​

1.  基本介绍

   随着国家科技水平的发展和国民经济水平的提高，人们对于出行的要求也让汽车行业得以迅猛的发展。但是，汽车行业的迅猛发展，在方便人们的出行的同时，也导致了交通事故率的显著提高。疲劳驾驶，是指驾驶员在长时间的连续驾驶后，产生的生理上和心理上的某些机能的严重失调，从而导致出现的一系列开车技能显著降低的现象，然而，驾驶员的疲劳驾驶是可控的，所以，能够准确地检测驾驶的疲劳状态，并在驾驶员疲劳时给出相应的安全警示，可以有效地保障司机的出行安全。

   现有的疲劳驾驶检测方法主要分为三种。第一种是基于驾驶员生理特征的方法，但是检测设备会影响驾驶员的驾驶体验，给驾驶员带来不便。第二种是基于车辆运动特征的方法，但是容易受到自然环境和驾驶员驾驶水平等因素的影响。第三种是基于驾驶员面部特征的方法，但是在低光情况下，检测性能将较大大折扣。因此，我们将在基于驾驶员面部特征的方法上引入低光增强算法来提高其检测性能。

2. 技术方案

   基于MindSpore深度学习框架，我们搭建了Zero-DCE、RetinaFace人脸检测网络和MobileNet网络。

   
   

   主要代码：

   
   

   ​​​​      ​

   
   

   ​

   Zero-DCE网络框架图

​

疲劳检测流程图

增强后的图像眼睛、鼻子等区域的识别相较于原始图像的识别准确率更高，人脸关键点的检测也更加精确，这为后续进行疲劳识别提供了条件。

​

检测结果对比图

结果表明，在夜间疲劳驾驶检测中，使用改进的Zero-DCE疲劳驾驶检测模型，在实际检测中取得了更好的结果。

实验结果对比图

​

​