.png){kind=icon}
返回
Deep Learning-Based Drowsiness Detection System for Driver’s Safety
.png){kind=icon}
OA
AI
DOI：10.1109/ACCESS.2025.3604728.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
驾驶员疲劳是导致道路事故的主要原因之一，仅在美国，根据国家安全委员会（NSC）的数据，每年就造成超过100,000起事故和约1,000人死亡。为减轻这一紧迫的公共安全风险，我们提出了一种实时驾驶员疲劳检测系统，该系统在标准硬件上实现了高精度和快速推理。我们的核心思路是结合两种互补的深度学习策略：1）一个定制的卷积神经网络（CNN）与支持向量机（SVM）分类器配对，以及2）一个基于预训练卷积骨干构建的轻量级迁移学习模型。我们在两个数据集上评估了这些方法：一个四分类的Kaggle开放/闭合眼睛和打哈欠/不打哈欠图像集合，以及37个受试者的MRL眼睛数据集。对于定制的CNN+SVM流水线，我们优化了分割比例、Dropout率和L2正则化，以实现100%的训练准确率和99.7%的验证准确率。对于迁移学习模型，我们利用现有网络加速训练，达到99.4%的训练准确率和99.1%的验证准确率。最后，我们使用包括损失曲线、混淆矩阵、精确率、召回率和F1分数在内的指标比较了两个模型。我们的系统表明，无需专用硬件即可实现实时、高精度的疲劳检测，为在道路安全应用中的更广泛部署铺平了道路。
Keyword:
Convolutional neural network (CNN)
driver drowsiness
deep learning
eye aspect ratio (EAR)
L2 regularization
mouth aspect ratio (MAR)
OpenCV
support vector machine (SVM)
transfer learning
期刊
IF:
3.6
论文数:
9.8W
被引数:
29.4W
机构
引用论文
A Review of Recent Developments in Driver Drowsiness Detection Systems驾驶员睡意检测系统的最新发展综述.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Early Identification and Detection of Driver Drowsiness by Hybrid Machine LearningIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏A Real-Time Atrial Fibrillation Detection Algorithm Based on the Instantaneous State of Heart RatePLOS ONEOAAI
PLOS ONEIF0
OAAI分享收藏CBAM VGG16: An efficient driver distraction classification using CBAM embedded VGG16 architecture
PREAI
分享收藏Drivers Fatigue Detection and Alarming Using Ear and MOR Values2021 Fifth International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud) (I-SMAC)
2021 Fifth International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud) (I-SMAC)IF0
PREAI
分享收藏
查看更多内容