文献类型：期刊文章

作　　者：冯文文[1,2] 曹银杰[1,2] 李晓琳[1,2] 胡卫生[3]

FENG Wen-wen;CAO Yin-jie;LI Xiao-lin;HU Wei-sheng(School of Physics Science and Information Technology,Liaocheng University,Liaocheng 252059,China;Key Laboratory of Optics Communication Science and Technology of Shandong Province,Liaocheng 252059,China;School of Electronic Information and Electrical Engineering,Shanghai Jiao Tong University,Shanghai,200240,China)

机构地区：[1]聊城大学物理科学与信息工程学院,聊城252059 [2]山东省光通信科学与技术重点实验室,聊城252059 [3]上海交通大学电子信息与电气工程学院,上海200240

出　　处：《科学技术与工程》

基　　金：国家自然科学基金(61431009)。

年　　份：2020

卷　　号：20

期　　号：14

起止页码：5680-5687

语　　种：中文

收录情况：BDHX、BDHX2017、RCCSE、ZGKJHX、核心刊

摘　　要：针对疲劳驾驶检测问题,提出一种以softmax损失与中心损失相结合的深度卷积神经网络算法。首先,利用含有方向的梯度直方图(histogram of oriented gridients,HOG)和级联分类器(support vector machine,SVM)算法的Dlib库中预训练的人脸检测器,来检测驾驶员的脸部区域。其次,使用级联回归(ensemble of regression trees,ERT)算法实现脸部68个关键点标定及眼睛和嘴巴的定位。最后,为了优化softmax损失在深度卷积网络分类中出现的类内间距大的问题,加入中心损失函数,提高类间差异性、类内紧密性以及驾驶员脸部疲劳状态识别准确率。在自建测试集和YawDD哈欠数据集中的实验结果显示,该方法能够准确地识别检测驾驶员疲劳表情,平均识别准确率达到98.81%。与传统的疲劳驾驶检测识别方法相比,该方法可以自动进行疲劳特征提取,并且训练准确率、检测识别率及鲁棒性得到提高;与未改进的深度卷积网络相比,检测识别的概率平均提高了约5.09%。

关 键 词：疲劳检测  含有方向的梯度直方图和级联分类器(HOG+SVM)  级联回归(ERT)算法  深度学习  卷积神经网络 中心损失  

分 类 号：TP391.41]