使用新型深度卷积神经网络模型检测驾驶员的昏昏欲睡
Fiaz Majeed1, Umair Shafique1, Mejdl Safran2
1Department of Information Technology, University of Gujrat, Gujrat 50700, Pakistan.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
这项研究引入了一种新的深度神经网络,用于通过面部运动检测驾驶员的昏昏欲睡. 拟议的卷积神经网络 (CNN) 模型实现了高精度,通过改进的打哈欠检测提高了道路安全.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 交通运输安全 运输安全
背景情况:
- 司机昏昏欲睡是道路交通事故的主要原因之一.
- 现有的昏昏欲睡检测系统需要提高准确性.
- 像口腔和眼睛运动这样的行为特征是疲劳的关键指标.
研究的目的:
- 提出一种新的深度神经网络架构,用于检测驾驶员的昏昏欲睡.
- 通过准确识别昏昏欲睡的司机来提高交通安全.
- 利用面部行为特征来提高检测准确度.
主要方法:
- 一个卷积神经网络 (CNN) 架构被开发用于昏昏欲睡的检测.
- 使用DLIB库提取面部地标并计算口腔尺寸比 (MAR).
- 应用了数据增强技术,以解决"yawning"和"no_yawning"类数据集的限制.
主要成果:
- 拟议的CNN模型在昏昏欲睡检测任务中实现了96.69%的平均准确性.
- 在原始和增强数据集上进行培训和测试,证明了数据增强对性能的影响.
- 与现有的最先进的方法相比,该模型显示出更高的性能.
结论:
- 开发的CNN模型为驾驶员昏昏欲睡的检测提供了一个高度准确的解决方案.
- 这种方法有效地利用面部行为特征 (MAR) 来监测疲劳.
- 这项研究有助于开发更强大,更可靠的驾驶员安全系统.
