该文运用Dlib人脸检测模型与人脸检测模板匹配方法,通过计算EAR、MAR、pitch、yaw和roll参数,采用多阈值判定研究疲驾驶员疲劳状态,并将该算法在Raspberry Pi 5硬件平台实现,搭建疲劳驾驶检测预警系统,最后通过公开数据集验证该系统对...该文运用Dlib人脸检测模型与人脸检测模板匹配方法,通过计算EAR、MAR、pitch、yaw和roll参数,采用多阈值判定研究疲驾驶员疲劳状态,并将该算法在Raspberry Pi 5硬件平台实现,搭建疲劳驾驶检测预警系统,最后通过公开数据集验证该系统对于驾驶员面部疲劳状态检测及提醒的准确性和良好的系统性能。EAR、MAR、HPE 3种判断准则在公开数据集Drowsiness、YawDD及自制数据集上分别达到95.6%、96%与96%的平均正确率;在面部无遮挡的情况下,该系统实时帧率达到20 FPS,基本可实时对驾驶员疲劳状态作出相应提醒,同时具备较高的准确率。展开更多
文摘该文运用Dlib人脸检测模型与人脸检测模板匹配方法,通过计算EAR、MAR、pitch、yaw和roll参数,采用多阈值判定研究疲驾驶员疲劳状态,并将该算法在Raspberry Pi 5硬件平台实现,搭建疲劳驾驶检测预警系统,最后通过公开数据集验证该系统对于驾驶员面部疲劳状态检测及提醒的准确性和良好的系统性能。EAR、MAR、HPE 3种判断准则在公开数据集Drowsiness、YawDD及自制数据集上分别达到95.6%、96%与96%的平均正确率;在面部无遮挡的情况下,该系统实时帧率达到20 FPS,基本可实时对驾驶员疲劳状态作出相应提醒,同时具备较高的准确率。
