基于YOLOv3算法的驾驶员疲劳驾驶状态检测方法技术

本发明专利技术公开了一种基于YOLOv3算法的驾驶员疲劳驾驶状态检测方法，通过对YOLOv3模型进行改进，采用空洞卷积代替原始卷积拓展卷积核的感受野，同时使用dropblock代替dropout作为新的正则规则防止网络过盈，构思了循环训练和标签新设的训练策略，并使用Mobilenet

【技术实现步骤摘要】
基于YOLOv3算法的驾驶员疲劳驾驶状态检测方法


[0001]本专利技术涉及模式识别
，尤其涉及基于YOLOv3算法的驾驶员疲劳驾驶状态检测方法。

技术介绍

[0002]疲劳驾驶(由于睡眠不足或长时间持续驾驶造成的反应能力下降)是造成交通事故的诱因之一。据统计，21％的交通事故是由于疲劳驾驶引起的，尤其是在高速公路上，疲劳驾驶引发的交通事故达到30％以上；50％的人都有过疲劳驾驶的经历。因此怎样解决因疲劳驾驶引发的交通问题尤为重要，而通过检测驾驶员的驾驶状态，及时提醒驾驶员不失为一种高效的方式。
[0003]检测驾驶员疲劳的传统方式主要为通过检测方向盘的操作特征和根据车辆的行驶轨迹，来判断驾驶员是否疲劳，通过检测方向盘的操作特征来判断驾驶员是否疲劳的方法目前只在部分奔驰车系中有所应用，使用范围有效，而根据车辆的行驶轨迹来判断驾驶员是否疲劳这种判断方法，在判断得出驾驶员疲劳时车辆行驶轨迹已经出现了异常，此时出现交通事故的概率相对来说已经比较大了，无法达到提前预测和预警的效果。

技术实现思路

[0004]针对上述存在的问题，本专利技术旨在提供一种基于YOLOv3算法的驾驶员疲劳驾驶状态检测方法，可对驾驶员的疲劳状态进行预测，从而降低交通事故发生的概率。
[0005]为了实现上述目的，本专利技术所采用的技术方案如下：
[0006]基于YOLOv3算法的驾驶员疲劳驾驶状态检测方法，其特征在于，包括以下步骤，
[0007]S1：采集驾驶员的面部图像；
[0008]S2：利用改进后的YOLOv3模型对驾驶员的面部图像进行识别，得到驾驶员的眼状态和口状态；
[0009]S3：根据驾驶员的眼状态和口状态，对驾驶员的疲劳状态进行确定。
[0010]进一步的，步骤S2中所述的眼状态包括张和闭，口状态也包括张和闭。
[0011]进一步的，步骤S2中所述的改进后的YOLOv3模型中的建立方法包括以下步骤，
[0012]步骤a：使用空洞卷积替代YOLOv3模型DarkNet53主干网络的卷积操作；
[0013]步骤b：采用dropblock正则训练策略替代YOLOv3模型的三点式训练策略；
[0014]步骤c：使用MobileNetV3网络结构替代DarkNet53主干网络结构。
[0015]进一步的，步骤b中所述的dropblock正则训练策略的训练方法包括以下步骤，
[0016]步骤b1：将数据集图像运用训练好的权重进行逐张预测，得到预测框的位置，提取原标签的先验框的位置并与得到的预测框的位置进行比对，设立阈值n；
[0017]步骤b2：若预测框的位置落在以先验框四个顶点为圆心半径为n的圆上，且预测框的宽和高分别处在[w,w+n]和[h+n]区间内，眼和口的预测框也均存在，则取对应的图像为正样本，否则，取对应的的图像为负样本；式中，w和h分别为先验框的宽和高。
[0018]进一步的，步骤S2中利用改进后的YOLOv3模型对驾驶员的面部图像进行识别，得到驾驶员的眼状态和口状态的具体操作包括以下步骤，
[0019]S201：将步骤S1中采集到的驾驶员面部图像输入到改进后的YOLOv3模型中，驾驶员面部图像尺寸为640x480；
[0020]S202：根据改进后的YOLOv3模型的检测尺度20x15、40x30和80x60，将驾驶员面部图像生成10647个先验框；
[0021]S203：在先验框集合中选择一个最高分数的先验框A，计算先验框A与其他先验框的重合度，去除重合度超过阈值的先验框，并经先验框A标记为保留的先验框，在先验框集合中除去先验框A；
[0022]S204：重复步骤S203，直至找到所有保留的先验框；
[0023]S205：根据所有的先验框得到眼和口的三个预测值，也即眼状态和口状态。
[0024]进一步的，驾驶员的疲劳状态包括放松、轻度疲倦、高度疲倦和极度疲倦。
[0025]进一步的，驾驶员的眼和口状态分别为张和闭时为放松状态，驾驶员的眼和口状态均为张时为轻度疲倦状态，驾驶员的眼和口状态分别为闭和张时为高度疲倦状态，驾驶员的眼和口状态均为闭时为极度疲倦状态。
[0026]本专利技术的有益效果是：
[0027]1、本专利技术中提出了一种基于YOLOv3模型的驾驶员疲劳驾驶状态检测方法，通过对眼口位置张合度进行目标检测，检测出眼睛的状态为闭合或张开，口的状态为闭合或张开，把目标检测从人脸较宽范围转化为五官的小范围，进而检测出驾驶员的疲劳程度，将疲劳程度进行分类，便于对驾驶员提出预警，降低因疲劳驾驶引发交通事故的概率。
[0028]2、本专利技术中改进后的YOLOv3模型采用空洞卷积代替原始卷积拓展卷积核的感受野，同时使用dropblock代替dropout作为新的正则规则防止网络过盈，构思了循环训练和标签新设的训练策略，并使用Mobilenet
‑
V3代替DarkNet53作为骨干网络，实现了算法的轻量化，具有更好的精度和鲁棒性，在对输入图像进行检测时，可以降低漏检率。
附图说明
[0029]图1为本专利技术中驾驶员眼状态和口状态检测结构示意图。
[0030]图2为本专利技术中改进后的Yolov3模型网络结构示意图。
[0031]图3为本专利技术中DarkNet53网络结构示意图。
[0032]图4为本专利技术中残差组件结构示意图。
[0033]图5为本专利技术中目标检测参数示意图。
[0034]图6为本专利技术中预测框与先验框之间的位置关系示意图。
[0035]图7为本专利技术中空洞卷积与传统卷积对比示意图。
[0036]图8为本专利技术中不同正则训练策略的结果对比图。
[0037]图9为本专利技术中循环训练和标签新设的YOLOV3训练策略算法原理图。
[0038]图10为本专利技术中循环训练示意图。
[0039]图11为本专利技术中Mobilenet
‑
V3的SE结构示意图。
[0040]图12为本专利技术中mobilenetV2与MobilenetV3网络结构对比图。
[0041]图13为本专利技术实施例中DarkNet53和MobilenetV3的mAp值对比结果。
[0042]图14为本专利技术实施例中DarkNet53和MobilenetV3对输入图像的检测效果对比图。
具体实施方式
[0043]为了使本领域的普通技术人员能更好的理解本专利技术的技术方案，下面结合附图和实施例对本专利技术的技术方案做进一步的描述。
[0044]基于YOLOv3算法的驾驶员疲劳驾驶状态检测方法，包括以下步骤，
[0045]S1：采集驾驶员的面部图像，具体可采用车载摄像头对驾驶员的面部图像进行采集，且车载摄像头采集到的驾驶员面部图像可输出至其他终端进行相应的识别和检测，该操作步骤属于现有技术，本申请中不做赘述。
[0046]S2：利用改进后的YOLOv本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于YOLOv3算法的驾驶员疲劳驾驶状态检测方法，其特征在于，包括以下步骤，S1：采集驾驶员的面部图像；S2：利用改进后的YOLOv3模型对驾驶员的面部图像进行识别，得到驾驶员的眼状态和口状态；S3：根据驾驶员的眼状态和口状态，对驾驶员的疲劳状态进行确定。2.根据权利要求1所述的基于YOLOv3算法的驾驶员疲劳驾驶状态检测方法，其特征在于：步骤S2中所述的眼状态包括张和闭，口状态也包括张和闭。3.根据权利要求2所述的基于YOLOv3算法的驾驶员疲劳驾驶状态检测方法，其特征在于，步骤S2中所述的改进后的YOLOv3模型中的建立方法包括以下步骤，步骤a：使用空洞卷积替代YOLOv3模型DarkNet53主干网络的卷积操作；步骤b：采用dropblock正则训练策略替代YOLOv3模型的三点式训练策略；步骤c：使用MobileNetV3网络结构替代DarkNet53主干网络结构。4.根据权利要求3所述的基于YOLOv3算法的驾驶员疲劳驾驶状态检测方法，其特征在于，步骤b中所述的dropblock正则训练策略的训练方法包括以下步骤，步骤b1：将数据集图像运用训练好的权重进行逐张预测，得到预测框的位置，提取原标签的先验框的位置并与得到的预测框的位置进行比对，设立阈值n；步骤b2：若预测框的位置落在以先验框四个顶点为圆心半径为n的圆上，且预测框的宽和高分别处在[w,w+n]和[h+n]区间内，眼和口的预测框也均存在，则取对应...

【专利技术属性】
技术研发人员：刘扬，潘勇浩，彭然，刘芩利，弓欣瑶，陈名伟，谢天宇，蒲海波，危疆树，伍茜茜，蒋凯林，李丹阳，秦雷，
申请(专利权)人：四川农业大学，
类型：发明
国别省市：