基于面部特征识别的管制员疲劳检测算法研究

管制员疲劳是关系到航空安全的重要问题之一,本文通过安装在管制员工作台正前方的摄像头获取管制员工作时候的视频,运用一种使用多任务级联卷积网络(Multi-Task Convolutional Neural Network, MTCNN)对获得的视频图像,包含管制员的脸部,身体的姿态等特定部位进行定位,从获取的图像中提取管...     

基于KLT算法的驾驶员疲劳检测方法

为了有效解决驾驶员过度疲劳引发交通事故的问题,提出了一种基于KLT(kanade-lucas-tomasi)算法的驾驶员视觉疲劳检测算法.首先在驾驶员眼睛周围选取若干个特征点,用KIT算法对这些特征点进行跟踪,从而来定位人眼,然后将定位到的人眼与模板进行比较,采用阈值的方法,计算二者的相似度,从而判断眼睛的状态.针对该方法受光照影响较大的问题,又提出背景模型对该算法作了较大改进.通过对采集到的视频流的处理,结果表明该方法有较好的实用性.     

基于面部行为分析的驾驶员疲劳检测方法

眼睛和嘴部状态检测是疲劳检测方法的重要步骤,但眼镜遮挡及光照变化使得眼睛状态识别效果不佳。为此,提出一种新的驾驶员疲劳检测方法。使用红外采集设备对驾驶员面部图像进行采集,通过结合AdaBoost与核相关滤波器算法进行人脸检测及跟踪。采用级联回归方法定位特征点,提取眼睛和嘴部区域。运用卷积神经网络进行眼睛和嘴部状态识别,在此基础上计算多个疲劳参数进行疲劳检测。实验结果表明,该方法在多种情况下均能准确地检测眼睛和嘴部状态,可有效地进行疲劳检测。     

基于面部多特征的驾驶员疲劳状态检测

鉴于传统的疲劳检测模型通过驾驶员单一疲劳特征检测具有局限性的问题,提出了一种新的驾驶员疲劳检测模型。首先使用改进的AdaBoost算法进行人脸检测,解决复杂光源和背景的影响,提高人脸检测效率。然后用LBF算法进行人眼检测,用三庭五眼法进行嘴部检测,通过人眼高宽比和像素比检测人眼闭合程度,通过嘴部高宽比和圆形度检测嘴部打哈欠状态,再综合眼部疲劳特征计算闭眼时间,利用打哈欠频率计算嘴部疲劳。最后综合上述疲劳特征检测驾驶员疲劳状态。实验表明该方法可有效检测驾驶员疲劳状态,满足疲劳检测系统对实时性、鲁棒性的要求。     

基于融合特征的疲劳驾驶检测系统实现

疲劳驾驶检测系统可对驾乘者给予一定程度的智能安全保障,避免事故发生。本文所述疲劳检测算法基于人体视觉特征的融合,提出根据嘴巴区域特征点坐标信息来计算嘴部张闭程度的MAR(Mouth Aspect Ratio)算法,并将其与眼睛纵横比EAR表示的眼部疲劳特征进行融合,最后得到MAR/EAR的比值用来度量驾驶员主观疲劳程度,系统实时测得的比值与设定的疲劳度阈值进行比较即可判定是否疲劳驾驶。系统实验结果验证了所提出方法的有效性。     

提取驾驶员面部特征的疲劳驾驶检测研究综述

疲劳驾驶是威胁驾驶员人身安全以及道路交通安全的主要因素之一。高效精准的疲劳驾驶检测方法可以有效地保障驾驶员及其周围交通安全,维护交通秩序,减少财产损失和人员伤亡。由于基于驾驶员生理特征和基于车辆行驶信息的疲劳驾驶检测方法具有对驾驶员不友好、影响因素较多等局限性,使得基于驾驶员面部特征的疲劳驾驶检测方法成为研究热点。首先简述了疲劳驾驶面部特征表现,总结了疲劳驾驶领域常用公开数据集的优缺点和应用场景;其次使用公开数据集,通过对比实验,分析研究了疲劳驾驶检测领域常用人脸检测算法的优势和不足;随后给出了基于驾驶员面部特征的疲劳驾驶检测方法流程,总结分析了流程中关键步骤所使用的方法和技术;另外归纳整理了疲劳驾驶领域常用的疲劳判别参数和疲劳驾驶结果预测方法;最后对全文进行总结,给出了基于驾驶员面部特征的疲劳驾驶检测方法目前所面临的挑战,并对未来研究进行了展望。     

基于深度学习和面部多特征融合的驾驶员疲劳检测研究

驾驶员疲劳驾驶是造成交通事故的重要原因之一。本文提出了基于深度学习和面部多特征融合的驾驶员疲劳检测研究方法。首先采用多任务级联卷积神经网络MTCNN（Multi-task convolutional neural network)结构进行面部检测和特征点定位,并利用Dlib工具包中的面部68个地标,提取驾驶员面部的特征参数;其次,基于眼睛纵横比（EAR）,眼睛闭合百分比（PECLORS）和嘴巴高宽比（ MAR）的值按不同的权值相加得到参数M,在一定时间内累加M>0.605的帧数判断驾驶员疲劳的程度。最后,试验结果表明：本方法能够有效地利用视频图像实时检测驾驶员疲劳状态,其准确率和灵敏度分别为93.1%和90.2%,对于保护驾驶员及车辆行驶安全具有重大意义。     

基于自适应阈值的多特征经验融合疲劳检测

在安防领域,疲劳是导致安防工作人员注意力下降,诱发各类问题的重要原因.现有的疲劳检测方法存在各种问题,比如生理指标检测侵入性强且价格昂贵,人脸疲劳检测结果受个体差异和头部姿态的影响以及疲劳预警时长较短等,因此本文提出一种基于自适应阈值和面部多特征经验融合的疲劳早后期检测算法,使用轻量级的SCRFD模型进行人脸检测,使用MobileNetV2模型进行人脸关键点定位,使用梯度提升树学习头部姿态信息与眼睛纵横比(EAR)阈值的映射关系,通过眼睑闭合时间百分比(PERCLOS)、嘴巴张开时间百分比(FOM)和头部姿态6个自由度分别实现眨眼、哈欠、点头前后倾动作的识别.在疲劳估计阶段,为了将多种疲劳行为融合映射成与疲劳相关的KSS值,先根据专家经验预先构建好多种人脸行为的疲劳因果图,接着使用自定义的singleton,mutual和activate/inhibit特征算子,结合因果图从人脸行为检测序列中计算疲劳早期和疲劳后期KSS值,最后使用双尺度KNN实现疲劳早后期估计.实验结果表明所提算法在YawDD数据集上哈欠检测准确率达到93.81%,在UTA-RLDD和Drozy数据集上疲劳识别准确率...     

基于驾驶员面部时序数据的疲劳驾驶检测算法

针对传统疲劳驾驶检测方法识别准确率低、泛化能力差的问题,提出了一种基于CNNs和LSTM的端到端可训练网络,检测驾驶员的疲劳状态。根据驾驶员面部特征点提取ROI,将在其他计算机视觉任务上表现较好的深度网络迁移到疲劳检测任务中,并结合LSTM处理时序数据的能力,提出一种新的疲劳检测网络,该网络能够读入视频流中的时序数据并检测出驾驶员的疲劳状态。实验证明所提方法和模型在公开数据集中具有较高的识别准确率,并且在不同的数据集间具有很好的泛化能力,对于减少路面车祸、保障人身安全具有很重要的意义。     

基于边缘计算的疲劳驾驶检测方法

现有疲劳驾驶检测方法通常将驾驶过程中采集的数据传输至云端进行分析,然而在车辆移动过程中网络覆盖范围、响应速度等因素会造成检测实时性差.为在车载嵌入式设备上对驾驶人疲劳状态进行准确预警,提出一种基于边缘计算的疲劳驾驶检测方法.通过改进的多任务卷积神经网络确定人脸区域,根据人脸的面部比例关系定位驾驶人的眼部与嘴部区域,利用...     

基于多尺度特征提取与特征融合的交通标志检测

基于卷积神经网络的交通标志检测算法在对现实中复杂的交通场景图像进行交通标志检测时,难以同时解决定位和分类两项任务,并且目标检测领域相关算法所使用的公开数据集提供的图像和交通标志的种类不能满足现实交通场景中复杂的情况。建立一个新的道路交通标志数据集,在YOLOv4算法的基础上针对现实交通场景图像的复杂性和图像中交通标志尺寸差异较大的特点,设计多尺寸特征提取模块和增强特征融合模块,提高算法同时定位和分类交通标志的能力。在此基础上,对算法中不同的模块设置不同的参数进行对照实验,得到一组表现最优的参数,用于检测现实交通场景图片中的交通标志。在道路交通标志数据集上的实验结果表明,该算法相比基于卷积神经网络的同类型任务目标检测算法具有更高的检测精度,平均精度均值达到83.63%。     

基于轻量级特征融合卷积网络的图像分类算法

传统卷积神经网络存在卷积核单一、网络结构复杂和参数冗余的问题。提出一种轻量级特征融合卷积神经网络MS-FNet。在融合模块中采用多路结构以增加卷积神经网络的宽度,通过不同尺寸的卷积核对输入特征图进行处理,提高网络在同一层中提取不同特征的能力,并在每次卷积后采用批归一化、ReLU等方法去除冗余特征。此外,使用卷积层代替传统的全连接层,从而加快模型的训练速度,缓解因参数过多造成的过拟合现象。实验结果表明,MS-FNet可在降低错误率的同时,有效减少网络参数量。     

特征金字塔融合的多模态行人检测算法

针对单模态行人检测在光照条件较差、目标部分遮挡、目标多尺度时检测效果较差的问题，提出了一种基于可见和红外双模态特征金字塔融合的行人检测算法。使用深度卷积神经网络代替传统的手工设计特征方式分别自动从可见模态及红外热模态的图片中提取单模态特征，根据ResNet（Residual Net）的阶段性特征图谱搭建特征金字塔网络，生成每个模态的特征金字塔，并将两个模态的特征金字塔进行逐层融合。选择深度学习通用目标检测算法--Faster R-CNN作为后续的目标定位与分类算法来解决多模态行人检测问题。在特征金字塔融合阶段，针对级联融合和较大值融合容易忽略弱特征，无法有效融合互补特征的问题，提出了一种锐化特征的特征金字塔融合方法，根据阈值强化突出强特征，互补叠加弱特征，有效利用每个模态的特征，进一步提高模型的检测效果。实验结果表明，特征金字塔聚合的多模态行人检测算法可以有效解决多模态行人检测问题，在KAIST数据集上的检测效果超过了目前该数据集上的最佳模型。     

基于增强特征融合解码器的语义分割算法

针对语义分割中全卷积神经网络解码器部分特征融合低效的问题,设计一种增强特征融合的解码器。级联深层特征与降维后的浅层特征,经过卷积运算后引入自身平方项的注意力机制,通过卷积预测自身项与自身平方项各通道的权重,利用乘法增强后对结果进行作和。基于pascal voc2012数据集的实验结果表明,该解码器相比原网络mIoU指标提升2.14%,结合不同特征融合方式的解码结果也验证了其性能优于同一框架下的其他对比方法。     

基于非局部融合的多尺度目标检测研究

针对现有的多尺度目标检测模型在面对尺度变换和遮挡场景时所使用的融合方法融合不充分,且没有捕捉长距离依赖关系的问题,本文设计了通道融合增强模块和非局部特征交互模块,用于学习不同通道特征之间的相关性和捕捉特征图之间的长距离依赖关系。此外,针对当前检测架构都是基于单金字塔检测结构,存在信息丢失的情况,设计了双金字塔结构,并将提出的融合方法与双金字塔结构结合,在保留原始特征信息的基础上,补充融合后的特征信息。实验结果表明,提出的方法在公共数据集KITTI与PASCAL VOC上与其他先进工作相比具有更高的检测精度,证明了该方法在目标检测任务中的有效性。     

基于空洞卷积与特征增强的单阶段目标检测算法

基于卷积神经网络目标检测算法的浅层特征图包含丰富的细节信息,但缺乏语义信息,而深层特征图则相反.为充分利用浅层和深层特征图特征,解决多尺度目标检测问题,提出一种新的单阶段目标检测算法(AFE-SSD).以SSD算法为基础,分别对该算法中相邻的2个特征图进行特征融合,从而丰富浅层特征层的语义信息.通过对并行空洞卷积机制进...     

基于CNN和SVM的疲劳驾驶闭眼特征实时检测

针对现有疲劳驾驶检测方法中实时性和泛化能力不足的问题, 本文提出了一种基于卷积神经网络(Convolutional Neural Networks, CNN)和支持向量机(Support Vector Machine, SVM)的疲劳驾驶闭眼特征检测方法, 使用CNN获取人脸相关特征点的位置并定位眼部感兴趣区域(Reg...     

基于特征融合的图像型火灾探测方法

针对传统火灾探测中灵敏度不高、响应慢的问题,提出一种基于特征融合的图像型火灾探测方法.结合火焰的颜色、运动以及闪烁特征,检测出疑似火灾区域中的火焰像素,排除非火焰像素,并用支持向量机对疑似火焰像素进行验证,采用形态学方法和区域融合判断出火灾区域.实验结果表明,该方法对多种火灾和非火灾场景具有较好的适应性、较强的抗干扰能...     

基于特征通道建模的目标检测方法

针对直接利用多尺度融合特征图进行目标检测时鲁棒性较差的问题,提出一种对图像全局信息进行多维建模的检测方法。采用多阶段的特征复用和特征融合减少特征间相关性损失,设计广度通道建模分支（BCMB）与深度通道建模分支（DCMB）弥补因感受野变化造成的图像空间信息不足,并丰富图像中各个目标间的上下文信息。通过BCMB建立宽高方向的二维通道矩阵,对多层级的感受野进行建模,进而丰富模型对图像的空间感知,完成目标定位。使用DCMB建立深度方向的一维通道向量,提炼图像的全局特征,丰富模型对图像的上下文描述,完成目标分类。将2个分支生成的通道图与输入特征进行加权融合,增强图像通道表达力,使输出的特征对目标的位置和类别信息更敏感。在PASCAL VOC 2007测试数据集上的实验结果表明,该方法的mAP值为85.8%,与未使用通道建模的Baseline方法相比,最高可提升3.2个百分点。