基于眼嘴状态判别网络的疲劳驾驶检测

作者：张博熠; 者甜甜; 赵新旭; 刘庆华; 王家晨

来源：计算机工程, 2022, 1-12.

DOI：10.19678/j.issn.1000-3428.0064445

• 疲劳驾驶检测
• RetinaFace
• 状态判别
• PERCLOS
• Ghost模块

驾驶员疲劳驾驶是导致交通事故的重要因素，对驾驶员的驾驶状态进行精准检测尤为关键，然而现有的疲劳检测方法存在误判率高，鲁棒性低等问题。为了在保证检测精度基础上，提高实时性，提出了一种基于多特征融合结合状态识别网络的疲劳驾驶检测方法，用于深入分析驾驶员疲劳状态。在所提出的方法中，利用优化后的单阶段人脸检测器RetinaFace获取人脸位置及五个标志定位，根据双眼和嘴角关键点坐标对双眼及嘴部区域分别旋转至水平并截取；对现有的数据集进行重新构建分类用来训练以Ghost模块为基础的眼嘴状态判别网络（EMSD-Net），再对双眼开合及嘴部是否哈欠进行识别；最后，根据眼嘴状态，使用瞳孔随时间闭合百分比PERCLOS、持续闭眼时间CCT和持续哈欠时间SYT进行疲劳判断，并得出相应的疲劳程度，从而能够起到更有效的预警效果。在NHTU-DDD、YawDD和CEW数据集基础上构建的新数据集上的实验表明，该网络的疲劳特征识别准确率达到97.9%，模型大小缩小至0.84MB，单帧眼嘴状态识别平均时间为7.8ms。相比于现有的疲劳检测方法，视频疲劳检测准确率达到95.3%，提升了27.2个百分点，且单帧疲劳检测的平均时间为32.6ms，缩短了6.2ms，不仅降低了整体的误判率，并且均衡了检测精度和实时性的要求。

• 单位
  江苏科技大学