[发明专利]基于YOLOv3算法的疲劳驾驶状态检测算法

说明书

基于YOLO_V3算法的疲劳驾驶状态检测算法，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；该算法运用采用YOLOv3算法搭建的卷积神经网络和面部关键特征点算法对视频中得到的帧图像进行人脸检测及特征点提取，再根据SVM模型实现人脸眼部和嘴部特征状态判断，最后采用眼睛闭合超过瞳孔的百分比算法检测疲劳状态。

技术领域

本发明涉及模式识别领域，尤其涉及一种基于YOLOv3算法的疲劳驾驶状态检测算法。

背景技术

近年来由于疲劳驾驶而导致的交通事故占总交通事故的40%以上，疲劳驾驶检测技术的研究已经变得越来越重要，但是现有的技术中存在算法复杂，不能实时监测或者检测识别率较低的问题，需要有反映更迅速、识别成功率更高的检测方法。

在现有的疲劳检测技术中，如周惠等在2015年的文章《基于深度学习的疲劳状态识别算法》所提出的技术在面对输入的图片数据比较大时不能很好的进行快速检测，也有一些改进的算法但是并不能满足在实时检测方面的需求。

YOLOv3算法是神经网络中一个优良的目标检测算法，YOLO算法的核心思想就是利用整张图作为网络的输入，直接在输出层回归 bounding box（边界框）的位置及其所属的类别。其改进的最新一代YOLOv3的先验检测系统将分类器或定位器重新用于执行检测任务。他们将模型应用于图像的多个位置和尺度。而那些评分较高的区域就可以视为检测结果。此外，相对于其它目标检测方法，我们使用了完全不同的方法。我们将一个单神经网络应用于整张图像，该网络将图像划分为不同的区域，因而预测每一块区域的边界框和概率，这些边界框会通过预测的概率加权。我们的模型相比于基于分类器的系统有一些优势。它在测试时会查看整个图像，所以它的预测利用了图像中的全局信息。相较于之前的疲劳检测算法采用的需要数千张单一目标图像的 R-CNN 不同，它通过单一网络评估进行预测。这使YOLOv3的检测速度非常快，一般它比 R-CNN 快1000倍、比Fast R-CNN 快100倍。同时也克服了上一代对小目标检测识别率不高的劣势，对于很近的目标或者小目标有着很好的鲁棒性。

发明内容

针对现有技术存在的问题，本发明基于YOLO_V3算法的疲劳驾驶状态检测算法，运用采用YOLOv3算法搭建的卷积神经网络和Landmark(面部关键特征点) 算法对视频中得到的帧图像进行人脸检测及特征点提取，再根据SVM模型实现人脸眼部和嘴部特征状态判断，最后采用Perclos(眼睛闭合超过瞳孔的百分比)算法检测疲劳状态。

基于YOLOv3算法的疲劳驾驶状态检测算法的具体方案如下：

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：