【技术实现步骤摘要】
基于剪枝压缩的疲劳驾驶快速检测方法
本专利技术涉及疲劳驾驶检测
，具体涉及基于剪枝压缩的疲劳驾驶快速检测方法。
技术介绍
驾驶疲劳是指驾驶员在连续行车时间过久后，导致心理和生理机能的失衡，而在客观上影响驾驶操作的现象，主要表现有瞌睡、哈欠等行为。尽管引起驾驶疲劳的因素有许多，但驾驶员一旦出现疲劳，很轻易就能导致重大交通事故。此外，在交通法律法规中，对疲劳驾驶的检测判断是间接的，主要通过连续驾驶时长来判定，具有很大的局限性。因此，很有必要对驾驶员的疲劳状态进行实时检测并给予及时的警示，对维护道路安全具有十分重要的意义。由于深度学习在图片处理、语音识别等领域的突出性能，基于深度学习的疲劳检测已经成为了近年来最主要的研究途径。其中的很多方法是借鉴adaboost级联分类进行的，先对图片多级分类定位出人脸，再做之后脸部其他区域的检测。但由于在实际行车过程中，会有很多光照的变化和驾驶员脸部姿势的复杂变动，以及驾驶员背后的乘客人脸对检测的影响，因此上述方法在一定程度上浪费了前期对图片的特征提取，导致其检测的准确性、实时性和...
【技术保护点】
1.基于剪枝压缩的疲劳驾驶快速检测方法，其特征在于，包括以下步骤：/nS1：采用基本回归树的人脸对比算法，获取各类人脸数据库中的人脸样本数据，构建人脸区域数据集，使用YawDD疲劳驾驶视频数据和CEW闭眼数据集对人脸区域数据集进行扩充；将人脸样本数据中的人脸、眼和嘴部区域进行标注，删除复杂场景；/nS2：定义损失函数，使用K-means算法对标注的脸部和眼部目标框的大小进行聚类，获取若干个先验框；采用YOLO V3模型通过DarkNet-53网络结构对标注后的人脸样本数据进行回归训练，获取若干个预测框；求解预测框位置参数、类别置信度和类别信息；/nS3：在YOLO V3模型...
【技术特征摘要】
1.基于剪枝压缩的疲劳驾驶快速检测方法，其特征在于，包括以下步骤：
S1：采用基本回归树的人脸对比算法，获取各类人脸数据库中的人脸样本数据，构建人脸区域数据集，使用YawDD疲劳驾驶视频数据和CEW闭眼数据集对人脸区域数据集进行扩充；将人脸样本数据中的人脸、眼和嘴部区域进行标注，删除复杂场景；
S2：定义损失函数，使用K-means算法对标注的脸部和眼部目标框的大小进行聚类，获取若干个先验框；采用YOLOV3模型通过DarkNet-53网络结构对标注后的人脸样本数据进行回归训练，获取若干个预测框；求解预测框位置参数、类别置信度和类别信息；
S3：在YOLOV3模型中引入BatchNormalization层，对BatchNormalization层中的缩放因子γ进行L1正则化处理，判别出不重要的卷积通道或神经元通道；根据初始网络规模及实际问题复杂程度，设定阈值，当其重要性小于阈值时，将相关通道剪掉；稀疏化训练后根据剪枝率对模型进行剪枝压缩，之后再对剪枝后的模型进行微调；
S4：采集驾驶员的驾驶视频流，按帧提取视频图片并放入剪枝微调后的YOLOV3模型，采用检测到的闭眼图片数量在单位时间内所检测图片数量的占比来进行眼部疲劳判定；采用检测到的嘴部张开图片数量在单位时间内所检测图片数量的占比来进行嘴部哈欠判定，根据眼部疲劳判定和嘴部哈欠判定结果进行判断是否属于疲劳驾驶。
2.根据权利要求1所述的基于剪枝压缩的疲劳驾驶快速检测方法，其特征在于，所述S2中每个预测框的目标置信度如下：
其中，obj表示目标种类，一共5类，p(obj)表示网格是否存在该种类目标，存在时其值为1，不存在时其值为0；表示预测框Box(pred)和真实值Box(truth)的交并比。
3.根据权利要求1所述的基于剪枝压缩的疲劳驾驶快速检测方法，其特征在于，所述S2中还包括回归边框转换：
bx＝σ(tx)+cx；
by＝σ(ty)+cy；
其中，tx和ty表示预测的坐标偏移值；pw和ph表示尺度缩放；bx、by、bw和bh表示目标的框体坐标和大小；σ(t)表...
【专利技术属性】
技术研发人员：戴丽珍，郭建钦，杨刚，杨辉，陆荣秀，李中奇，徐芳萍，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：江西;36
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。