用于驾驶员 drowsiness 检测的长期多粒度深度框架
计算机视觉与模式识别
2018-01-09 v1
摘要
针对从视频中进行真实场景驾驶员 drowsiness 检测，头部姿态变化非常大，以至于现有基于全局人脸的方法无法提取有效特征，例如侧视与低头。先前的方法也很少考虑变长的时间依赖关系，例如打哈欠与说话。本文中，我们提出一种长期多粒度深度框架（Long-term Multi-granularity Deep Framework），用于在包含正面人脸的驾驶视频中检测驾驶员 drowsiness。该框架包括两个关键组件：(1) 多粒度卷积神经网络（MCNN），一种新颖的网络，在不同粒度的对齐人脸块上使用一组并行 CNN 提取器，针对大幅头部姿态变化有效提取人脸表征，并且能灵活融合主要部件的精细外观线索与局部到全局的空间约束；(2) 在人脸表征上应用深度长短期记忆网络，以探索序列帧上变长的长期关系，能够区分具有时间依赖的状态，如眨眼与闭眼。我们的方法在公开 NTHU-DDD 数据集的评测集上达到 90.05% 准确率与约 37 fps 速度，是驾驶员 drowsiness 检测上的最优方法。此外，我们构建了一个名为 FI-DDD 的新数据集，其在时间维度上具有更精确的 drowsiness 位置标注。
引用
@article{arxiv.1801.02325,
title = {Long-term Multi-granularity Deep Framework for Driver Drowsiness Detection},
author = {Jie Lyu and Zejian Yuan and Dapeng Chen},
journal= {arXiv preprint arXiv:1801.02325},
year = {2018}
}