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
驾驶员在实际驾驶的过程中会存在面部遮挡场景,例如戴眼镜、戴口罩等,传统单一通过提取驾驶员面部特征进行疲劳检测的Dlib算法不再适用。该文结合Dlib与YOLO11使用多阈值判定,对传统Dlib疲劳检测算法进行改进,给出戴眼镜、戴口罩等驾驶...驾驶员在实际驾驶的过程中会存在面部遮挡场景,例如戴眼镜、戴口罩等,传统单一通过提取驾驶员面部特征进行疲劳检测的Dlib算法不再适用。该文结合Dlib与YOLO11使用多阈值判定,对传统Dlib疲劳检测算法进行改进,给出戴眼镜、戴口罩等驾驶员面部遮挡场景的疲劳检测算法,并在Raspberry Pi 5硬件平台,使用公开数据集验证改进算法对于驾驶员疲劳检测的准确性。另外,改进算法还可以对吸烟、打电话等这类分心驾驶行为进行检测和语音提醒,对疲劳和分心行为实现更全面的检测和预警。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。
文摘驾驶员在实际驾驶的过程中会存在面部遮挡场景,例如戴眼镜、戴口罩等,传统单一通过提取驾驶员面部特征进行疲劳检测的Dlib算法不再适用。该文结合Dlib与YOLO11使用多阈值判定,对传统Dlib疲劳检测算法进行改进,给出戴眼镜、戴口罩等驾驶员面部遮挡场景的疲劳检测算法,并在Raspberry Pi 5硬件平台,使用公开数据集验证改进算法对于驾驶员疲劳检测的准确性。另外,改进算法还可以对吸烟、打电话等这类分心驾驶行为进行检测和语音提醒,对疲劳和分心行为实现更全面的检测和预警。
