[发明专利]一种基于深度学习的疲劳检测方法

说明书

本发明提出一种基于深度学习的疲劳检测方法，它采用SSD(Single Shot MultiBox Detector)算法和landmark算法实现人脸检测及特征点自动提取。在此基础上，使用支持向量机分类器进行眼部和嘴部疲劳特征分类，再基于疲劳与非疲劳状态时间占比算法实现视频流图像的疲劳状态检测。

技术领域

本发明涉及深度学习及图像识别技术领域，尤其涉及一种新型疲劳检测方法。

背景技术

由于疲劳驾驶的高发性与危险性，驾驶人疲劳监测预警技术(Driver FatigueMonitoring and Prewarning,即DFMP)的研究已成为交通安全领域的研究重点。DFMP的关键是疲劳状态识别，目前疲劳状态识别技术可分为3大类：基于医学的识别、基于车辆行驶参数的识别和基于机器视觉的识别。

目前疲劳检测技术存在以下问题：

(1)基于医学的识别方法，它主要通过检测脑电信号、心电信号、心率变化等生理信号来判断驾驶员是否处于疲劳状态。它利用神经网络，通过人体运动时的生理参数来预测人体疲劳程度。但是因疲劳程度的客观定量化还不够准确，对象的匀速跑步运动也不具备运动的多样性且佩戴的传感器会影响驾驶员的正常驾驶，因此实际应用效果并不是很好。

(2)基于车辆行驶参数的识别方法，它主要是通过由传感器检测方向盘转角大小和车速高低等参数，判定车辆所处的行驶状态，进而判定驾驶员是否疲劳。这种基于车辆行驶参数的识别方法存在算法复杂、识别率较低、反应速度较慢等缺点。

(3)基于机器视觉的识别方法，它目前已成为智能车辆及安全辅助驾驶中疲劳状态识别的主要途径，在车辆内部安装摄像头对驾驶员进行拍摄，通过人在疲劳时会出现的打哈欠、眨眼、头部倾斜等特征来判断。这些由识别面部器官变化状态而得出的疲劳检测标准，由于没有区分个体差异，且人为标定的特征难以清楚地表征疲劳状态，因此这类算法得到的检测效果不是十分理想。

此外，国内外疲劳检测算法大多基于单一的、人工提取的疲劳状态特征实现。大部分算法结构复杂，鲁棒性低。光照变化、面部表情、复杂背景等对检测率造成很大影响。

发明内容

本发明所要解决的技术问题是，针对现有技术的不足，提供一种基于深度学习的疲劳检测方法，它采用SSD(Single Shot MultiBox Detector)算法和landmark算法实现人脸检测及特征点自动提取。在此基础上，使用支持向量机分类器进行眼部和嘴部疲劳特征分类，再基于疲劳与非疲劳状态时间占比算法实现视频流图像的疲劳状态检测。该基于深度学习的疲劳检测方法与司机无接触，安全可靠，识别率高，能够自动提取人脸眼部和嘴部特征点，实现疲劳特征分类，为疲劳判断提供依据。

为了解决以上问题，本发明提供了一种基于深度学习的疲劳检测方法，包括：

视频数据采集步骤：通过摄像头采集司机正面人脸帧图像；

人脸检测步骤：通过SSD算法进行人脸检测；

特征点提取步骤：使用landmark算法检测人脸的68个特征点，定位和提取眼部特征点和嘴部特征点；

疲劳特征分类步骤：采集所述眼部和嘴部的疲劳特征数据，统计眼部疲劳特征数据集和嘴部疲劳特征数据集，用所述数据集训练眼部疲劳特征模型和嘴部疲劳特征模型，进行眼部疲劳特征分类和嘴部疲劳特征分类；

疲劳判断步骤：根据眼部和嘴部开闭时间占比算法判断是否疲劳；

所述眼部疲劳特征数据包括眼睛睁开和闭合两种状态的眼睛周围特征点纵横比(eye aspect ration(EAR))数据，所述嘴部疲劳特征数据包括所述嘴部张开和闭合的开口程度数据α。