重庆理工大学学报(自然科学) ›› 2022, Vol. 36 ›› Issue (2): 142-150.
程 泽1,2,3,林富生1,2,3,靳 朝1,2,3,周鼎贺1,2,3
摘要: 针对现有疲劳驾驶检测模型在判定准确性与实时性上的不平衡问题,设计了一种基于轻量化卷积神经网络EMLite YoloV4的检测模型。通过使用MobileNetV2作为目标检测网络 YoloV4的主干特征提取网络,并且降低卷积通道系数 alpha,使得网络参数量大幅度下降;改进柔性非极大值抑制使得目标框无需再同时考虑得分与重合度,进一步优化检测速率;加入轻量级特征金字塔 FPNtiny并且融合 mosaic数据增强方法,以保证模型的检测精度。最后,利用EMLiteYoloV4提取面部疲劳特征,PERCLOS与单位时间打哈欠次数对疲劳特征进行状态判定并输出结果。实验表明:该检测模型的准确率达到 97.39%,mAP指标为 80.02%,单帧检测速度为 20.83ms,模型大小仅为 9MB,有效平衡了疲劳驾驶检测的准确性与实时性。
中图分类号: