改进LBP和CNN相结合的疲劳驾驶检测方法

摘要

针对因面部疲劳信息不全或局部丢失致使驾驶员疲劳状态不能够充分表征，导致疲劳检测准确率不高的问题，提出了一种基于面部区域增加权重的分块LBP特征纹理提取方法。基于不同光线条件下的驾驶员图像，构建了疲劳识别的基本图像数据集，通过自建数据集、预处理和数据增强，完成数据集样本图像的采集和归纳。提出了一种8×8块加权LBP算法，并用其从数据集图像中提取驾驶员的面部特征纹理，将作为卷积神经网络的输入以进行模型学习与训练。实验结果表明，所提算法特征提取速度快，仅耗时0.01 s，且疲劳检测模型具有良好的识别精度和泛化能力，模型准确率为93.52%。所提算法不仅能够保留图像纹理变化表征能力，还能有效降低特征冗余，为驾驶员疲劳状态的识别提供了一种可行的方法。

关键词

事故预防 / 疲劳驾驶识别 / 面部特征权重 / 局部二值模式(LBP) / 卷积神经网络(CNN)

基金资助

国家自然科学基金（51968011,51668012）; 桂林电子科技大学研究生创新计划(2021YCXS177)