为了提高夜间疲劳驾驶检测的准确率,在现有低光增强算法Zero-DCE(Zero-Reference Deep Curve Estimation)的基础上,提出改进Zero-DCE的低光增强算法。首先,引入上下采样结构,减少噪声影响。同时,引入注意力门控机制,提高网络对图像中人...为了提高夜间疲劳驾驶检测的准确率,在现有低光增强算法Zero-DCE(Zero-Reference Deep Curve Estimation)的基础上,提出改进Zero-DCE的低光增强算法。首先,引入上下采样结构,减少噪声影响。同时,引入注意力门控机制,提高网络对图像中人脸区域的敏感性,有效提高网络的检测率。然后,针对噪声相关问题,提出改进的核选择模块。进一步,使用MobileNet的深度可分离卷积替换Zero-DCE的标准卷积,提高网络的检测速度。最后,通过人脸关键点检测网络和分类网络,判断驾驶员的疲劳状态。实验表明,在夜间环境下,相比现有的疲劳驾驶检测算法,文中算法在人脸检测的准确率和眼睛状态的识别率上都有所提升,取得较令人满意的检测效果。展开更多
该文主要对Zero-DCE (zero-reference deep curve estimation)图像增强网络进行改进.针对图像在每层卷积过后,图像内容细节随之丢失和噪声问题.提出改进网络结构,卷积层保留图像的主要内容,增加反卷积层则用来补偿细节信息.另外通过传...该文主要对Zero-DCE (zero-reference deep curve estimation)图像增强网络进行改进.针对图像在每层卷积过后,图像内容细节随之丢失和噪声问题.提出改进网络结构,卷积层保留图像的主要内容,增加反卷积层则用来补偿细节信息.另外通过传递卷积层的特征图到反卷积层,有助于解码器拥有更多的图像细节信息,从而得到更好的干净图像.此外引进残差网络,对输入噪声图像和输出干净图像做差用于学习一个残差,在降噪的同时也提升了图像清晰度.最后通过图像质量评估方法 PSNR (peak signal to noise ratio)和SSIM (structural similarity index)以及傅里叶变换进行测试分析,结果表明提出的改进结构可以增加图像的细节信息并达到降噪效果.展开更多
文摘为了提高夜间疲劳驾驶检测的准确率,在现有低光增强算法Zero-DCE(Zero-Reference Deep Curve Estimation)的基础上,提出改进Zero-DCE的低光增强算法。首先,引入上下采样结构,减少噪声影响。同时,引入注意力门控机制,提高网络对图像中人脸区域的敏感性,有效提高网络的检测率。然后,针对噪声相关问题,提出改进的核选择模块。进一步,使用MobileNet的深度可分离卷积替换Zero-DCE的标准卷积,提高网络的检测速度。最后,通过人脸关键点检测网络和分类网络,判断驾驶员的疲劳状态。实验表明,在夜间环境下,相比现有的疲劳驾驶检测算法,文中算法在人脸检测的准确率和眼睛状态的识别率上都有所提升,取得较令人满意的检测效果。
文摘该文主要对Zero-DCE (zero-reference deep curve estimation)图像增强网络进行改进.针对图像在每层卷积过后,图像内容细节随之丢失和噪声问题.提出改进网络结构,卷积层保留图像的主要内容,增加反卷积层则用来补偿细节信息.另外通过传递卷积层的特征图到反卷积层,有助于解码器拥有更多的图像细节信息,从而得到更好的干净图像.此外引进残差网络,对输入噪声图像和输出干净图像做差用于学习一个残差,在降噪的同时也提升了图像清晰度.最后通过图像质量评估方法 PSNR (peak signal to noise ratio)和SSIM (structural similarity index)以及傅里叶变换进行测试分析,结果表明提出的改进结构可以增加图像的细节信息并达到降噪效果.
