基于面部特征与深度学习的疲劳驾驶状态检测研究

马雪婷，费树岷

（东南大学自动化学院，江苏南京，210096）

1 概述

随着机动车辆的大幅度增长，道路交通安全事故频发。研究表明疲劳驾驶是引发道路交通事故的重要原因之一[1-2]，如果能够在交通事故发生前检测出驾驶员疲劳驾驶行为并及时给出提醒则可以减少事故发生。因此研究驾驶员疲劳状态检测对于提高道路交通安全具有极为重要的意义。

目前应用于检测疲劳驾驶的方法主要有以下三类：第一类是使用驾驶员的生理指标如脑电信号特征进行检测[3-4]；第二类是使用驾驶员的行车数据如转向力、制动力等物理量进行检测；这两类检测方案主要缺陷是安装佩戴设备会降低驾驶员的驾驶舒适度，而且设备价格昂贵不利于疲劳驾驶检测产品的推广和应用。第三类检测方法是基于驾驶员面部行为信息的计算机视觉技术。

深度卷积神经网络在图像分类、目标检测、场景分割等计算机视觉任务颇有成效，人脸包含丰富的信息，因此可将人脸特征信息和深度学习相结合，而且不会干扰驾驶员的正常驾驶。徐[5]等人提出了基于AdaBoost算法检测人脸实现疲劳驾驶状态的检测；唐[6]等人提出了基于卷积神经网络模型定位人脸关键点，利用最大类间方差法对人眼嘴部进行最小二乘法椭圆拟合进行状态判别；文献[7]利用基于shuffle-channel思想的MTCNN模型和PFLD深度学习模型分别检测驾驶员人脸图像和检测人脸关键点，再用多特征融合的策略判定疲劳状态。……