融合多参数的驾驶员疲劳检测算法：深度学习与宽度学习的应用

本文档主要探讨了一种创新的疲劳驾驶检测方法，名为"基于级联宽度学习的疲劳驾驶检测"。这项研究旨在通过集成多参数分析来减少由驾驶员疲劳导致的交通事故风险。研究人员朱玉斌、延向军、申旭奇和卢兆林来自中国矿业大学信息与控制工程学院以及山西潞安集团的相关部门，他们的工作聚焦于利用深度学习技术提高驾驶安全。 论文的核心部分采用了渐进校准网络（PCN）进行人脸图像的初步处理，通过对人脸关键点的检测，如眼睛和嘴巴，提取关键特征。这些关键点的定位是通过一个基于CNN的回归模型实现的，这一步骤有助于准确识别驾驶者的面部特征。接着，利用宽度学习系统(BLS)，对眼睛和嘴巴的状态进行识别，这是疲劳检测的重要组成部分，因为眼睛闭合和嘴部松弛常常是疲劳的明显迹象。 进一步地，研究人员构建了一个二级宽度网络，该网络接收眼睛、嘴巴和头部状态的时间序列数据，对驾驶者整体的状态进行实时判断。这种多模态信息的融合有助于提高疲劳检测的准确性。实验结果显示，该算法具有较高的疲劳检测精度，达到了94.9%，而且单帧检测时间仅为52.43毫秒，显示了其在实际应用中的高效性。 关键词包括"疲劳检测"、"宽度学习"、"深度学习"和"信息融合"，这些关键词突出了研究的技术背景和主要贡献。此外，文章还提到了研究工作的资金支持，包括国家自然科学基金项目和江苏省的人才发展项目，反映出该领域的科研投入和对该问题的重视。 这篇论文提供了一种有效的疲劳驾驶检测技术，通过深度学习和多参数融合，提高了驾驶者状态的实时监控能力，为智能交通安全提供了新的解决方案。这项研究成果对于提升道路交通安全具有重要的实践意义。