首页|基于轻量化卷积神经网络的疲劳驾驶检测

基于轻量化卷积神经网络的疲劳驾驶检测

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
针对现有疲劳驾驶检测模型在判定准确性与实时性上的不平衡问题,设计了一种基于轻量化卷积神经网络EMLite-Yolo-V4的检测模型.通过使用MobileNet-V2作为目标检测网络Yolo-V4的主干特征提取网络,并且降低卷积通道系数alpha,使得网络参数量大幅度下降;改进柔性非极大值抑制使得目标框无需再同时考虑得分与重合度,进一步优化检测速率;加入轻量级特征金字塔FPN-tiny并且融合mosaic数据增强方法,以保证模型的检测精度.最后,利用EMLite-Yolo-V4提取面部疲劳特征,PERCLOS与单位时间打哈欠次数对疲劳特征进行状态判定并输出结果.实验表明:该检测模型的准确率达到97.39％,mAP指标为80.02％,单帧检测速度为20.83 ms,模型大小仅为9 MB,有效平衡了疲劳驾驶检测的准确性与实时性.
Fatigue driving detection method based on lightweight convolutional neural network

程泽、林富生、靳朝、周鼎贺

展开 >

武汉纺织大学机械工程与自动化学院,武汉 430200

湖北省数字化纺织装备重点实验室,武汉 430200

三维纺织湖北省工程研究中心,武汉 430200

疲劳驾驶检测 轻量化卷积神经网络 轻量级特征金字塔 柔性非极大值抑制 数据增强

2022

10.3969/j.issn.1674-8425(z).2022.02.019

重庆理工大学学报
重庆理工大学

重庆理工大学学报

CSTPCD北大核心
影响因子：0.567
ISSN：1674-8425
年,卷(期)：2022.36(2)
  • 5
  • 10