典型文献
一种基于多模态信息融合的火车司机疲劳驾驶检测方法
文献摘要：
单一语音或视频特征的火车司机疲劳驾驶检测存在语音噪声干扰大、数据维数高、样本数据非平稳泛化误差以及视频采集角度、光线变化、脸部遮挡等导致疲劳检测误判率较高等问题.针对上述问题,提出一种基于多模态信息融合的火车司机疲劳驾驶检测方法,通过机车视频监控系统与呼叫应答装置采集司机视频与语音信号,采用串行结构的stacking集成学习模型实现视频模态与语音模态之间的互补与融合,通过多折交叉验证提高非线性表达能力,降低泛化误差,利用随机子空间算法降低语音特征参数维度,以长短期记忆网络作为初级学习器,以梯度提升决策树作为次级学习器,最终实现司机疲劳状态的精准检测.实验结果表明,该方法疲劳检测正确率达到97.0％,相比采用单一语音特征和视频图像特征的检测方法,正确率分别提高了7.4％和1.17％.
文献关键词：
多模态信息融合;疲劳驾驶检测;stacking集成学习;梯度提升决策树
中图分类号：
作者姓名：
李小平;白超
作者机构：
兰州交通大学 机电工程学院,甘肃 兰州 730070
文献出处：
引用格式：
[1]李小平;白超-.一种基于多模态信息融合的火车司机疲劳驾驶检测方法)[J].铁道学报,2022(06):56-65
A类：
B类：
多模态信息融合,火车,司机,疲劳驾驶检测,一语,噪声干扰,非平稳,泛化误差,视频采集,光线变化,脸部,遮挡,疲劳检测,误判率,机车,视频监控系统,呼叫,语音信号,串行,stacking,集成学习模型,模型实现,交叉验证,高非线性,线性表达,表达能力,随机子空间,子空间算法,低语,语音特征,长短期记忆网络,初级学习器,梯度提升决策树,次级学习器,疲劳状态,精准检测,视频图像,图像特征
AB值：
0.335747
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
