3、驾驶疲劳检测与情绪音乐推荐技术解析

驾驶疲劳检测与情绪音乐推荐技术解析

1. 驾驶疲劳检测系统

1.1 背景与问题提出

在印度，与汽车相关的先进疲劳检测设备价格昂贵，当地司机难以获取。目前，虽有通过仪表盘摄像头或传感器检测司机疲劳状态的技术，但多数存在功耗高、成本高和体积大等问题。因此，开发一种基于深度学习的高效、紧凑的疲劳检测系统具有重要意义。

1.2 过往研究方法回顾

• 基于驾驶参数平均法 ：计算司机疲劳时的转向角度和车速平均值作为参考，但所选测量参数主观性强，可靠性不足。
• 深度学习算法 ：基于机器学习的算法通过测量不同参数和表情，以眼睑直径进行训练，准确性较高，但对光线要求高。
• 脑电波和脉搏监测法 ：监测脑电波和脉搏来判断司机是否疲劳，但结果不稳定。

此外，还有多种其他方法，如使用多层感知器分类器（MLP）网络，结合不同数据集和算法进行研究：
- 使用THU数据集 ：让受试者在不同睡眠时长后驾驶约5000公里，收集信息制作探测器，并使用Karolinska睡眠量表（KSS）提醒司机。
- IR敏感相机与高斯模型 ：用IR敏感相机检测司机面部，高斯模型测量眼睛闭合情况。
- LAB方法与模糊c均值算法 ：将RGB图像转换为LAB格式，用模糊c均值算法检查眼睛的虹膜和穹顶区域。
- 模拟驾驶实验