原文传递
基于人脸状态的疲劳检测方法研究
| 论文题名： | 基于人脸状态的疲劳检测方法研究 |
| 关键词： | 汽车驾驶;疲劳检测;人脸状态;轻量级网络 |
| 摘要： | 在现代社会，汽车作为交通运输产业的重要部分，极大地方便了大家的生活，但方便的同时其带来的交通事故是不能忽略的。造成事故发生的原因大多还是来自疲劳驾驶，所以在现阶段，实时准确判断出疲劳状态并预警很重要。本文基于人脸状态下构建轻量级网络来进行疲劳检测，具有一定的社会意义。 当前在疲劳驾驶检测中的问题主要有两个：模型检测的精确度不高；进行检测的模型参数量大、算力的损耗高，难以落地部署。所以模型的设计需要在保证准确率的基础上尽可能轻量化，本文在这个思路的基础上，进行如下工作： （1）数据集的选择与预处理。本文在人脸检测阶段使用公开数据集widerface，在疲劳特征状态检测阶段使用图片标注工具构建自建数据集，鉴于标注数据数量有限，为进一步丰富扩充构建的数据集，本文使用Mosaic来进行数据增强处理，以此来达到数据集扩充的效果，同时提高模型的泛化性能。 （2）本文提出了Y-GG网络模型来对人脸进行检测。模型的设计思路：对人脸进行检测的过程中，YOLOv5模型对小尺寸的目标检测可能出现漏检的问题，所以本文在原网络中的检测头上增加了一个更小的检测头提升算法的多尺度检测性，通过加入高分辨率的特征图，使信息更加丰富，达到了检测更小的目标的效果；为了减少模型的参数量使网络轻量化便于落地部署，本文使用 GhostConv 来代替 Conv，使用很少的参数生成更多的特征图，在 backbone 部分使用 C3Ghostamp;nbsp;来替换C3结构，提升了检测的速度；针对噪声和背景等因素对检测的影响，本文在骨干网络中的 C3 中加入了 CBAM(Convolutional Block Attention Module)，通过两个独立的模块在通道和空间上建立注意力机制，对特征图进行进一步更新，无视无关的信息，集中关注图像中的重要区域，使得模型抗干扰能力和识别精度有所提升；最后采用了新的损失函数SioU，由4个Cost函数组成的，SioU损失函数加入了方向性，使得训练更快收敛。实验结果显示，改进后的模型参数量较原来相比降低了29.8%，mAP(Mean Average Precision)提升了0.4%。 （3）本文提出Y-GGA网络模型在自建数据集上进行疲劳特征的状态测试。为了增强信息的交互，缓解特征信息不足的问题，本文在之前的Y-GG模型的基础上引入了GAM(Global Attention Mechanism)注意力机制，通过扩展多维度信息的交互作用提升主干网络的特征提取能力。实验结果显示，Y-GGA模型与原模型相比mAP上升0.6%，参数量和计算量都有所减少。总的来说，本文实现了在保证mAP不下降的基础上使模型轻量化，能够及时检测到疲劳特征异常并做出预警。 |
| 作者： | 王莉茹 |
| 专业： | 通信与信息系统 |
| 导师： | 吴志强 |
| 授予学位： | 硕士 |
| 授予学位单位： | 西藏大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
