基于防疫常态化的驾驶员疲劳状态检测方法.docx

【基于防疫常态化的驾驶员疲劳状态检测方法】 疲劳驾驶是交通安全的一大隐患，特别是在当前疫情防控常态化的背景下，驾驶员常常需要佩戴口罩，这给疲劳检测带来了新的挑战。传统的疲劳驾驶检测方法主要依赖驾驶行为、车辆状态参数或生理参数，但这些方法在实际应用中存在局限性。随着计算机技术和图像处理技术的进步，基于图像处理的疲劳驾驶检测已经成为主流，尤其是面部特征分析，如眼部和嘴部的检测。 目前的研究方法中，Adaboost 算法和特征加权贝叶斯算法被用来检测和判断疲劳状态，通过PERCLOS值、眨眼频率和闭眼时长等指标。此外，还有利用红外摄像头和LSTM网络进行人脸识别和疲劳状态判定。例如，李文学等人使用红外摄像头配合Haar分类器和LSTM进行疲劳驾驶的判断。另外，有些研究将生理参数（如心率、脑电波）与图像特征结合，通过logistics模型进行疲劳状态预测。 然而，现有的图像处理算法面临诸多挑战，如光线变化、驾驶动作导致的姿态变化、个体差异以及口罩遮挡等问题。针对这些问题，一种自适应的疲劳驾驶检测方法被提出，它包含了以下几个关键步骤： 1. 判断驾驶员是否佩戴口罩。使用SSD模型和Mobile Net-V2进行判断，对未佩戴口罩的驾驶员，采用HOG特征结合SVM进行人脸检测，以确保实时性；对佩戴口罩的驾驶员，采用SSD+Res Net-10进行人脸检测。 2. 精准定位人脸特征点。通过级联回归器来定位，以便后续的疲劳状态分析。 3. 分级判定疲劳状态。利用眨眼的有效性和基准水平值来提升疲劳特征的质量，同时根据判定状态动态调整阈值，以适应不同驾驶员和驾驶环境的差异。 传统图像处理方法如HOG特征具有良好的光照不变性和局部阴影鲁棒性，适合于人脸识别。SVM分类器在此过程中用于区分人脸，其优化目标函数考虑了样本的约束条件和正则化项，以最大化分类间隔并控制过拟合。 深度学习方法，如Res Net-10和Mobile Net-V2，则被用于解决口罩遮挡带来的问题。预训练的模型可以作为基础网络，通过微调适应特定任务，提高口罩识别的准确性，并在未检测到口罩时切换到基于HOG特征的传统检测模型，以保持系统效率。 这个自适应的疲劳驾驶检测方法旨在克服疫情防控常态化带来的新难题，通过结合传统图像处理和深度学习技术，提高检测的准确性和实时性，为保障驾驶员的安全提供有力支持。