首页|基于DCNN与HMM融合的疲劳驾驶检测方法研究

基于DCNN与HMM融合的疲劳驾驶检测方法研究

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
首先提出一种深度卷积神经网络(DCNN)与隐马尔可夫模型(HMM)融合的疲劳驾驶检测方法,针对眼睛和嘴巴状态单一特征,构建3层DCNN来识别眼睛和嘴巴闭合状态;再针对训练样本人工标记困难的问题,提出结合人工标记、采用Dlib特征点检测和疲劳参数加权获取驾驶员疲劳等级的方法进行标记;最后,针对疲劳驾驶是一个从状态良好到重度疲劳的时序过程,构建基于DCNN与HMM融合的疲劳驾驶状态判断方法.结果表明,本方法能有效减少因状态检测和突变造成的误差,准确率较传统参数加权方法提高约10％,单帧检测时间约为150 ms.因此,该检测方法既提高了系统鲁棒性,也满足实时需求.

方斌、王岩、杨降勇、胡鹏

展开 >

湖南警察学院 交通管理系,湖南 长沙 410138

疲劳驾驶检测 人工标记 特征点检测 深度卷积神经网络 隐马尔可夫模型

湖南省教育厅优秀青年项目湖南警察学院博士专项

17B0872016ZX03

2022

湖南交通科技
湖南省交通科学研究院 湖南省公路学会 湖南省航海学会

湖南交通科技

影响因子：0.455
ISSN：1008-844X
年,卷(期)：2022.48(1)
  • 1
  • 3