基于YOLOv3算法的驾驶员疲劳驾驶状态检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115187966A(43)申请公布日2022.10.14(21)申请号202210705926.5G06V10/764(2022.01)(22)申请日2022.06.21G06N3/04(2006.01)G06N3/08(2006.01)(71)申请人四川农业大学地址625014四川省雅安市雨城区新康路46号(72)发明人刘扬潘勇浩彭然刘芩利弓欣瑶陈名伟谢天宇蒲海波危疆树伍茜茜蒋凯林李丹阳秦雷(74)专利代理机构西安方诺专利代理事务所(普通合伙)61285专利代理师景丽娜(51)Int.Cl.G06V20/59(2022.01)G06V10/82(2022.01)权利要求书1页说明书7页附图7页(54)发明名称基于YOLOv3算法的驾驶员疲劳驾驶状态检测方法(57)摘要本发明公开了一种基于YOLOv3算法的驾驶员疲劳驾驶状态检测方法，通过对YOLOv3模型进行改进，采用空洞卷积代替原始卷积拓展卷积核的感受野，同时使用dropblock代替dropout作为新的正则规则防止网络过盈，构思了循环训练和标签新设的训练策略，并使用Mobilenet‑V3代替DarkNet53作为骨干网络；利用改进后的YOLOv3模型对驾驶员图像的眼口位置张合度进行目标检测，检测出眼睛的状态为闭合或张开，口的状态为闭合或张开，把目标检测从人脸较宽范围转化为五官的小范围，进而检测出驾驶员的疲劳程度便于对驾驶员提出预警，降低因疲劳驾驶引发交通事故的概率，检测精度高，漏检率低。CN115187966ACN115187966A权利要求书1/1页1.基于YOLOv3算法的驾驶员疲劳驾驶状态检测方法，其特征在于，包括以下步骤，S1：采集驾驶员的面部图像；S2：利用改进后的YOLOv3模型对驾驶员的面部图像进行识别，得到驾驶员的眼状态和口状态；S3：根据驾驶员的眼状态和口状态，对驾驶员的疲劳状态进行确定。2.根据权利要求1所述的基于YOLOv3算法的驾驶员疲劳驾驶状态检测方法，其特征在于：步骤S2中所述的眼状态包括张和闭，口状态也包括张和闭。3.根据权利要求2所述的基于YOLOv3算法的驾驶员疲劳驾驶状态检测方法，其特征在于，步骤S2中所述的改进后的YOLOv3模型中的建立方法包括以下步骤，步骤a：使用空洞卷积替代YOLOv3模型DarkNet53主干网络的卷积操作；步骤b：采用dropblock正则训练策略替代YOLOv3模型的三点式训练策略；步骤c：使用MobileNetV3网络结构替代DarkNet53主干网络结构。4.根据权利要求3所述的基于YOLOv3算法的驾驶员疲劳驾驶状态检测方法，其特征在于，步骤b中所述的dropblock正则训练策略的训练方法包括以下步骤，步骤b1：将数据集图像运用训练好的权重进行逐张预测，得到预测框的位置，提取原标签的先验框的位置并与得到的预测框的位置进行比对，设立阈值n；步骤b2：若预测框的位置落在以先验框四个顶点为圆心半径为n的圆上，且预测框的宽和高分别处在[w,w+n]和[h+n]区间内，眼和口的预测框也均存在，则取对应的图像为正样本，否则，取对应的的图像为负样本；式中，w和h分别为先验框的宽和高。5.根据权利要求4所述的基于YOLOv3算法的驾驶员疲劳驾驶状态检测方法，其特征在于，步骤S2中利用改进后的YOLOv3模型对驾驶员的面部图像进行识别，得到驾驶员的眼状态和口状态的具体操作包括以下步骤，S201：将步骤S1中采集到的驾驶员面部图像输入到改进后的YOLOv3模型中，驾驶员面部图像尺寸为640x480；S202：根据改进后的YOLOv3模型的检测尺度20x15、40x30和80x60，将驾驶员面部图像生成10647个先验框；S203：在先验框集合中选择一个最高分数的先验框A，计算先验框A与其他先验框的重合度，去除重合度超过阈值的先验框，并经先验框A标记为保留的先验框，在先验框集合中除去先验框A；S204：重复步骤S203，直至找到所有保留的先验框；S205：根据所有的先验框得到眼和口的三个预测值，也即眼状态和口状态。6.根据权利要求5所述的基于YOLOv3算法的驾驶员疲劳驾驶状态检测方法，其特征在于，驾驶员的疲劳状态包括放松、轻度疲倦、高度疲倦和极度疲倦。7.根据权利要求6所述的基于YOLOv3算法的驾驶员疲劳驾驶状态检测方法，其特征在于，驾驶员的眼和口状态分别为张和闭时为放松状态，驾驶员的眼和口状态均为张时为轻度疲倦状态，驾驶员的眼和口状态分别为闭和张时为高度疲倦状态，驾驶员的眼和口状态均为闭时为极度疲倦状态。2CN115187966A说明书1/7页基于YOLOv3算法的驾驶员疲劳驾驶状态检测方法技术领域[0001]本发明涉及模式识别技术领域，尤其涉及