首页|基于并行短时面部特征的驾驶人疲劳检测方法研究

基于并行短时面部特征的驾驶人疲劳检测方法研究

扫码查看
原文链接
  • 万方数据
  • 维普
为实现更快速、准确的疲劳预警，提出了一种基于并行短时面部特征的驾驶人疲劳检测方法。基于加入了MicroNet模块、CA注意力机制、Wise-IoU损失函数的YOLOv7-MCW目标检测网络提取驾驶人面部的短时面部特征，再使用并行Informer时序预测网络整合YOLOv7-MCW目标检测网络得到的面部时空信息，对驾驶人疲劳状态进行检测与预警。结果表明:在领域内公开数据集UTA-RLDD和NTHU-DDD上，YOLOv7-MCW-Informer模型的准确率分别为97。50％和94。48％，单帧检测时间降低至28 ms，证明该模型具有良好的实时疲劳检测性能。
Research on Driver Fatigue Detection Method Based on Parallel Short-Term Facial Features
A driver fatigue detection method based on parallel short-term facial features is proposed to achieve faster and more accurate fatigue warning.The method utilizes the YOLOv7-MCW object detection network,which incorporates the MicroNet module,CA attention mechanism,and Wise-IoU loss function,to extract short-term facial features of the driver's face.The parallel Informer temporal prediction network is then used to integrate the spatiotemporal information obtained from the YOLOv7-MCW object detection network,enabling the detection and warning of driver fatigue.The results demonstrate that the YOLOv7-MCW-Informer model achieves accuracy rates of 97.50％and 94.48％on the publicly available datasets UTA-RLDD and NTHU-DDD,respectively,with a single-frame detection time reduced to 28 ms,proving the excellent real-time fatigue detection performance of the model.

Intelligent transportationFatigue detectionObject detectionAttention mechanismTime series prediction

刘强、谢谦、方玺、李波、解孝民

展开 >

中山大学,智能工程学院,深圳 518107

国家邮政局发展研究中心,北京 100868

广州汽车集团股份有限公司汽车工程研究院,广州 511434

广东玛西尔电动科技有限公司,肇庆 523268

展开 >

智能交通 疲劳检测 目标检测 注意力机制 时序预测

重庆市科技创新重大研发项目广东省重点领域研发计划项目广东省基础与应用基础研究基金项目肇庆市第四批西江创新创业团队与领军人才项目

CSTB2023TIAD-STX00302022B07011800012022A1515010692

2024

10.19620/j.cnki.1000-3703.20230617

汽车技术
中国汽车工程学会 长春汽车研究所

汽车技术

CSTPCD北大核心
影响因子：0.522
ISSN：1000-3703
年,卷(期)：2024.(5)
  • 19