基于級聯寬度學習的疲勞駕駛檢測

朱玉斌，延向軍，申旭奇，盧兆林

(1.中國礦業大學 信息與控制工程學院，江蘇 徐州 221116；2.山西潞安集團余吾煤業有限責任公司 自動化科，山西 長治 046199；3.山西潞安環能股份有限公司 常村煤礦，山西 長治 046102)

0 引 言

疲勞檢測技術分為3類：基于生理特征的方法[1]，這類方法檢測結果準確，但會干擾司機駕駛；基于車輛特征的方法[2]，這類方法具有非侵入性，但司機的駕駛習慣會影響檢測的準確性；基于視覺特征的方法[3]，這類方法對司機的干擾小，準確率高。周云鵬等[4]用LBP算子表征人眼并采用SVM區分睜眼和閉眼，然后結合嘴巴與頭部的狀態綜合分析駕駛員的狀態。此類方法采用人工特征訓練分類器判斷駕駛員的狀態，特征的選擇對結果的影響較大。白中浩等[5]用人臉關鍵點計算眼睛和嘴巴寬高比判斷司機狀態。該方法降低了算法復雜性，但結果易受光照變化和遮擋的影響。近期，基于CNN的疲勞檢測成為研究的熱點。趙雪鵬等[6]用眼部關鍵點計算眼睛寬高比判斷司機的狀態。Fang Zhang等[7]用人臉關鍵點提取眼部圖像，然后用CNN判斷眼部狀態。這類方法利用CNN自動提取特征具有更好的表達能力，但需要較大量的數據且訓練過程復雜耗時，上述基于CNN的方法均采用單一的疲勞參數，不能夠準確地描述司機的狀態。

寬度學習[8]在中小數據集上的識別準確率與深度學習相當，但訓練和測試時間比深度學習短。本文采用寬度學習系統判斷司機的眼睛和嘴部狀態，然后把眼睛、嘴部和頭部狀態序列作為二級BLS網絡的輸入，檢測司機的疲勞狀態。……