本發明提供基于剪枝壓縮的疲勞駕駛快速檢測方法，包括以下步驟S1：采用基本回歸樹的人臉對比算法，獲取各類人臉數據庫中的人臉樣本數據，構建人臉區域數據集，并將人臉樣本數據中的人臉、眼和嘴部區域進行標注，刪除復雜場景；S2：使用K?means算法對標注的臉部和眼部目標框的大小進行聚類，采用YOLO V3模型通過DarkNet?53網絡結構進行回歸訓練；S3：在YOLO V3模型中引入BN層，對BN層中的縮放因子γ進行L1正則化處理，判別出不重要的卷積通道或神經元通道；稀疏化訓練后根據剪枝率對模型進行剪枝壓縮，之后再對剪枝后的模型進行微調；S4：采用檢測到的閉眼圖片數量和嘴部張開圖片數量在單位時間內所檢測圖片數量的占比來進行眼部疲勞判定和嘴部哈欠判定。

技術領域

本發明涉及疲勞駕駛檢測技術領域，具體涉及基于剪枝壓縮的疲勞駕駛快速檢測方法。

背景技術

駕駛疲勞是指駕駛員在連續行車時間過久后，導致心理和生理機能的失衡，而在客觀上影響駕駛操作的現象，主要表現有瞌睡、哈欠等行為。盡管引起駕駛疲勞的因素有許多，但駕駛員一旦出現疲勞，很輕易就能導致重大交通事故。此外，在交通法律法規中，對疲勞駕駛的檢測判斷是間接的，主要通過連續駕駛時長來判定，具有很大的局限性。因此，很有必要對駕駛員的疲勞狀態進行實時檢測并給予及時的警示，對維護道路安全具有十分重要的意義。

由于深度學習在圖片處理、語音識別等領域的突出性能，基于深度學習的疲勞檢測已經成為了近年來最主要的研究途徑。其中的很多方法是借鑒adaboost級聯分類進行的，先對圖片多級分類定位出人臉，再做之后臉部其他區域的檢測。但由于在實際行車過程中，會有很多光照的變化和駕駛員臉部姿勢的復雜變動，以及駕駛員背后的乘客人臉對檢測的影響，因此上述方法在一定程度上浪費了前期對圖片的特征提取，導致其檢測的準確性、實時性和魯棒性都有待提高。另一方面，復雜的網絡結果對于硬件設備的要求較高。

因此，本發明提出了基于剪枝壓縮的疲勞駕駛快速檢測方法。

發明內容

為解決上述問題，本發明的目的在于提供基于剪枝壓縮的疲勞駕駛快速檢測方法，

為實現上述目的，本發明提供了如下的技術方案。

基于剪枝壓縮的疲勞駕駛快速檢測方法，包括以下步驟：

S1：采用基本回歸樹的人臉對比算法，獲取各類人臉數據庫中的人臉樣本數據，構建人臉區域數據集，使用YawDD疲勞駕駛視頻數據和CEW閉眼數據集對人臉區域數據集進行擴充；將人臉樣本數據中的人臉、眼和嘴部區域進行標注，刪除復雜場景；

S2：定義損失函數，使用K-means算法對標注的臉部和眼部目標框的大小進行聚類，獲取若干個先驗框；采用YOLO V3模型通過DarkNet-53網絡結構對標注后的人臉樣本數據進行回歸訓練，獲取若干個預測框；求解預測框位置參數、類別置信度和類別信息；

S3：在YOLO V3模型中引入Batch Normalization層，對Batch Normalization層中的縮放因子γ進行L1正則化處理，判別出不重要的卷積通道或神經元通道；根據初始網絡規模及實際問題復雜程度，設定閾值，當其重要性小于閾值時，將相關通道剪掉；稀疏化訓練后根據剪枝率對模型進行剪枝壓縮，之后再對剪枝后的模型進行微調；

S4：采集駕駛員的駕駛視頻流，按幀提取視頻圖片并放入剪枝微調后的YOLO V3模型，采用檢測到的閉眼圖片數量在單位時間內所檢測圖片數量的占比來進行眼部疲勞判定；采用檢測到的嘴部張開圖片數量在單位時間內所檢測圖片數量的占比來進行嘴部哈欠判定，根據眼部疲勞判定和嘴部哈欠判定結果進行判斷是否屬于疲勞駕駛。

優選地，所述S2中每個預測框的目標置信度如下：