.png){kind=icon}
返回
A dense multi-pooling convolutional network for driving fatigue detection
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-99441-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
驾驶疲劳是交通事故的主要原因之一，尤其对于大型车辆驾驶员而言，由于长时间驾驶和单调的行车环境，他们更容易疲劳。现有的基于视觉的驾驶疲劳检测方法难以在复杂驾驶场景中（例如佩戴眼镜或存在非驾驶员个体时）准确及时地判断疲劳状态。为解决这些问题，本文提出了一种基于新型网络和驾驶员面部动作分析的新型驾驶疲劳检测方法。该方法主要由三个子模块组成，即驾驶员状态检测（DSD）、密集多池化卷积网络（DMP-Net）和驾驶疲劳检测（DFD）。在DSD模块中，采用MTCNN实时定位驾驶员面部并检测面部标志点。此外，提出了一种面部检测边界框过滤算法以减少驾驶员的误检。为准确检测驾驶员面部动作状态，我们提出了DMP-Net网络，该网络参数量少，在准确率和时间消耗方面优于现有方法。DFD模块通过比较合理阈值与张嘴频率（FM）以及瞳孔上方眼睑闭合时间百分比（PERCLOS）来判断驾驶员是否疲劳。基于基准数据集和自采集数据集的实验结果表明，该方法在CEW数据集上达到99.25%的准确率，在ZJU数据集上达到99.24%的准确率，在自采集数据集上达到99.12%的准确率。我们提出的驾驶疲劳检测方法具有高实时性和高准确率，优于现有方法。
Keyword:
DROWSINESS DETECTION
期刊
IF:
3.9
论文数:
27.8W
被引数:
83.5W
机构
引用论文
Eyes closeness detection from still images with multi-scale histograms of principal oriented gradients.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Driver fatigue recognition based on facial expression analysis using local binary patternsOptik
OptikIF0
PREAI
分享收藏分享收藏Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition用于视觉识别的深度卷积网络中的空间金字塔池化
OAAI
OAAI分享收藏Driver Fatigue and Distracted Driving Detection Using Random Forest and Convolutional Neural NetworkOAAI
OAAI分享收藏
查看更多内容