使用条件自适应表示学习框架的驾驶员 drowsiness 检测
计算机视觉与模式识别
2019-10-23 v1 机器学习
图像与视频处理
摘要
我们提出一种基于 3D 深度卷积神经网络的驾驶员 drowsiness 检测条件自适应表示学习框架。所提框架由四个模型组成：时空表示学习、场景条件理解、特征融合和 drowsiness 检测。时空表示学习提取可同时描述视频中运动和外观的特征。场景条件理解对与驾驶员和驾驶情境各种条件相关的场景条件进行分类，例如戴眼镜状态、驾驶光照条件以及头、眼、嘴等面部元素的运动。特征融合利用从上述模型提取的两个特征生成条件自适应表示。检测模型使用该条件自适应表示识别驾驶员 drowsiness 状态。条件自适应表示学习框架可比一般表示提取更聚焦于各场景条件的更具判别性的特征，从而使 drowsiness 检测方法在各种驾驶情境下提供更准确结果。所提框架在 NTHU Drowsy Driver Detection 视频数据集上评估。实验结果显示我们的框架优于基于视觉分析的现有 drowsiness 检测方法。
引用
@article{arxiv.1910.09722,
title = {Drivers Drowsiness Detection using Condition-Adaptive Representation Learning Framework},
author = {Jongmin Yu and Sangwoo Park and Sangwook Lee and Moongu Jeon},
journal= {arXiv preprint arXiv:1910.09722},
year = {2019}
}
备注
IEEE Transactions on Intelligent Transportation Systems publication information (2018)