[发明专利]基于YOLOv3算法的疲劳驾驶状态检测算法

权利要求书

1.基于YOLOv3算法的疲劳驾驶状态检测算法，其特征在于：具体方案如下：分为检测、分类、决策三个方面，其中检测部分包括人脸检测与特征点的提取，采用YOLOv3算法所搭建的卷积神经网络与Landmark算法来实现；分类部分包含数据采集、模型训练和疲劳特征分类；当采集眼部和嘴部不同状态的数据集后，采用SVM算法训练模型，最终实现疲劳特征分类；决策部分使用Perclos疲劳判断准则判断疲劳状态：

（1）图像特征点检测提取算法：

人脸检测是将图片中的人脸位置和大小检测出，并做标记；本算法采用YOLOv3算法实现人脸检测：首先将训练图片作为网络的输入来训练深度卷积神经网络模型，用来提取图像的特征；再将提取的特征输入到分类器中进行分类，从而实现待检测图像最终的分类结果和添加标签；在获取到人脸图像之后采用Landmark算法对人脸68个特征点进行检测，实现人脸眼部和嘴部特征点位置的定位；

（2）基于SVM算法的眼部嘴部疲劳特征分类：

通过采集眼睛睁开和闭合两种状态的EAR 数据集以及嘴部张开间距的数据集来判断疲劳程度；用SVM算法进行眼睛、嘴巴的张开与闭合两种状态的典型模型训练，实现眼部、嘴部疲劳特征分类；

6个特征点P1~P6 是人脸特征点中对应眼睛的6个特征点；当眼睛睁开和闭合时，眼部特征点之间的关系会随之变化，可以知道，长宽比在眼睛睁开和闭合时会有所不同；利用方程式(1)：

当眼睛闭合时迅速下降；当眼睛睁开时基本保持不变，只在小范围内上下浮动；

基于嘴巴内轮廓的张口度计算公式如式(2)所示：

当嘴巴张开和闭合时，嘴唇特征点彼此坐标之间的关系也会变化；通过标注的D1~D8对应内嘴唇的8个特征点，可以看出，长宽比在嘴巴张开和闭合时会有所不同；

通过采集一段视频序列得到其眼部、嘴部状态变化的特征序列，统计来得到数据集，用数据集来训练SVM模型，实现眼部嘴部疲劳特征分类；

(3) 基于Perclos算法的疲劳检测：

采用SVM算法训练眼部和嘴部状态模型后，还需要做出决策，判断是否疲劳，本文采用Perclos疲劳判断准则，该准则是根据眼睛睁开、闭合、嘴巴张开、闭合在一定时间内的帧数比来判断疲劳状态，Perclos的计算公式如公式(3)：

式中：是单位时间内眼睛闭合和嘴巴张开所占的时间比例；为单位时间内眼睛闭合的帧数；代表单位时间内嘴巴张开的帧数；f 是单位时间内总帧数；

在一定时间内，当眼睛闭合或者嘴巴张开帧数超过70% 或者 80% 时，则可以判断为出现疲劳特征。