人工智能_深度学习之疲劳驾驶检测，通过检测人脸和嘴巴，来判断驾驶员是否处于疲劳状态。 MATLAB编写程序，界面清晰，运行简单。

疲劳驾驶测试Demo.rar

针对现有疲劳驾驶检测算法实用性差或准确率低的问题, 本文提出了一种基于深度学习的疲劳驾驶检测算法. 首先, 使用 HOG (Histogram of Oriented Gradient) 特征算子检测人脸的存在; 其次, 利用特征点模型实现人脸的对齐, 同时实现眼睛、嘴巴区域的分割; 最后通过深度卷积神经网络提取驾驶员的眼部疲劳特征, 并融合驾驶员嘴部的疲劳特征进行疲劳预警. 大量的实验表明, 该方法在疲劳驾驶检测的准确率、实时性等方面都取得明显的性能提升.

汽车工业的发展引起了科研人员对疲劳驾驶监测的研究兴趣，意图开发一种有效的驾驶员监测系统，能及时发现心理物理状态异常，减少疲劳驾驶引起的交通事故。现在许多文献特别专注于生理信号的研究，通过测量心率变异性（HRV）来得到有关心脏运动的信息。事实上，HRV还是一个有效的评估生理压力的指标，因为它可以提供与自主神经系统支配的心血管系统活动相关的信息。本文旨在通过提取人脸特征点，分析由血压引起的皮肤细微运动，再以一个稳健的方式重构光电容积图（PPG）信号。所得结论是，传感器检测到的PPG信号与使用人脸特征