汽车数量的日益增加致使城市交通拥堵问题越来越严重,交通事故发生率也随之上
升,其中,因疲劳驾驶导致的交通事故高达 42%以上
[1]
。因此,如何有效地检测和预防疲
劳驾驶具有十分重要的现实意义。
现有的疲劳驾驶检测方法大致分为主观法和客观法两类。主观法主要有 Person 疲劳量
表、Cooper-Harper 评估问卷、斯坦福睡眠量表等,该类方法易受驾驶员主观思维的影响,
具有较大的局限性。客观法主要分为基于驾驶员生理特征检测
[2-3]
、基于车辆信息检测
[4-6]
、
基于视觉特征检测
[7-9]
三类。基于驾驶员生理特征的方法是通过检测驾驶员的生理指标如脑
电图、心电图、肌电图等特征来判断疲劳,虽然检测精确度较高,但存在设备昂贵、佩戴
不方便等问题。基于车辆信息的方法是通过检测车辆参数如速度、加速度、方向盘转角等
来判断疲劳,易受车型、道路状况以及驾驶员习惯等因素影响。基于视觉特征的方法是根
据驾驶员的眨眼频率、头部偏移状态以及嘴巴张合度等分析疲劳状态,具有直接检测疲劳
特征、非接触式等优点,但检测结果易受光照、遮挡等复杂环境的影响。
随着近年来深度学习
[10-12]
在目标检测领域的巨大成功,深度学习技术也推动了疲劳驾
驶检测的研究。Zhou 等
[13]
提出一种基于深度学习的疲劳状态识别算法,通过引入深信度网
络来模拟数据分布以及自适应调整网络学习率,从而提高个性化疲劳特征的适应性。文献
[14]提出一种基于卷积神经网络(CNN)的计算 PERCLOS 和眨眼频率的疲劳驾驶检测方法,
采用红外视频检测提高了驾驶员佩戴太阳镜情况下的准确率。大量研究表明,相较于人工
提取的特征,通过深度学习直接从图像中学习的视觉特征表示能够应对光照、姿势等变
化,具有更好的鲁棒性,检测精度显著提高。为此,提出一种基于深度学习的疲劳检测新
方法,该方法使用 MTCNN 和 FEL 网络来实现人脸检测和人眼定位,采用 OC-Net 网络实
现眼睛状态判别,同时结合 PERCLOS 疲劳判断准则和眨眼频率来判断疲劳状态。实验结
果表明,基于深度学习的疲劳检测方法是有效的。
1. CNN
CNN 是深度学习中最具代表性的模型,使用 CNN 对高维度和大数据量的图像处理时
具有较高的效率和准确率。CNN 的网络结构主要包括卷积层、池化层和 FC 层。
1.1 卷积层(convolution layer)
卷积层主要负责特征提取,将输入的数据或特征图通过过滤器进行卷积操作,再经过
非激活函数作用后输出特征图。卷积过程表达式为
其中: w
i
为权值; b
i
为偏置。
1.2 池化层(pooling layer)