科研之友
微信
新浪微博
Facebook
分享链接
摘要
目前大多数基于深度学习的疲劳驾驶检测方法在精度上满足一定的需求，但在速度上没有很高的实时性，无法在内存和计算能力有限的车载设备上应用。因此，文中在目标检测网络Yolov5的基础上设计了一个轻量级的网络模型来加速疲劳检测。将Yolov5基准网络替换为高低维度残差模块，在获取更多信息的同时大大减少了计算量，在基准网络中引入SE(Squeeze-and-Excitation)模块，以提高对特征图通道间关系的关注能力。相比其他模型，该轻量级网络模型将睁眼、闭眼、张嘴、闭嘴作为不同的类别，可以直接输出眼睛和嘴巴的开闭状态。利用眼嘴多特征融合判断驾驶员疲劳状态。实验结果表明，优化后的Yolov5模型准确率达到98.82%，检测速度达到每秒37帧，可以用于实时监测。
- 出版日期2023
- 单位太原理工大学
