实时疲劳检测算法使用机器学习来检测打和眼睛状态

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 交通安全 交通安全

背景情况:

• 昏昏欲睡的驾驶是交通事故的重要原因,导致认知功能受损和风险增加.
• 现有的驾驶员监控系统往往缺乏实时,非侵入性的疲劳检测能力.

研究的目的:

• 分析基于卷积神经网络 (CNN) 的司机实时,非侵入性嗜睡检测系统.
• 评估系统在从车载视频数据中识别疲劳指标方面的有效性.

主要方法:

• 使用卷积神经网络 (CNN) 架构来检测嗜睡.
• 采用Haar级联分类器用于面部区域提取和用于疲劳诊断的高级图像处理.
• 在考虑不同的照明和面部角度的不同数据集上训练了系统.

主要成果:

• 在检测驾驶员昏昏欲睡时,测试准确度达到了96.54%.
• 证明了行为指标的有效性,如打哈欠频率和眼睛状态检测.
• 在不同的条件下验证了系统的性能.

结论:

• 基于CNN的架构有效地解决了公共安全问题,例如昏昏欲睡的驾驶事故.
• 开发的系统代表了驾驶员监控和道路安全的重大进步.
• 未来的工作可以结合额外的行为和生理测量,以提高检测.