疲劳驾驶监测中的眼角点定位和状态识别研究的中期报告.docxVIP

疲劳驾驶监测中的眼角点定位和状态识别研究的中期报告 本研究旨在通过分析驾驶员眼部特征来监测其疲劳状态，具体涵盖眼角点定位和状态识别两个任务。 一、眼角点定位 在眼角点定位方面，我们采用了基于深度学习的方法，利用了ResNet-50和YOLOv3模型来进行训练和测试。通过对不同数据集（包括自行采集和公开数据集）的实验结果分析，我们得出了以下结论： 1.所采用的模型在眼角点定位方面效果较好，平均定位误差在2-3像素之间； 2.内外眼角点的平均定位误差相当，但外眼角点的方差较大； 3.不同种族和性别的样本在眼角点定位上有细微的差异，表现为在不同区域的定位误差略有差异。 二、状态识别 在状态识别方面，我们采用了基于特征提取和分类器结合的方法。具体而言，我们选取了3种特征（包括LBP、颜色直方图和SIFT），并结合SVM分类器进行了实验。实验结果表明： 1.特征提取对最终分类结果有较大的影响，其中LBP特征表现最好； 2.不同特征的分类效果有所差异，结合使用不同特征可以进一步提升分类效果； 3.最终分类效果与训练集数据的质量和样本数量密切相关，需要更多的数据和更好的样本质量来提升分类效果。 综上，眼角点定位和状态识别是我们监测疲劳驾驶的两个重要任务，在具体实现中需要结合多种方法和技术手段，才能达到更好的效果。我们将继续深入研究和优化，同时开展更多实验和应用场景验证，为疲劳驾驶安全保障做出更大