公开(公告)号：CN117831007A

公开(公告)日：2024-04-05

申请号：CN202311849399.6

申请日：2023-12-29

Applicant: 河南科技大学

Inventor： 郑国强 ,  钱永林 ,  谢一凡 ,  吕香帅 ,  沈森 ,  韩哲 ,  马华红 ,  张威震 ,  周科克

IPC: G06V20/59 ,  G06V40/16 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08

Abstract: 一种基于驾驶员面部时序序列的疲劳驾驶检测方法，具体包括以下步骤：步骤1、利用优化后单阶段人脸检测算法RetinaFace获取人脸面部区域位置；步骤2、利用面部关键点检测网络MSGM‑Net在步骤1获取的人脸面部区域位置定位驾驶员的98个面部关键点，依据面部关键点随着时间的推移计算疲劳特征参数时序序列，疲劳特征参数时序序列包括每个时间点左右眼的横纵比、嘴部的横纵比以及头部的欧拉角；步骤3、将疲劳特征参数时序序列进行线性变换和位置编码后，输入至Transformer模型，得到最终疲劳状态结果。本发明检测效率及准确率高，泛化能力强。

公开(公告)号：CN119445543A

公开(公告)日：2025-02-14

申请号：CN202411559172.2

申请日：2024-11-04

Applicant: 河南科技大学

Inventor： 郑国强 ,  张威震 ,  穆昱 ,  李佩佩 ,  马华红 ,  付江涛 ,  薛玉君 ,  沈森

IPC: G06V20/59 ,  G06V40/16 ,  G06V10/25 ,  G06V10/764 ,  G06V10/766 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提供一种基于面部信息的疲劳驾驶检测方法，通过添加自适应空间特征融合ASFF，将不同尺度的特征有效地融合，使算法能够更全面地理解图像，增强尺度不变性，提高模型精度与鲁棒性；通过添加注意力机制模块BiFormer，使网络只关注图像特定区域而不是整个图像的模型来降低图像处理的计算复杂度，从而提高在复杂背景下算法的特征提取能力和检测精度。试验结果表明，改进后的模型相较于原始YOLOv5s模型，准确率提高了1.7%，召回率提高了1.8%，网络精度提高了3.6%，体积与参数量小幅增加，闭眼检测精度提高了3.6%，哈欠检测精度提高了3.8%，模型收敛速度加快。该方案运用体积较小的深度学习模型，实现对眼睛睁闭和哈欠的检测，继而判断驾驶员的疲劳状态。

公开(公告)号：CN118711161A

公开(公告)日：2024-09-27

申请号：CN202410579060.7

申请日：2024-05-08

Applicant: 河南科技大学

Inventor： 郑国强 ,  吕香帅 ,  张威震 ,  翟会会 ,  周科克 ,  李佩佩 ,  沈森

IPC: G06V20/59 ,  G06V20/40 ,  G06V10/764 ,  G06V10/82

Abstract: 一种基于TSAM‑ATFM的驾驶员疲劳驾驶检测方法，首先，对输入视频跨步采样并进行数据增强得到一个T帧的帧序列；然后，将TSAM作为核心模块并融入Efficientnet‑v2构建TSNet，根据不同的视频自适应提取时间特征，对具有判别性的空间和通道特征添加注意力权重，充分提取视频的疲劳时空特征；最后，利用ATFM学习帧序列中各帧疲劳分类分数之间的权重，自适应融合各个帧的疲劳分类分数得到疲劳预测结果，提高关键帧对疲劳预测结果的影响程度。TSNet不仅根据不同视频自适应提取疲劳时间特征并关注具有疲劳判别性的空间通道特征，而且避免了3D网络参数量过大以及光流计算代价高的问题；ATFM处理每一帧的疲劳分类分数，加大关键帧对结果的影响，从而提升预测准确率。