一种基于YOLO神经网络的驾驶员疲劳检测方法技术

本发明专利技术涉及计算机视觉技术领域，特别涉及一种基于YOLO神经网络的驾驶员疲劳检测方法，包括如下步骤：制作眨眼图片训练数据集；将所述数据集中的眨眼图片使用roboflow对图片进行标注；基于所述数据集，利用YOLOv5算法建立训练模型；将标注后的眨眼图片输入到训练模型中对模型进行训练；在训练模型成熟之后，基于所述训练模型建立判别模型；将判别模型接入驾驶室的监控摄像头进行实时监测和预警。对于驾驶员疲劳的识别效果较好，有效地减少事故发生。生。生。

【技术实现步骤摘要】
一种基于YOLO神经网络的驾驶员疲劳检测方法


[0001]本专利技术属于计算机视觉
，特别涉及一种基于YOLO神经网络的驾 驶员疲劳检测方法。

技术介绍

[0002]交通事故已经被公认为是危害当今人类生命安全的第一大公害。根据交通 事故统计分析表明，交通事故中80％
‑
90％是人为因素造成的，驾驶员疲劳驾驶 更会使车祸发生的可能性成倍的增加，大约48％的车祸时由驾驶员疲劳驾驶造 成的。研究表明，交通事故通常就发生在几秒钟的时间内，如果能提前2秒钟预 警将能减少92％的交通事故，提前0.5秒钟预警，将会避免73％的交通事故。
[0003]现有的检测技术针对疲劳驾驶目前没有很精确的判别标准，而且采用的检 测技术相对比较保守，只通过简单的人脸识别便作出最终结果的判断，不仅识 别方法精确度低，而且很容易造成检测失误。

技术实现思路

[0004]针对上述问题，本专利技术提供了一种基于YOLO神经网络的驾驶员疲劳检测 方法，包括如下步骤：
[0005]制作眨眼图片训练数据集；
[0006]将所述数据集中的眨眼图片使用roboflow对图片进行标注；
[0007]基于所述数据集，利用YOLOv5算法建立训练模型；
[0008]将标注后的眨眼图片输入到训练模型中对模型进行训练；
[0009]在训练模型成熟之后，基于所述训练模型建立判别模型；
[0010]将判别模型接入驾驶室的监控摄像头进行实时监测和预警。
[0011]优选的，其中，所述数据集中包括训练集、验证集和测试集；
[0012]所述训练模型中包括YOLO神经网络。
[0013]优选的，从眨眼图片训练数据集中获取数量为N
×
n的原始眨眼数据DEO， 其中N是样本个数，n是眨眼频率等级分类数，沿原始眨眼数据的时间维使用 步长为h+δ的滑窗，获得L个大小为TE
×
E的眨眼数据DE，其中，h表示固 定步长，δ表示随机扰动，TE＝FE
×
t，TE表示眨眼数据的帧数，FE表示眼 动仪的采样率，t表示采集的时间，E表示眨眼数据的维度大小；
[0014]从眨眼图片训练数据集中获取数量为N
×
n的原始眨眼数据DIO，根据获 取的眨眼数据DE的时间戳，提取对应的L个大小为TI
×
I的眨眼数据DI，其 中，TI＝FI
×
t，TI表示眨眼数据的帧数，FI表示每秒传输帧数FPS，t表示采 集的时间，I表示眨眼数据的维度大小；
[0015]从眨眼图片训练数据集中获取数量为N
×
n的原始深度数据DPO，根据中 获取的眨眼数据DI，提取对应的L个大小为TI
×
P的深度数据DP，其中P表 示深度数据的维度大小；
[0016]从眨眼图片训练数据集中获取与眨眼数据DE对应的眨眼频率等级标签；
[0017]从眨眼数据DE，眨眼数据DI和深度数据DP中分别获取3L/5组的训练眨 眼数据DEtrain，训练眨眼数据DItrain和训练深度数据DPtrain，将该训练眨眼 数据DEtrain，训练眨眼数据DItrain和训练深度数据DPtrain组成训练集，并将 该训练集与对应的眨眼频率等级标签组成训练样；
[0018]从眨眼数据DE，眨眼数据DI和深度数据DP中分别获取1L/5组的验证眨 眼数据DEval，验证眨眼数据DIval和验证深度数据DPval，将该验证眨眼数据 DEval，验证眨眼数据DIval和验证深度数据DPval组成验证集，并将验证集与 对应的眨眼频率等级标签组成验证样本集；
[0019]从眨眼数据DE，眨眼数据DI和深度数据DP中分别获取1L/5组的测试眨 眼数据DEtest，测试眨眼数据DItest和测试深度数据DPtest，将该测试眨眼数 据DEtest，测试眨眼数据DItest和测试深度数据DPtest组成测试集。
[0020]优选的，所述训练集、验证集和测试集中的图片数量比为：6:2:2。
[0021]优选的，训练模型中包括训练算法，该训练算法包括如下步骤：
[0022]首先将输入训练集中的眨眼图片resize到448x448；
[0023]然后分隔后的眨眼图片送入CNN网络；
[0024]最后处理网络预测结果得到检测的目标；
[0025]然后将验证集输入训练模型中进行验证目标准确性；
[0026]最后用测试集中的图片进行测试。
[0027]优选的，所述判别模型中包括：初级判断模块和确认判断模块；其中，初 级判断模块用于初步判断驾驶员的疲劳度，之后，转入确认判断模块进行最终 确认。
[0028]优选的，还包括检测系统，所述检测系统与判别模型连接，所述检测系统 连接有报警系统。
[0029]本专利技术的有益效果是：
[0030]在本专利技术中基于YOLOv5算法制作数据集；并基于数据集建立训练模型， 并基于训练模型建立判别模型，将所述数据集中的眨眼图片使用roboflow对图 片进行标注；输入到训练模型中对模型进行训练；在训练模型成熟之后，基于 所述训练模型建立判别模型；将判别模型接入驾驶室的监控摄像头进行实时监 测和预警，该模型对于驾驶员疲劳的识别效果较好，有效地减少事故发生。
[0031]本专利技术的其它特征和优点将在随后的说明书中阐述，一并且，部分地从一说明 书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可 通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
[0032]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施 例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描 述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出 创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术检测方法的流程图。
具体实施方式
[0033]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术 实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地说明，显然， 所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中 的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其 他实施例，都属于本专利技术保护的范围。
[0034]本专利技术实施例中提出了一种基于YOLO神经网络的驾驶员疲劳检测方法， 包括如下步骤：
[0035]制作眨眼图片训练数据集；
[0036]将所述数据集中的眨眼图片使用roboflow对图片进行标注；
[0037]基于所述数据集，利用YOLOv5算法建立训练模型；
[0038]将标注后的眨眼图片输入到训练模型中对模型进行训练；
[0039]在训练模型成熟之后，基于所述训练模型建立判别模型；
[0040]将判别模型接入驾驶室本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLO神经网络的驾驶员疲劳检测方法，其特征在于，包括如下步骤：制作眨眼图片训练数据集；将所述数据集中的眨眼图片使用roboflow对图片进行标注；基于所述数据集，利用YOLOv5算法建立训练模型；将标注后的眨眼图片输入到训练模型中对模型进行训练；在训练模型成熟之后，基于所述训练模型建立判别模型；将判别模型接入驾驶室的监控摄像头进行实时监测和预警。2.根据权利要求1所述的一种基于YOLO神经网络的驾驶员疲劳检测方法，其特征在于，其中，所述数据集中包括训练集、验证集和测试集；所述训练模型中包括YOLO神经网络。3.根据权利要求2所述的一种基于YOLO神经网络的驾驶员疲劳检测方法，其特征在于，从眨眼图片训练数据集中获取数量为N
×
n的原始眨眼数据DEO，其中N是样本个数，n是眨眼频率等级分类数，沿原始眨眼数据的时间维使用步长为h+δ的滑窗，获得L个大小为TE
×
E的眨眼数据DE，其中，h表示固定步长，δ表示随机扰动，TE＝FE
×
t，TE表示眨眼数据的帧数，FE表示眼动仪的采样率，t表示采集的时间，E表示眨眼数据的维度大小；从眨眼图片训练数据集中获取数量为N
×
n的原始眨眼数据DIO，根据获取的眨眼数据DE的时间戳，提取对应的L个大小为TI
×
I的眨眼数据DI，其中，TI＝FI
×
t，TI表示眨眼数据的帧数，FI表示每秒传输帧数FPS，t表示采集的时间，I表示眨眼数据的维度大小；从眨眼图片训练数据集中获取数量为N
×
n的原始深度数据DPO，根据中获取的眨眼数据DI，提取对应的L个大小为TI
×
P的深度数据DP，其中P表示深度数据的维度大小；从眨眼图片训练数据集中获取与眨眼数据DE对应的眨眼频率等级标签；从眨眼数据D...

【专利技术属性】
技术研发人员：余曼，吴玲，燕姣，
申请(专利权)人：西安航空学院，
类型：发明
国别省市：