基于驾驶员时序行为与新构建数据集的 drowsiness 检测
计算机视觉与模式识别
2021-04-02 v1
摘要
驾驶员 drowsiness 检测在过去几十年中已成为众多研究的主题，并已开发多种方法进行检测。在本研究中，作为一种具有足够精度且处理迅速的基于图像的方法，我们应用 YOLOv3（You Look Only Once-version3）CNN（卷积神经网络）自动提取面部特征。随后，采用 LSTM（长短期记忆）神经网络学习驾驶员时序行为，包括打哈欠与眨眼时间段以及序列分类。为训练 YOLOv3，我们使用了所收集的数据集并结合迁移学习方法。此外，用于 LSTM 训练过程的数据集由上述 CNN 生成，并格式化为由眨眼与打哈欠时长组成的两维序列。所构建的数据集考虑了诸如光照与驾驶员头部姿态等干扰因素。为进行实时实验，开发了多线程框架以并行运行 CNN 与 LSTM。最终，结果表明 CNN 与 LSTM 混合系统在 drowsiness 检测中的能力以及所提方法的有效性。
引用
@article{arxiv.2104.00125,
title = {Drowsiness Detection Based On Driver Temporal Behavior Using a New Developed Dataset},
author = {Farnoosh Faraji and Faraz Lotfi and Javad Khorramdel and Ali Najafi and Ali Ghaffari},
journal= {arXiv preprint arXiv:2104.00125},
year = {2021}
}