融合特征增强与DeepSort的疲劳驾驶检测跟踪算法
为了提高疲劳驾驶检测过程中面部特征识别的连续检测性和鲁棒性,降低车载终端的配置需求,设计了一种轻量化的人脸检测跟踪方法用于驾驶员疲劳检测.首先,采用 MobileNetv3-Small 作为面部特征提取主干轻量化网络模型,引入简单无参数注意力模块(simple,parameter-free attention module,SimAM)和深度超参数化卷积(depthwise over-parameterized convolutional,DOConv)构建特征映射和轻量化特征增强模块深度优化和关注人脸区域信息.然后融合 DeepSort 进行连续分类跟踪,优化面部遮挡对检测性能的影响.接着将人脸特征检测和关键点结合,根据单位时间内眼睛闭合时间百分比(percentage of eyelid closure over the pupil over time,PERCLOS)疲劳阈值、连续闭眼帧数和打哈欠总数判别疲劳驾驶.实验结果表明,模型的平均精度均值和查全率达到了 98.9%和 97.2%,提高了 1.8%和 6.3%;同时,浮点运算量仅为基准模型的28.3%,模型体积仅为 7 MB.最终得出疲劳识别率为 95.6%,验证了该检测跟踪方法能够在疲劳驾驶检测中有效提取面部特征,达到了较高的检测准确率和鲁棒性,以及车载终端的轻量化部署需求.
YOLOv5s、轻量化、特征增强、DeepSort、疲劳驾驶检测
42
TP391.41(计算技术、计算机技术)
2023-09-15(万方平台首次上网日期,不代表论文的发表时间)
共9页
54-62