video Transformer的疲劳驾驶检测方法,其特征在于,所述步骤S2中通过MTCNN神经网络进行人脸图像提取具体包括以下步骤:
(1)从正常光照视频集中,拆分出视频帧;
(2)将视频帧进行处理,得到复杂光照环境下的视频帧,模拟仿真驾驶员夜间行驶的视频帧;
(3)针对待测视频帧使用MTCNN神经网络进行人脸提取操作,得到人脸候选窗口和5个人脸关键点位置信息。
4.根据权利要求3所述的一种基于Video Transformer的疲劳驾驶检测方法,其特征在于:
所述MTCNN神经网络由三个子网结构组成,分别为Proposal Network(P-Net)、RefineNetwork(R-Net)和Output Network(O-Net);
用P-Net卷积神经网络,获得候选窗体和边界回归向量,同时,候选窗体根据边界框进行校准,然后利用非极大值抑制去除重叠窗体;
使用R-Net卷积神经网络进行操作,将经过P-Net确定的包含候选窗体的图片在R-Net中训练,最后使用全连接网络进行分类,利用边界框向量微调候选窗体,最后利用非极大值抑制算法去除重叠窗体;
使用O-net(Output Network)卷积神经网络进行操作,该网络比R-Net多一层卷积层,功能与R-Net类似,在去除重叠候选窗口的同时标定5个人脸关键点位置。
5.根据权利要求1所述的一种基于Video Transformer的疲劳驾驶检测方法,其特征在于,所述步骤S2中将提取出的人脸图像序列输入到Video Transformer中获取最终疲劳检测判定结果具体包括以下步骤:提供给模型的图像的原始输入大小为[3,6,299,299],使用这个尺寸来使输入与用于混合模型中图像特征提取的主干网络XceptionNet相兼容,通过XceptionNet提取图像特征后,得到一个维度为[2048,10,10]的特征向量,然后将该特征向量传递给一个2D卷积层和一个线性层,得到一个维度为[1,32,768],在得到面部图像和UV纹理图的两个重构特征向量后,将这两个特征向量连接起来,得到一个维度为[1,64,768]的特征向量,然后将一维学习片段嵌入添加到特征向量中,为[1,64,768],对所有序列帧执行此操作,并将它们连接为[1,576,768],将学习的位置嵌入添加到特征向量中,并在特征向量的开头添加标记,使用最终的特征向量[1,577,768]作为所提出的视频转换器模型的输入,训练所有模型5个epoch,学习率为3×10-3,选择SGD作为优化器,并使用CrossEntropyLoss作为损失函数,模型的输出为0或者1,其中0表示清醒,1表示疲劳。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210366039.XA CN114821713B (zh) | 2022-04-08 | 2022-04-08 | 一种基于Video Transformer的疲劳驾驶检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210366039.XA CN114821713B (zh) | 2022-04-08 | 2022-04-08 | 一种基于Video Transformer的疲劳驾驶检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114821713A true CN114821713A (zh) | 2022-07-29 |
CN114821713B CN114821713B (zh) | 2023-04-07 |
Family
ID=82535325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210366039.XA Active CN114821713B (zh) | 2022-04-08 | 2022-04-08 | 一种基于Video Transformer的疲劳驾驶检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114821713B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194346A (zh) * | 2017-05-19 | 2017-09-22 | 福建师范大学 | 一种汽车疲劳驾驶预测方法 |
CN110674701A (zh) * | 2019-09-02 | 2020-01-10 | 东南大学 | 一种基于深度学习的驾驶员疲劳状态快速检测方法 |
JP2021034035A (ja) * | 2019-08-28 | 2021-03-01 | 潘文橋 | 人面識別に基づいた智能化車載疲労検出システム、方法および装置 |
CN112733628A (zh) * | 2020-12-28 | 2021-04-30 | 杭州电子科技大学 | 基于MobileNet-V3的疲劳驾驶状态检测方法 |
CN113140093A (zh) * | 2021-04-26 | 2021-07-20 | 贵阳职业技术学院 | 一种基于AdaBoost算法的疲劳驾驶检测方法 |
CN113420624A (zh) * | 2021-06-11 | 2021-09-21 | 华中师范大学 | 一种非接触式疲劳检测方法及*** |
CN113850151A (zh) * | 2021-09-02 | 2021-12-28 | 中山大学 | 一种驾驶员分心行为的识别方法、装置、终端及存储介质 |
-
2022
- 2022-04-08 CN CN202210366039.XA patent/CN114821713B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194346A (zh) * | 2017-05-19 | 2017-09-22 | 福建师范大学 | 一种汽车疲劳驾驶预测方法 |
JP2021034035A (ja) * | 2019-08-28 | 2021-03-01 | 潘文橋 | 人面識別に基づいた智能化車載疲労検出システム、方法および装置 |
CN110674701A (zh) * | 2019-09-02 | 2020-01-10 | 东南大学 | 一种基于深度学习的驾驶员疲劳状态快速检测方法 |
CN112733628A (zh) * | 2020-12-28 | 2021-04-30 | 杭州电子科技大学 | 基于MobileNet-V3的疲劳驾驶状态检测方法 |
CN113140093A (zh) * | 2021-04-26 | 2021-07-20 | 贵阳职业技术学院 | 一种基于AdaBoost算法的疲劳驾驶检测方法 |
CN113420624A (zh) * | 2021-06-11 | 2021-09-21 | 华中师范大学 | 一种非接触式疲劳检测方法及*** |
CN113850151A (zh) * | 2021-09-02 | 2021-12-28 | 中山大学 | 一种驾驶员分心行为的识别方法、装置、终端及存储介质 |
Non-Patent Citations (2)
Title |
---|
吴从中等: "光照自适应的疲劳驾驶检测***", 《电子测量与仪器学报》 * |
薛丽: "基于改进MTCNN网络的多特征疲劳驾驶检测研究", 《中国优秀硕士学位论文全文数据库》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114821713B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563372B (zh) | 一种基于深度学习ssd框架的车牌定位方法 | |
CN104063712B (zh) | 一种车辆信息提取方法和*** | |
CN108764137A (zh) | 基于语义分割的车辆行驶车道定位方法 | |
CN109948416A (zh) | 一种基于深度学习的违法占用公交车道自动审核方法 | |
CN103439348B (zh) | 基于差影法的遥控器按键缺陷检测方法 | |
CN104299009B (zh) | 基于多特征融合的车牌字符识别方法 | |
CN108918532A (zh) | 一种快速道路交通标志破损检测***及其检测方法 | |
CN110689724B (zh) | 一种基于深度学习的机动车斑马线礼让行人自动审核方法 | |
CN105787466B (zh) | 一种车辆类型的精细识别方法及*** | |
CN110532925B (zh) | 基于时空图卷积网络的驾驶员疲劳检测方法 | |
CN110298257B (zh) | 一种基于人体多部位特征的驾驶员行为识别方法 | |
CN110516633A (zh) | 一种基于深度学习的车道线检测方法及*** | |
WO2024051296A1 (zh) | 一种复杂天气下障碍物检测方法及装置 | |
CN111191604A (zh) | 检测车牌完整性的方法、设备和存储介质 | |
CN112613434A (zh) | 道路目标检测方法、装置及存储介质 | |
CN111209880A (zh) | 车辆行为识别方法、装置 | |
CN108960175A (zh) | 一种基于深度学习的车牌识别方法 | |
CN107038423A (zh) | 一种车辆实时检测与跟踪方法 | |
CN116824399A (zh) | 基于改进YOLOv5神经网络的路面裂缝识别方法 | |
CN114972316A (zh) | 基于改进YOLOv5的电池壳端面缺陷实时检测方法 | |
CN112052829B (zh) | 一种基于深度学习的飞行员行为监控方法 | |
CN117237900A (zh) | 一种基于ssc-yolov5的自动驾驶目标检测算法 | |
CN114821713B (zh) | 一种基于Video Transformer的疲劳驾驶检测方法 | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN112633163B (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 |
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 |