基于深度学习的大型工程车夜间疲劳驾驶检测方法研究.pdfVIP

基于深度学习的大型工程车夜间疲劳驾驶检测方法研究

摘要

大型工程车驾驶员为了获得更多经济收益往往长时间驾驶车辆，经常熬夜开车，

由于生理机制影响驾驶员在夜间行驶时更容易疲劳驾驶。因为夜间驾驶室内光线昏暗

且复杂多变、行车时驾驶员头部频繁大幅度移动、无法同时满足检测准确性和快速性

等问题，所以使用适用于普通小型车辆疲劳驾驶检测方法对大型工程车辆驾驶员进行

疲劳驾驶检测效果不佳。本文以提高疲劳驾驶检测的准确性和快速性为目的，对基于

深度学习的大型工程车夜间疲劳驾驶检测算法展开研究，具有理论意义和实际应用价

值。主要研究内容如下：

（1）针对大型工程车辆驾驶员夜间行驶时驾驶室内亮度低、光线分布不均衡的问

题，分析并选取合适的夜间图像增强算法，基于MSR算法进行改进：为最大程度提升

夜间图像亮度并凸显图像细微纹理与轮廓特征，使用双边滤波算法对照度分量进行处

理；为有效抑制增强后可能出现的光晕效应，使用局部标准差的方法提取出独立于光

照条件变换的内在图像特性。

（2）针对YOLOv7算法推理速度慢、空间感知能力弱、通道压缩效率低以及无法

充分利用提取到特征的问题，对YOLOv7人脸检测算法进行针对性改进。改用深度可

分离卷积加快特征提取速度，使用FReLU激活函数强化模型空间感知能力，嵌入注意

力机制提升通道压缩效率，重构特征融合网络充分利用提取到的各层特征信息。

（3）研究多特征融合的疲劳驾驶检测算法，设计基于深度学习的大型工程车辆夜

间疲劳驾驶检测方法。首先，运用Dlib算法实现人脸特征点定位，基于提取到的关键

点坐标推算出驾驶员眼部和嘴部的纵横比，从而有效辨识眼嘴的张闭情况；其次，通

过计算单位时间内眼睛闭合时间占比和打哈欠次数占比，得出疲劳驾驶状态参数；最

后，将所得参数与预先设定的疲劳驾驶状态阈值进行对照比较，从而科学合理地判定

驾驶员是否存在疲劳驾驶行为。

（4）建立大型工程车辆驾驶员夜间疲劳驾驶检测数据集，验证本文算法的有效性。

采用统一的评价指标将本文方法与主流方法进行性能对比，体现本文方法的优越性。

关键词：疲劳驾驶；深度学习；多特征融合；YOLOv7

基于深度学习的大型工程车夜间疲劳驾驶检测方法研究

Abstract

Largeconstructionvehicledriversinordertoobtainmoreeconomicreturnsoftendrive

vehiclesforlongperiodsoftime,oftenstayuplatetodrive,duetothephysiologicalmechanism

oftheimpactofthedriverinthenighttimedrivingismorelikelytofatiguedriving.Becauseof

thedimlightandcomplexityinthecabatnight,thedriversheadfrequentlymovesgreatly

whendriving,andcannotmeetthedetectionaccuracyandrapidityatthesametime,sothe

fatiguedrivingdetectionmethodapplicabletoordinarysmallvehiclesisnoteffectivein

detectingthefatiguedrivingoflargeconstructionvehicledrivers.Thispaperaimstoimprove

theaccuracyandrapidityoffatiguedrivingdetection,andconductsresearchonthenighttime

fatiguedrivingdetectionalgorithmforlargeengineeringvehiclesbasedondeeplearning,w