欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025105816739
申请人: 广西科技大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于驾驶员面部识别的疲劳检测方法,其特征在于,包括:

将获取到的目标车辆内部驾驶员的驾驶图像输入至预设的面部提取神经网络模型中进行识别,获取所述驾驶员的全局面部图像和局部眼区图像;

将所述全局面部图像输入预训练好的第一轻量级神经网络中,输出得到全局特征图,将所述局部眼区图像输入预训练好的第二轻量级神经网络中,输出得到双局部特征图;

将所述全局特征图输入全局特征提取模型中进行特征提取,得到所述全局面部图像对应的全局特征信息,对所述双局部特征图中的第一眼部特征图和第二眼部特征图进行融合分析,得到所述局部眼区图像对应的局部特征信息;具体的,将所述双局部特征图输入选定的局部融合模型后,对所述第一眼部特征图和所述第二眼部特征图进行逐元素融合,生成局部融合特征图;对所述局部融合特征图依次进行卷积和非线性激活处理,在处理过程中引入注意力加权调制机制,生成局部增强特征图;将所述局部增强特征图与预选定所述第二眼部特征图整合后进行特征拆分,确定所述局部特征信息;

对所述全局特征信息和所述局部特征信息进行多重融合处理,并根据处理结果对所述驾驶员的眼部状态进行分类;

根据分类结果得到所述驾驶员疲劳程度对应的疲劳检测结果。

2.如权利要求1所述的基于驾驶员面部识别的疲劳检测方法,其特征在于,所述驾驶员的全局面部图像和局部眼区图像的获取过程,包括:将所述驾驶图像输入所述面部提取神经网络模型中,输出得到所述驾驶员整体面部的边界顶点坐标和关键点坐标;所述面部提取神经网络模型由对多任务级联卷积网络预训练得到;

根据所述边界顶点坐标和所述关键点坐标对所述驾驶图像进行裁剪,得到所述全局面部图像和所述局部眼区图像。

3.如权利要求1所述的基于驾驶员面部识别的疲劳检测方法,其特征在于,所述将所述全局特征图输入全局特征提取模型中进行特征提取,得到所述全局面部图像对应的全局特征信息,包括:在所述全局特征提取模型中,对所述全局特征图进行全局平均池化的降维处理,得到第一特征张量;

将所述第一特征张量输入所述全局特征提取模型配置的全连接层中进行通道调节,得到第二特征张量;

利用激活函数对所述第二特征张量进行非线性优化,得到第三特征张量;

整合所述第三特征张量与所述全局特征图,确定所述全局特征信息。

4.如权利要求1所述的基于驾驶员面部识别的疲劳检测方法,其特征在于,所述对所述全局特征信息和所述局部特征信息进行多重融合处理,并根据处理结果对所述驾驶员的眼部状态进行分类,包括:将所述全局特征信息和所述局部特征信息依次进行权重分析、通道增强和加权融合处理,得到目标面部特征数据;

将所述目标面部特征数据输入预设的分类器模型中对所述驾驶员的眼部闭合和张开状态进行分类。

5.如权利要求4所述的基于驾驶员面部识别的疲劳检测方法,其特征在于,所述将所述全局特征信息和所述局部特征信息依次进行权重分析、通道增强和加权融合处理,得到目标面部特征,包括:将所述全局特征信息和所述局部特征信息进行向量拼接,并为拼接后的所述全局特征信息和所述局部特征信息分别赋予权重;

对赋权后的所述全局特征信息依次进行第一通道增强和空间对齐处理,得到全局优化特征,并对赋权后的所述局部特征信息实施第二通道增强,确定局部优化特征;

将所述全局优化特征和所述局部优化特征进行加权融合,得到所述目标面部特征。

6.如权利要求1所述的基于驾驶员面部识别的疲劳检测方法,其特征在于,所述根据分类结果得到所述驾驶员疲劳程度对应的疲劳检测结果,包括:根据所述分类结果,确定驾驶员的眼部状态分布概率;

根据所述眼部状态分布概率,计算在预设时间段内的所述驾驶员眼部闭合的目标帧数;

通过计算所述目标帧数占预设时间段内总帧数的百分比,确定所述疲劳程度对应的量化结果;

当所述量化结果超过预设的疲劳阈值时发出警告,并根据警告内容和所述量化结果,生成所述疲劳检测结果。

7.一种基于驾驶员面部识别的疲劳检测系统,其特征在于,包括:

面部特征检测模块,用于将获取到的目标车辆内部驾驶员的驾驶图像输入至预设的面部提取神经网络模型中进行识别,获取所述驾驶员的全局面部图像和局部眼区图像;

特征提取模块,用于将所述全局面部图像输入预训练好的第一轻量级神经网络中,输出得到全局特征图,将所述局部眼区图像输入预训练好的第二轻量级神经网络中,输出得到双局部特征图;

特征优化模块,用于将所述全局特征图输入全局特征提取模型中进行特征提取,得到所述全局面部图像对应的全局特征信息,对所述双局部特征图中的第一眼部特征图和第二眼部特征图进行融合分析,得到所述局部眼区图像对应的局部特征信息;具体的,将所述双局部特征图输入选定的局部融合模型后,对所述第一眼部特征图和所述第二眼部特征图进行逐元素融合,生成局部融合特征图;对所述局部融合特征图依次进行卷积和非线性激活处理,在处理过程中引入注意力加权调制机制,生成局部增强特征图;将所述局部增强特征图与预选定所述第二眼部特征图整合后进行特征拆分,确定所述局部特征信息;

分类模块,用于对所述全局特征信息和所述局部特征信息进行多重融合处理,并根据处理结果对所述驾驶员的眼部状态进行分类;

疲劳检测模块,用于根据分类结果得到所述驾驶员疲劳程度对应的疲劳检测结果。

8.一种计算机设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的基于驾驶员面部识别的疲劳检测方法。

9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,其中,所述计算机可读存储介质所在设备执行所述计算机程序时,实现如权利要求1至6中任意一项所述的基于驾驶员面部识别的疲劳检测方法。