《表6 不同疲劳检测算法在面部未遮挡与遮挡情况下检测结果的对比》
注:加粗字体表示最优结果,“-”表示睁闭眼状态识别失效。
本文复现了几种驾驶员疲劳检测算法,选取AL1,BL1两段视频进行测试,其结果如表6所示。表6中,检测速度是指算法处理完视频所需的时间与视频帧数之比,人的眨眼时间通常在0.2 0.4 s之间,快速眨眼的时长还会更短,而视频的帧率为30帧/s,因此将连续闭眼3帧以上记为一次眨眼动作。所有的疲劳检测算法,是在检测到人脸的基础上,采用Dlib库开源的ERT(ensemble of regression trees)人脸关键点算法对眼睛局部区域进行定位。其中方法1使用的人脸检测器是HOG-SVM算法,采用眼睛纵横比(EAR)判定驾驶员眼睛的开闭状态;方法2与本文算法采用相同的人脸检测器Res Net10 SSD,区别在于前者使用tensorflow深度学习框架训练CNN模型并对眼睛状态进行分类,输入神经网络的眼睛图像的大小为28×28像素;而后者利用共生矩阵的数字统计特征———自商图的熵判定眼睛的开闭状态。方法1开闭眼检测的准确率取决于人脸关键点定位的精度,并且对驾驶员是否佩戴口罩敏感,易使算法后续人眼状态模块检测失效。此外,HOG-SVM算法耗费的时间较长,使得算法整体运行的速度较慢。方法2因采用卷积神经网络对人眼状态进行分类,需要消耗较长的时间,CNN眼睛状态识别模型对视频样本眨眼检测的准确率较差,易将闭眼状态预测为睁眼状态,导致检测到的连续闭眼帧数不足。对比证明,本文算法在人脸检测准确率、开闭眼准确率、眨眼次数准确率以及检测速度方面均有较好的表现。
图表编号 | XD00215921100 严禁用于非法目的 |
---|---|
绘制时间 | 2021.01.16 |
作者 | 潘剑凯、柳政卿、王秋成 |
绘制单位 | 浙江工业大学机械工程学院、浙江工业大学机械工程学院、浙江工业大学机械工程学院 |
更多格式 | 高清、无水印(增值服务) |