【技术实现步骤摘要】
基于YOLOv3算法的疲劳驾驶状态检测算法
[0001]本专利技术涉及模式识别领域，尤其涉及一种基于YOLOv3算法的疲劳驾驶状态检测算法。
技术介绍
[0002]近年来由于疲劳驾驶而导致的交通事故占总交通事故的40%以上，疲劳驾驶检测技术的研究已经变得越来越重要，但是现有的技术中存在算法复杂，不能实时监测或者检测识别率较低的问题，需要有反映更迅速、识别成功率更高的检测方法。
[0003]在现有的疲劳检测技术中，如周惠等在2015年的文章《基于深度学习的疲劳状态识别算法》所提出的技术在面对输入的图片数据比较大时不能很好的进行快速检测，也有一些改进的算法但是并不能满足在实时检测方面的需求。
[0004]YOLOv3算法是神经网络中一个优良的目标检测算法，YOLO算法的核心思想就是利用整张图作为网络的输入，直接在输出层回归 bounding box（边界框）的位置及其所属的类别。其改进的最新一代YOLOv3的先验检测系统将分类器或定位器重新用于执行检测任务。他们将模型应用于图像的多个位置和尺度。而那些评分较高的区...
【技术保护点】
【技术特征摘要】
1.基于YOLOv3算法的疲劳驾驶状态检测算法，其特征在于：具体方案如下：分为检测、分类、决策三个方面，其中检测部分包括人脸检测与特征点的提取，采用YOLOv3算法所搭建的卷积神经网络与Landmark算法来实现；分类部分包含数据采集、模型训练和疲劳特征分类；当采集眼部和嘴部不同状态的数据集后，采用SVM算法训练模型，最终实现疲劳特征分类；决策部分使用Perclos疲劳判断准则判断疲劳状态：（1）图像特征点检测提取算法：人脸检测是将图片中的人脸位置和大小检测出，并做标记；本算法采用YOLOv3算法实现人脸检测：首先将训练图片作为网络的输入来训练深度卷积神经网络模型，用来提取图像的特征；再将提取的特征输入到分类器中进行分类，从而实现待检测图像最终的分类结果和添加标签；在获取到人脸图像之后采用Landmark算法对人脸68个特征点进行检测，实现人脸眼部和嘴部特征点位置的定位；（2）基于SVM算法的眼部嘴部疲劳特征分类：通过采集眼睛睁开和闭合两种状态的EAR 数据集以及嘴部张开间距的数据集来判断疲劳程度；用SVM算法进行眼睛、嘴巴的张开与闭合两种状态的典型模型训练，实现眼部、嘴部疲劳特征分类；6个特征点P1~P6 是人脸特征点中对应眼...
【专利技术属性】
技术研发人员：徐江涛，路凯歌，高静，聂凯明，史再峰，
申请(专利权)人：天津大学青岛海洋技术研究院，
类型：发明
国别省市：
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。