基于级联卷积神经网络的疲劳检测
基于计算机视觉的疲劳检测具有低侵入性、低成本的优点,然而光照变化、面部表情、复杂背景等仍然对检测率造成很大的影响.以卷积神经网络为代表的深度学习以其较强的特征提取能力和鲁棒性在模式识别领域取得了成功的应用.本文提出了一种基于级联卷积神经网络(CNN)结构的疲劳检测算法.首先训练第1级网络实现人眼与非人眼的分类,使网络充分学习人眼特征,当输入目标图像时,人眼区域能快速从第一级网络特征图中分离出来;然后将人眼图像传送给第2级网络检测眼部特征点位置,计算眼睛张开度并以此判断测试者眼睛状态,构造疲劳检测模型;最后根据连续多帧的眼睛状态序列,判断测试者是否处于疲劳状态.在检测误差为5%时,眼部4个特征点的平均检测正确率为93.10%,单点检测正确率最高可达97.14%.测试结果表明,在本文提出方法下眼睛的清醒和疲劳状态有明显的不同,证明本文提出的方法有效可行,具有较好的应用前景.
疲劳检测、卷积神经网络(CNN)、级联结构、特征点检测
28
TP391.4(计算技术、计算机技术)
国家自然科学基金;教育部重点;浙江省教育教学改革资助项目
2017-06-30(万方平台首次上网日期,不代表论文的发表时间)
共6页
497-502