基于深度学习的人脸图像疲劳检测算法研究.pdf

哈尔滨理工大学工学硕士学位论文

基于深度学习的人脸图像疲劳检测算法研究

摘要

疲劳检测是当前计算机视觉领域的热点之一。随着人工智能技术的迅速发

展，人脸图像的疲劳检测在多个领域中具有广泛的应用前景，如驾驶员状态监

测、工作场所安全和医疗保健。然而，进行准确的疲劳检测仍然是一个具有挑

战性的问题。本文旨在提出一种有较高准确率的疲劳检测算法。

首先，本文提出一种使用注意力机制改进的MobileNetV2卷积神经网络，

旨在提高疲劳检测的准确率。在MobileNetV2的倒残差结构中嵌入ECA通道注

意力机制给予图像中关键特征更大的权重，使得模型能够有效地识别疲劳状态。

并且调整了MobileNetV2的网络层结构，采用自适应权重全局深度卷积替换了

全局平均池化层。将改进后的MobileNetV2网络命名为EG_MobileNetV2，该网

络模型在NTHU-DDD和YawDD两个数据集上疲劳检测准确率分别为88.75%

和96.33%，较原MobileNetV2分别提升3.11%和2.95%。

其次，为了进一步提升网络的准确率。在面对计算资源受限的环境时，本研

究采用了SVM分类器优化后的单一网络模型以提高人脸疲劳检测的准确率，

EG_MobileNetV2（SVM）模型在NTHU-DDD和YawDD数据集上的疲劳检测

准确率分别达到89.75%和97.35%。而在计算资源充裕的条件下，采用决策级融

合策略综合了来自多个独立网络的预测结果，通过这种集成学习方法最终实现

一个准确的人脸疲劳检测模型。采用决策级融合策略的分类器（D-S）在NTHU-

DDD数据集和YawDD数据集上疲劳检测的准确率分别达到了91.37%和98.88%，

验证了该策略在资源不受限情况下有效的提升了准确率。通过这两种不同的优

化方法实现了在不同资源条件下对人脸疲劳检测任务的准确性提升。

本文提出的人脸疲劳检测算法实现了出色的疲劳检测性能，表明其在驾驶

员监测、工作场所安全和医疗保健等领域具有广泛的应用前景。

关键词疲劳检测；注意力机制；卷积神经网络；决策融合

-I-

哈尔滨理工大学工学硕士学位论文

ResearchonFatigueDetectionAlgorithmofFace

ImagesonDeepLearning

Abstract

Fatiguedetectionisoneofthehottopicsinthecurrentcomputervisionfield.

Withtherapiddevelopmentofartificialintelligencetechnology,fatiguedetectionof

faceimageshasbroadapplicationprospectsinmultiplefields,suchasdriverstatus

monitoring,workplacesafety,andhealthcare.However,accuratefatiguedetection

remainsachallengingproblem.Thispaperaimstoproposeafatiguedetection

algorithmwithhighaccuracy.

First,thispaperproposesaMobileNetV2convolutionalneuralnetworkimproved

byattentionmechanism,aimingtoimprovetheaccuracyoffatiguedetection.TheECA

channelattentionmechanismisembeddedintheinvertedresidualstr