基于综合面部特征与门控循环的疲劳驾驶云检测算法研究OA

传统的卷积神经网络(Convolutional Neural Network,CNN)疲劳检测算法不能有效地关联图像帧的上下文信息,导致其精度和鲁棒性往往较低。为了提高识别准确率,提出了一种基于综合面部特征和门控循环单元(Gated Recurrent Unit,GRU)的疲劳检测算法。设计了一个多任务CNN模型以提取全面的面部特征。在获得面部特征点的位置后,可计算出6个疲劳特征值,分别是3个与面部表情直接关联的特征值以及3个头部姿态变化特征值。将连续20帧图像中获得的上述6个特征值变化曲线输入到网络中,学习变化规律并构建疲劳状态判别模型。学习完成后,模型可依据实时判断新输入20帧图像中的6个特征值变化曲线进行分析,进而输出驾驶员的疲劳状态。将该算法部署于5G云服务器,用以检测公交驾驶员的疲劳驾驶状态,减少由于疲劳驾驶导致的公交运行事故。实验表明,该算法的识别准确率可达97.47%,系统的平均时延小于500 ms。