基于DCNN与HMM融合的疲劳驾驶检测方法研究

摘要

首先提出一种深度卷积神经网络(DCNN)与隐马尔可夫模型(HMM)融合的疲劳驾驶检测方法,针对眼睛和嘴巴状态单一特征,构建3层DCNN来识别眼睛和嘴巴闭合状态;再针对训练样本人工标记困难的问题,提出结合人工标记、采用Dlib特征点检测和疲劳参数加权获取驾驶员疲劳等级的方法进行标记;最后,针对疲劳驾驶是一个从状态良好到重度疲劳的时序过程,构建基于DCNN与HMM融合的疲劳驾驶状态判断方法。结果表明,本方法能有效减少因状态检测和突变造成的误差,准确率较传统参数加权方法提高约10%,单帧检测时间约为150 ms。因此,该检测方法既提高了系统鲁棒性,也满足实时需求。