基于视觉 Transformer 与 YoloV5 的驾驶员 drowsiness 检测框架
计算机视觉与模式识别
2022-09-07 v1
摘要
由于独特的驾驶特质，人类驾驶员具有不同的驾驶技巧、知识与情感。驾驶员 drowsiness 一直是危及道路安全的严重问题；因此，设计一种有效的 drowsiness 检测算法以避免道路交通事故至关重要。已有各类研究尝试通过计算机视觉技术检测异常人类驾驶员行为，以检查驾驶员正面面部与车辆动态。然而，传统方法无法捕捉复杂的驾驶员行为特征。随着深度学习架构的出现，已有大量研究利用神经网络算法分析与识别驾驶员 drowsiness。本文提出了一种基于视觉 transformers 与 YoloV5 架构的驾驶员 drowsiness 识别新框架。提出了一种定制的 YoloV5 预训练架构用于人脸提取，旨在提取感兴趣区域（ROI）。鉴于先前架构的局限性，本文引入视觉 transformers 进行二值图像分类，并在公开数据集 UTA-RLDD 上训练与验证。该模型训练与验证准确率分别达到 96.2% 与 97.4%。为进一步评估，所提框架在包含 39 名参与者、不同光照条件下的定制数据集上测试，取得了 95.5% 的准确率。实验揭示了我们的框架在智能交通系统实际应用中的显著潜力。
引用
@article{arxiv.2209.01401,
title = {Vision Transformers and YoloV5 based Driver Drowsiness Detection Framework},
author = {Ghanta Sai Krishna and Kundrapu Supriya and Jai Vardhan and Mallikharjuna Rao K},
journal= {arXiv preprint arXiv:2209.01401},
year = {2022}
}