LiteFat：轻量级时空图学习用于实时驾驶员疲劳检测.pdfVIP

LiteFat：轻量级时空图学习用于实时驾驶员疲劳检测

12324111

JingRen,SuyuMa,HongJia,XiweiXu,IvanLee,HaythamFayek,XiaodongLi,andFengXia

Abstract—检测驾驶员疲劳对于道路安全至关重要，因为度但需要侵入性传感器，使得它们在现实世界部署中

驾驶时的困倦仍然是导致交通事故的主要原因之一。许多现有不太实用。另一方面，基于行为特征的方法通常依赖

的解决方案依赖于计算密集型的深度学习模型，这会导致高延

摄像头捕捉驾驶员的视频，这更适合于实际应用。基

迟，并且不适合资源有限（如智能车辆/汽车）的嵌入式机器

人设备，在这些设备中需要快速检测以防止事故的发生。本文于视觉的模型通过深度学习技术分析面部特征，如眼

介绍了LiteFat，这是一种轻量级的空间-时间图学习模型，旨睛闭合、打哈欠和头部位置，并已获得普及[6],[7]。当

在高效地检测驾驶员疲劳，同时保持高准确性和低计算需求。集成到早期预警系统中时，这些模型可以实时监测驾

本LiteFat涉及使用面部特征点检测将视频流数据转换为空间-时

驶员的状态并及时发出警告。这一自动化过程在减少

译间图（STG），专注于关键的运动模式并减少不必要的数据处交通事故和提高道路安全方面具有重要的实用价值。

理。LiteFat使用MobileNet提取面部特征，并创建STG的特

中征矩阵。然后采用轻量级的空间-时间图神经网络以最小的处理尽管基于视觉的疲劳检测取得了显著进展，但仍

1和低延迟来识别疲劳迹象。在基准数据集上的实验结果表明，存在许多实际挑战[8],[9],[10]。这些模型通常需要大

v与当前最先进的方法相比，LiteFat性能相当，同时显著降低了

6计算复杂性和延迟。这项工作使开发实时、资源高效的人员疲量的计算能力来实时处理高分辨率视频数据，导致高

5

7劳检测系统成为可能，并可以在嵌入式机器人设备上实现。延迟和内存需求增加，这使得在嵌入式汽车系统或机

1器人设备上部署变得复杂[11],[12],[13]。为了提高效

2

7.I.介绍率，一些方法将视频数据转换为时空图（STG），并使

0驾驶员疲劳是全球交通事故的主要原因之一，对用图形学习模型捕捉空间和时间关系[14]。然而，这些

5

2道路安全构成了重大威胁[1].世界卫生组织（WHO）方法通常使用预定义的空间链接来表示面部特征点，

:

v报告称，全球每年有135万人因交通事故死亡。研究引入了人为偏差[15]，并且可能遗漏疲劳检测的关键

i

x表明，与疲劳相关的事故可能占这些致命事故的高达信息。此外，真实世界中的挑战如头部姿态变化、面

r

a30%[2].疲劳会损害反应时间、决策能力和整体驾驶部表情、光照条件以及眼镜或口罩造成的遮挡等问题

表现，强调了实时疲劳检测预防此类事故的必要性。会显著影响基于视觉的驾驶员疲劳检测系统的准确性

即使在自动驾驶技术的进步下，人类监督仍然至关重和可靠性，使其成为该领域的一个持续问题。

要，特别是在半自动驾驶车辆中。为解决这些限制，本文介绍了一种轻量级AI模型

近年来，基于人工智能（AI）的人类疲劳检测系统LiteFat，专门用于嵌入式机器人系统中的高效驾驶员

得到了发展，利用了行为特征[3]和生理信号[4]。生疲劳检测。该模型由三个主要模块组成（见图1）。首

理方法，如脑电图（EEG）和心率监测[5]，提供高精先，关键帧选择和面部特征点检测模块从每个视频片