面向基于鲁棒深度学习模型的驾驶员疲劳评估

在本文中，我们探索不同的基于深度学习的方法来检测驾驶员疲劳。在美国，疲劳驾驶每年导致约 72,000 起撞车事故和 44,000 人受伤，检测困倦并提醒驾驶员可以挽救许多生命。已有许多检测疲劳的方法，其中眼睛闭合检测是一种。我们提出一个框架，将捕获的相机帧中的眼睛闭合检测作为检测困倦的入口。我们探索了两个不同数据集来检测眼睛闭合。我们使用新的 Eye-blink 数据集开发了一个眼睛模型，并使用 Closed Eyes in the Wild (CEW) 开发了一个人脸模型。我们还探索了通过添加噪声使模型更鲁棒的不同技术。我们的眼睛模型达到了 95.84% 的准确率，人脸模型达到了 80.01% 的准确率。我们还看到，通过对抗训练和数据增强，我们可以将人脸模型的准确率提高 6%。我们希望我们的工作对驾驶员疲劳检测领域有所帮助，以避免与疲劳驾驶相关的潜在车辆事故。