Erkennung von Fahrerer Müdigkeit mithilfe eines zustandsadaptiven Repräsentationslernrahmen

Wir schlagen einen zustandsadaptiven Repräsentationslernrahmen zur Erkennung von Fahrerer Müdigkeit vor, der auf einem 3D-tiefen konvolutionalen neuronalen Netzwerk basiert. Der vorgeschlagene Rahmen besteht aus vier Modellen: raum-zeitliches Repräsentationslernen, Verständnis der Szenenbedingungen, Merkmalsfusion und Müdigkeitserkennung. Das raum-zeitliche Repräsentationslernen extrahiert Merkmale, die Bewegungen und Erscheinungen in Videos gleichzeitig beschreiben können. Das Verständnis der Szenenbedingungen klassifiziert die Szenenbedingungen, die mit verschiedenen Bedingungen der Fahrer und Fahrsituationen zusammenhängen, wie z.B. den Status des Brillentragens, die Lichtverhältnisse beim Fahren und die Bewegung von Gesichtselementen wie Kopf, Auge und Mund. Die Merkmalsfusion erzeugt eine zustandsadaptive Repräsentation unter Verwendung von zwei Merkmalen, die aus den oben genannten Modellen extrahiert wurden. Das Müdigkeitserkennungsmodell erkennt den Status der Fahrermüdigkeit mithilfe der zustandsadaptiven Repräsentation. Der zustandsadaptive Repräsentationslernrahmen kann discriminativere Merkmale extrahieren, die sich auf jede Szenenbedingung konzentrieren, als die allgemeine Repräsentation, sodass die Methode zur Müdigkeitserkennung genauere Ergebnisse für die verschiedenen Fahrsituationen liefern kann. Der vorgeschlagene Rahmen wird mit dem NTHU-Datensatz zur Erkennung von müden Fahrern evaluiert. Die experimentellen Ergebnisse zeigen, dass unser Rahmen die bestehenden Methoden zur Müdigkeitserkennung auf der Grundlage visueller Analyse übertrifft.