Erkennung von Fahrermüdigkeit basierend auf Convolutional Neural Networks unter Verwendung von EM-CNN

Mit einem Fokus auf die Forschung zur Erkennung von Müdigkeitsfahrten wird ein vollautomatischer Algorithmus zur Erkennung des Müdigkeitsstatus von Fahrern unter Verwendung von Fahrbildern vorgeschlagen. In dem vorgeschlagenen Algorithmus wird die Multitask Cascaded Convolutional Network (MTCNN) Architektur für die Gesichtserkennung und die Lokalisierung von Merkmalspunkten verwendet, und das Interessensgebiet (ROI) wird mit Hilfe von Merkmalpunkten extrahiert. Ein Convolutional Neural Network, genannt EM-CNN, wird vorgeschlagen, um die Zustände der Augen und des Mundes aus den ROI-Bildern zu erkennen. Der Prozentsatz des Lidschlusses über der Pupille über die Zeit (PERCLOS) und der Mundöffnungsgrad (POM) sind zwei Parameter, die für die Müdigkeitserkennung verwendet werden. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene EM-CNN Fahrermüdigkeitseinstellungen effizient anhand von Fahrbildern erkennen kann. Der vorgeschlagene Algorithmus EM-CNN übertrifft andere CNN-basierte Methoden, d.h. AlexNet, VGG-16, GoogLeNet und ResNet50, mit Genauigkeits- und Sensitivitätsraten von 93,623 % bzw. 93,643 %.