实时驾驶员昏昏欲睡检测使用面部分析和机器学习技术
Siham Essahraui1, Ismail Lamaakal1, Ikhlas El Hamly1
1Multidisciplinary Faculty of Nador, Mohammed Premier University, Oujda 60000, Morocco.
Sensors (Basel, Switzerland)
|February 13, 2025
概括
这项研究引入了使用面部分析和机器学习的实时,非侵入性驾驶员昏昏欲睡检测系统. 像YOLOv5和YOLOv8这样的先进计算机视觉模型实现了卓越的性能,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
- 道路安全工程 道路安全工程
背景情况:
- 昏昏欲睡的驾驶是全球主要的道路安全问题,导致许多事故和死亡.
- 现有的驾驶员昏昏欲睡检测 (DDD) 系统经常受到侵入性和缓慢响应时间的影响.
研究的目的:
- 开发和评估一个实时,非侵入性的驾驶员昏昏欲睡的检测系统.
- 系统地评估各种机器和深度学习算法对DDD性能.
主要方法:
- 利用面部分析和机器学习技术来检测昏昏欲睡.
- 评估K-最近邻居 (KNN),支持向量机器 (SVM),卷积神经网络 (CNN) 和先进的计算机视觉 (CV) 模型 (YOLOv5,YOLOv8,更快的R-CNN).
- 在NTHUDDD,YawDD和UTA-RLDD公共数据集上测试了算法.
主要成果:
- 在UTA-RLDD上,KNN实现了98.89%的准确性,99.27%的精度和98.86%的F1得分.
- 在UTA-RLDD上,YOLOv5和YOLOv8表现出100%的精度和回忆率为99.5%mAP@0.5.
- 更快的R-CNN在UTA-RLDD上显示出较低的性能,准确率为81.0%,精度为63.4%.
结论:
- 先进的CV模型,特别是YOLOv5和YOLOv8,显示出对高精度,实时驾驶员昏昏欲睡的检测有很大的希望.
- 开发的系统有潜力通过主动的实时警报大大提高道路安全.
