文档介绍
基于深度学习的疲劳驾驶检测内容摘要眼睛的作用对我们不光是看见世界的窗口，也是我们表情达意的一种载体。通过眼睛我们可以表现出多种状态，并且眼睛还具有传达感情、体现人的精神状态等功能。譬如人困乏的时候会频繁眨眼，人精神充足时，眼睛就会更加生动。眨眼睛的频率在一定程度上可以反映出人是否处在疲劳的状态，本文正是立足在检测眼睛睁开闭合的频度之上来判断驾驶员是否正在疲劳驾驶。在驾驶车辆的状态下，可以排除身体因素以外影响人眨眼频率的情况，所以本文采用基于深度学习的检测眼睛开闭频率的方法来进行疲劳驾驶检测。本文主要工作内容如下所示：（1）基于深度学习的多任务卷积神经网络（MultitaskConvolutionalNeuralNetwork，后文称mtcnn）的模型修改、模型训练、人脸区域检测及眼睛区域定位。这里选择使用MTCNN,是因为它有识别率高、识别速度快的优点。它具有三层级联卷积神经网络-Pnet、Rnet、Onet，对输入的数据层层优化精选出人脸特征，实质上是特征分类和特征回归，最终可以得到人脸区域的特征以及眼睛鼻子嘴巴的特征点，再经过非极大值抑制（NMS），来获得人脸部的。本文在此基础上修改了MTCNN模型，使网络模型通过新级联的网络层输出得到的landmark_regress通过该层网络回归得到眼睛区域左上右下特征点的偏移量。（2）通过上文提到的MTCNN进行改进得到人脸特征区域以及眼睛特征区域之后，裁剪眼睛特征区域图像，并输入疲劳判断CNN层中,来判断人员是否有疲劳的症状。该层模型主要是起分类的作用，来解决眼睛睁开与眼睛闭合的二分类问题。本文采用计算眼睛闭合再到睁开的时间与整体测试时间的百分率（PercentageofEyelidClosureOverthePupilOverTime，下文称perclos），来判断驾驶人员是否出现疲劳现象。关键词：卷积神经网络；MTCNN；