【技术实现步骤摘要】
一种基于LSTM和SSD轻量化网络结合的疲劳检测方法
[0001]本专利技术涉及神经网络和深度学习的
,具体涉及一种基于LSTM和SSD轻量化网络结合的疲劳检测方法。
技术介绍
[0002]疲劳驾驶是指由于长时间连续驾驶、不良的睡眠质量、身体疲劳等因素导致驾驶员在驾驶过程中出现注意力不集中、反应迟缓、思维不清晰、眼睛发涩等症状,甚至出现昏睡、失去意识等现象的行为。这是一种及其危险的驾驶行为,容易引发交通事故,严重危害驾驶员和他人的生命财产安全。因此,对于驾驶员的疲劳状态进行有效的监测和预警具有重要的意义。
[0003]一些已有的疲劳检测技术主要基于驾驶员的生理参数或车辆运动参数,例如测量心率、瞳孔反应、脑电波等生理参数或监测车辆加速度、转向角度等运动参数。然而,这些方法需要专业设备的支持,成本高昂,无法广泛普及。随着深度学习热潮的影响,计算机视觉算法也在疲劳驾驶检测中得到了广泛应用。例如,卷积神经网络(CNN)和长短时记忆网络(LSTM)等算法,可以通过分析驾驶员的面部表情、眼部状态、头部姿态等特征来判断驾驶员的疲劳程度。
[0004]然而利用计算机视觉方式进行疲劳驾驶检测存在一些问题。首先,训练深度学习模型需要大量的标注数据,然而标注数据的获取难度较大,往往需要大量的人工劳动。其次,算法的鲁棒性仍然需要进一步提高,例如算法可能受到光线、遮挡等环境因素的干扰。此外,算法的泛化能力还需要进一步提升,例如在不同的人群和不同的场景下,算法的准确率可能存在差异。由于深度学习算法的复杂性,其计算量和内存占 ...
【技术保护点】
【技术特征摘要】
1.一种基于LSTM和SSD轻量化网络结合的疲劳检测方法,其特征在于,包括:S1:制作图片数据集与文本标签数据集;S2:分别搭建SSD网络模型和LSTM网络模型;S3:分别对图片和文本数据进行数据预处理;S4:分别对SSD网络模型和LSTM网络模型进行训练;S5:使用SSD网络模型和LSTM网络模型进行模型疲劳预测。2.根据权利要求1所述的一种基于LSTM和SSD轻量化网络结合的疲劳检测方法,其特征在于,所述S1中,图片数据集包括自采数据集、YAWDD公开数据集以及网络来源数据集;文本标签数据集包括随机出现的open_eye、closed_eye、open_mouth、closed_mouth、yaw这五个字符串,生成90个字符串为一个独立语句;为使生成的语句符合驾驶员表情规律,设置了不同的字符串概率;其中,字符串出现的概率分别约为open_eye:62.2%、closed_eye:3.9%、open_mouth:16.5%、closed_mouth:16.5%、yaw:0.7%,统计生成了10000条文本语句,每条语句为90个字符串。3.根据权利要求2所述的一种基于LSTM和SSD轻量化网络结合的疲劳检测方法,其特征在于,对整合好的图片数据集进行标签的划分,使用LabelImg图像标注工具对司机人脸的眼睛、嘴巴进行框选标记,根据眼睛、嘴巴状态设计了open_eye、closed_eye、open_mouth、closed_mouth、yaw五种状态标签,一张图片标记三个目标框,三个标签,生成xml格式的标签文件;编写标签处理脚本,逐行查阅文本语句,对语句中关键信息如closed_eye、yaw进行统计,若发现yaw则判定为疲劳正样本,标记为1,若发现closed_eye大于22次,则判定为疲劳正样本,标记为1,其余为0。4.根据权利要求1所述的一种基于LSTM和SSD轻量化网络结合的疲劳检测方法,其特征在于,所述S2中,将SSD网络模型中的主干网络VGG16替换成GhostNet,并为SSD网络模型添加注意力机制CBAM和ECA两种注意力机制;搭建LSTM网络模型步骤包括定义LSTM的输入和输出维度,输入维度是指每个时间步的特征向量的维度,输出维度是指每个时间步的隐藏状态向量的维度;接下来,定义LSTM的参数,包括隐藏状态的维度、网络层数、每个时间步的输入和输出维度;然后,定义LSTM的结构,LSTM由输入门、遗忘门和输出门组成,每个门都是一个神经网络结构,并指定这些门的参数,包括门的输入维度、输出维度、激活函数和权重等,最后将定义好的LSTM结构利用PyTorch中的nn.Module模块堆叠LSTM层...
【专利技术属性】
技术研发人员:尚文利,温永辉,张曼,曹忠,丁磊,浣沙,李淑琦,时昊天,
申请(专利权)人:广州大学,
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。