基于注意力机制改进的疲劳驾驶检测方法

徐敬一; 田瑾; 刘翔; 龚利

doi:10.13873/J.1000-9787(2024)04-0115-04

Chinese

您当前的位置：

首页 >

文章列表页 >

基于注意力机制改进的疲劳驾驶检测方法

计算与测试 | 更新时间：2025-09-11

- 基于注意力机制改进的疲劳驾驶检测方法
- 暂无标题
- 传感器与微系统 2024年第4期页码：115-118
- 作者机构：
  
  1. 上海工程技术大学电子电气工程学院
  2. 华东师范大学通信与电子工程学院
- 作者简介：
- 基金信息：
  
  民航重点项目(U2033218)
- DOI：10.13873/J.1000-9787(2024)04-0115-04
  中图分类号： U463.6;U492.8;TP391.41
- 纸质出版：2024
- 稿件说明：
移动端阅览
徐敬一, 田瑾, 刘翔, 等. 基于注意力机制改进的疲劳驾驶检测方法[J]. 传感器与微系统, 2024,(4):115-118.
徐敬一, 田瑾, 刘翔, 等. 基于注意力机制改进的疲劳驾驶检测方法[J]. 传感器与微系统, 2024,(4):115-118. DOI： 10.13873/J.1000-9787(2024)04-0115-04.

DOI：

摘要

由于疲劳驾驶采集过程中存在因识别角度不佳，部分区域遮挡等原因，在不同时间段丢失了不同特征的时间信息，导致算法的泛用性较差。此外，驾驶疲劳的检测需要在保证综合准确率的同时，需要具有更低的漏检率。针对以上问题，提出了一种基于注意力机制和长短期记忆(LSTM)神经网络的疲劳驾驶检测模型。通过对不同特征定位点计算多维特征向量，并对特征向量的时间序列进行学习，同时引入注意力机制，赋予各维度隐含状态不同的概率权重，加强重要信息对疲劳状态判定的影响和降低丢失特征信息的历史数据对参数的影响。根据实验可得，该方法在更普遍的检测环境下有着92.19%的准确率和1.9%的漏检率，同时在丢失部分特征的环境下漏检率仅有3.07%。

Abstract

关键词

Keywords

references

王从澳,黄润才,孙延标,杨彬,孙刘成.基于特征融合与选择的小样本表情识别[J].传感器与微系统,2022(10).

冯桑,方淦杰,严楷淳,欧阳洁榆.面向智能驾培系统的深度学习表情识别方法[J].传感器与微系统,2022(02).

赵兵,王增平,纪维佳,高欣,李晓兵.基于注意力机制的CNN-GRU短期电力负荷预测方法[J].电网技术,2019(12).

刘明周,蒋倩男,扈静.基于面部几何特征及手部运动特征的驾驶员疲劳检测[J].机械工程学报,2019(02).

耿磊,袁菲,肖志涛,张芳,吴骏,李月龙.基于面部行为分析的驾驶员疲劳检测方法[J].计算机工程,2018(01).

Wanghua Deng,Ruoxue Wu.Real-Time Driver-Drowsiness Detection System Using Facial Features.[J].IEEE Access,2019.

Xiangyuan Lan,Mang Ye,Shengping Zhang,Huiyu Zhou,Pong C. Yuen.Modality-correlation-aware sparse representation for RGB-infrared object tracking[J].Pattern Recognition Letters,2020.

Özal Yildirim.A novel wavelet sequence based on deep bidirectional LSTM network model for ECG signal classification[J].Computers in Biology and Medicine,2018.

浏览量

1153

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于注意力机制的双向LSTM人体活动识别

融合Transformer的改进遮挡人脸识别算法

基于WPD-FEEMD和ARIMA-LSTM的油井产量预测方法

一种新型注意力机制的双人交互行为识别方法

基于改进ResNet18模型的驾驶员面部表情识别方法