融合机器视觉与高精度定位的高速公路疲劳驾驶行为检测方法

为提高高速公路场景下疲劳驾驶检测的准确率，降低在驾驶员面部易受遮挡、光线复杂的驾驶舱内的疲劳驾驶检测的误判率，提出一种兼顾检测精度与实时性、结合高精度定位与机器视觉的高速公路疲劳驾驶行为检测方法。首先，使用多任务卷积神经网络与FaceNet算法实现驾驶员身份识别，运用改进的实用面部特征点检测器（Practical Facial Landmark Detector, PFLD）算法检测人脸关键点。然后，考虑视频设备工作状态不稳定对疲劳驾驶行为识别产生干扰的场景，基于行驶车辆的轨迹数据，提出纵向位移波动斜率（Slope of Longitudinal Displacement Fluctuation, SLDF），以弥补单一视频设备检测易受光线、遮挡等干扰因素影响的缺陷。随后，使用SLDF指标和3个面部疲劳特征识别疲劳驾驶，并在传统支持向量机（Support Vector Machines, SVM）中加入量子粒子群优化算法，提升SVM分类准确度和缩短运算时间。最后，为验证模型性能进行实车试验，结果表明，复杂场景下疲劳驾驶识别准确率达86.8%，计算时间为3.017 s，与现有其他数据融合...