《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》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于眼部自商图—梯度图共生矩阵的疲劳驾驶检测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。