基于深度学习的船舶驾驶员疲劳检测算法

针对日益凸显的船舶值班人员疲劳驾驶问题,为有效预警值班驾驶员的疲劳状态,保障船舶航行安全,研究了基于深度学习的疲劳检测算法.考虑到船舶驾驶台空间大、背景复杂等特点,使用深度可分离卷积改进RetinaFace人脸检测模型,优化模型的检测速度;基于Channel Split和Channel Shuffle思想,结合批量归一化、全局平均池化等技术搭建改进的ShuffleNetV2网络,自动提取图像特征,识别眼睛、嘴巴的开闭状态;根据PERCLOS准则融合眼睛、嘴巴2个特征参数综合判定驾驶员是否疲劳.实验结果表明:改进后RetinaFace模型的检测速度由9.33 帧/s提升至22.60 帧/s,人脸检测精度和速度均优于多任务卷积神经网络(MTCNN);改进的ShuffleNetV2网络识别眼睛、嘴巴状态的准确率高达99.50％以上;算法在模拟驾驶台环境中识别疲劳状态的精确率达到95.70％,召回率达到96.73％,均高于目前常见的Haar-like+Adaboost以及MTCNN+CNN疲劳检测算法.算法检测每帧图片仅需0.083 s,基本满足实时检测的要求.