典型文献
基于改进EfficientDet网络的疲劳驾驶状态检测方法
文献摘要：
为提高对司机疲劳驾驶状态视觉检测的精度和效率,降低硬件配置需求,提出了一种基于改进的EfficientDet深度学习网络的疲劳驾驶状态视觉检测方法.用深度可分离卷积和视觉注意力机制,来构建EfficientDet驾驶员面部图像特征提取网络;用双向特征金字塔网络和k-means先验框聚类方法,来构建EfficientDet驾驶员状态检测网络;采用Perclos瞌睡程度度量指数,来判定驾驶员疲劳状态;对比分析了3种不同深度、不同宽度、不同分辨率大小的改进EfficientDet模型以及YOLO V3、Faster-RCNN模型检测效果.结果表明:在这些方案中,EfficientDet-D2模型检测效果最佳,其平均精度97.92％,召回率96.75％,误检率低于2.39％,漏检率低于1.78％.
文献关键词：
深度学习;图像识别;疲劳驾驶;状态检测;改进的EfficientDet深度学习网络
中图分类号：
作者姓名：
宋巍;张光德
作者机构：
武汉科技大学 汽车与交通工程学院,武汉 430081, 中国
文献出处：
引用格式：
[1]宋巍;张光德-.基于改进EfficientDet网络的疲劳驾驶状态检测方法)[J].汽车安全与节能学报,2022(04):651-658
A类：
Perclos
B类：
EfficientDet,疲劳驾驶,驾驶状态,状态检测,司机,视觉检测,硬件配置,深度学习网络,深度可分离卷积,视觉注意力机制,驾驶员,面部图像,图像特征提取,特征提取网络,双向特征金字塔网络,means,先验框,聚类方法,测网,瞌睡,度度,疲劳状态,不同深度,YOLO,V3,Faster,RCNN,模型检测,检测效果,D2,召回率,误检率,漏检率,图像识别
AB值：
0.340094
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。
