典型文献
基于人脸关键点检测的车载疲劳驾驶系统研究
文献摘要：
针对传统目标检测面部微表情的模型精度低的问题,转换思路利用人脸识别三元子算法提取人的面部关键点,进行面部关键点的标注,对面部关键点进行欧氏距离计算并与传统目标检测算法结合,从而对人脸面部微表情进行准确识别,并利用闭眼、低头、打哈欠3种预警方法进行互补,并通过车道线分割,进行车辆的行驶异常状态的判断,从而准确对驾驶员进行疲劳驾驶检测,并且可以检测驾驶途中抽烟打电话等不安全行为.采用的面部关键点模型68关键点人脸关键点标注模型,目标检测模型yolov5s,并对神经网络添加了空间向量注意力机制(Convolutional Block Attention Module,CBAM),提高检测准确度.系统法高度集成于开发版中,使得该系统具有方便快捷、准确度高的优势.实验表明,三元子和目标检测以及车道线分割结合的方法,能够有效对驾驶员进行疲劳驾驶面部微表情检测,并且准确率相较于传统方法有了大幅度提高,解决了传统目标检测微表情方法中准确度低、适用范围狭窄、鲁棒性差的问题,能够有效识别疲劳驾驶并及时提醒驾驶员.
文献关键词：
疲劳驾驶;人工智能;机器学习;目标检测;语义分割
中图分类号：
作者姓名：
王小荣;张益通;彭炫
作者机构：
新疆大学工程训练中心,新疆 乌鲁木齐 830001
文献出处：
引用格式：
[1]王小荣;张益通;彭炫-.基于人脸关键点检测的车载疲劳驾驶系统研究)[J].无线互联科技,2022(17):82-84
A类：
测微表
B类：
人脸关键点检测,车载,模型精度,人脸识别,元子,面部关键点,欧氏距离,距离计算,目标检测算法,脸面,准确识别,闭眼,低头,打哈欠,预警方法,车道线,异常状态,驾驶员,疲劳驾驶检测,途中,抽烟,打电话,不安全行为,目标检测模型,yolov5s,空间向量,注意力机制,Convolutional,Block,Attention,Module,CBAM,高检,检测准确度,系统法,高度集成,得该,方便快捷,微表情检测,大幅度提高,提醒,语义分割
AB值：
0.336841
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。
