人工智能|驾驶员嗜睡分类 - 深度学习深度学习|机器学习|tensorflow|

文章图片
瞌睡检测是一种汽车安全技术，有助于防止驾驶员在驾驶时睡着了造成的事故。根据 NHTSA（美国国家公路交通安全管理局）的数据，警方报告的 91,000 起车祸涉及疲劳驾驶。这些车祸导致 2017 年估计有 50,000 人受伤和近 800 人死亡。目前，方法主要集中在使用深度学习或机器学习技术进行眨眼检测，但是，如果司机戴墨镜怎么办？
如果我们同时考虑驾驶员的头部倾斜、打哈欠和其他因素会怎样？是的，这正是本文所做的。
在进入特征提取部分之前，从“ULg 多模态嗜睡数据库”（也称为DROZY(http://www.drozy.ulg.ac.be/) ）中获取数据，该数据库包含各种类型的嗜睡相关数据（信号、图像等）。
该数据集包含大约 45 个视频剪辑，这些剪辑按照卡罗林斯卡嗜睡量表 (KSS) 进行标记。KSS 量表范围从 1 到 9，其中 1 表示非常警觉，9 表示非常困。
由于该数据集中缺少数据和标签，因此将标签从 1-9 转换为 1-3，分别表示无嗜睡、中度嗜睡和高度嗜睡。本来会使用视频分类过程，但由于数据不够，先提取特征并将它们用作我的模型输入。这样，模型将使用更少的数据达到更准确的效果。
特征提取
对于这个特定任务，我将使用 TensorFlow-GPU 2.6 和 python 3.6 以及使用 pip 预安装的库 open-cv、dlib、scipy。
特征提取所需的所有库：

from scipy.spatial import distance as dist from imutils.video import FileVideoStream from imutils.video import VideoStream from imutils import face_utils import numpy as np import argparse import imutils import time import dlib import cv2 import datetime import csv import os import math

平均眨眼持续时间：眼睛纵横比低于 0.3 然后高于 0.3 的持续时间被检测为眨眼。眨眼发生的时间称为眨眼持续时间。平均每分钟眨眼持续时间以计算平均眨眼持续时间。

# grab the indexes of the facial landmarks for the left and # right eye, respectively (lStart, lEnd) = face_utils.FACIAL_LANDMARKS_IDXS["left_eye"] (rStart, rEnd) = face_utils.FACIAL_LANDMARKS_IDXS["right_eye"]def eye_aspect_ratio(eye): A = dist.euclidean(eye[1], eye[5]) B = dist.euclidean(eye[2], eye[4]) C = dist.euclidean(eye[0], eye[3]) ear = (A + B) / (2.0 * C) return ear

眨眼频率：每分钟眨眼的次数称为眨眼频率。

def time_difference(start_time, end_time): start_time = start_time.split() for i in range(0,8): hours = int(start_time[3]) mins = int(start_time[4]) secs = int(start_time[5]) milisecs = int(start_time[6]) microsecs = int(start_time[7]) #converting it to microsecs t1, m1, s1, ms1, mis1= hours, mins, secs, milisecs, microsecs start_time_microsecs = mis1 + 1000*(ms1 + 1000*(s1 + 60*(m1 + 60*t1))) end_time = end_time.split() for x in range(0,8,1): hours = int(end_time[3]) mins = int(end_time[4]) secs = int(end_time[5]) milisecs = int(end_time[6]) microsecs = int(end_time[7]) t2, m2, s2, ms2, mis2= hours, mins, secs, milisecs, microsecs end_time_microsecs = mis2 + 1000*(ms2 + 1000*(s2 + 60*(m2 + 60*t2))) #finding the duration of blink time_differ = end_time_microsecs - start_time_microsecs #print 'time_difference in microsecs = ', time_differ return time_differ

嘴部纵横比：计算 MAR 以检测一个人是否在打哈欠。

(omouth, emouth) = face_utils.FACIAL_LANDMARKS_IDXS["mouth"] def mouth_aspect_ratio(mouth): # compute the euclidean distances between the two sets of # vertical mouth landmarks (x, y)-coordinates A = dist.euclidean(mouth[2], mouth[10])# 51, 59 B = dist.euclidean(mouth[4], mouth[8])# 53, 57# compute the euclidean distance between the horizontal # mouth landmark (x, y)-coordinates C = dist.euclidean(mouth[0], mouth[6])# 49, 55# compute the mouth aspect ratio mar = (A + B) / (2.0 * C)# return the mouth aspect ratio return mar

头部姿态：每帧计算不同的角度，得到头部的姿态。

def getHeadTiltAndCoords(size, image_points, frame_height): focal_length = size[1] center = (size[1]/2, size[0]/2) camera_matrix = np.array([[focal_length, 0, center[0]], [ 0, focal_length, center[1]], [0, 0, 1]], dtype="double")dist_coeffs = np.zeros((4, 1))# Assuming no lens distortion (_, rotation_vector, translation_vector) = cv2.solvePnP(model_points, image_points, camera_matrix, dist_coeffs, flags = cv2.SOLVEPNP_ITERATIVE)# flags=cv2.CV_ITERATIVE)(nose_end_point2D, _) = cv2.projectPoints(np.array( [(0.0, 0.0, 1000.0)]), rotation_vector, translation_vector, camera_matrix, dist_coeffs)#get rotation matrix from the rotation vector rotation_matrix, _ = cv2.Rodrigues(rotation_vector)#calculate head tilt angle in degrees head_tilt_degree = abs( [-180] - np.rad2deg([rotationMatrixToEulerAngles(rotation_matrix)[0]]))#calculate starting and ending points for the two lines for illustration starting_point = (int(image_points[0][0]), int(image_points[0][1])) ending_point = (int(nose_end_point2D[0][0][0]), int(nose_end_point2D[0][0][1]))ending_point_alternate = (ending_point[0], frame_height // 2)return head_tilt_degree, starting_point, ending_point, ending_point_alternate

【人工智能|驾驶员嗜睡分类 - 深度学习】这就是我的特征提取过程中的样子。

文章图片

是时候制作模型了！
由于我们已经完成了特征选择部分，我们不必构建复杂的模型。我将使用人工神经网络

import numpy as np import sklearn from sklearn import preprocessing #from sklearn.datasets.samples_generator import make_blobs #from sklearn.preprocessing import LabelEncoder, StandardScaler import csv import os from tensorflow import keras import random from keras.models import Sequential from keras.layers import Dense , Dropout, Activation, BatchNormalization from keras import regularizers importmatplotlib.pyplot as plt #from keras.utils import plot_model import sklearn from sklearn.metrics import chaos_matrix from sklearn.metrics import accuracy_score from sklearn.metrics import classification_report import pickle from keras.utils import np_utils from keras import optimizers from keras.models import load_model

这是深度学习中最简单的模型的设计，但由于特征提取而有效。因为我们计算的是每分钟的瞌睡程度，所以要确保你将你的输入连接起来，然后传递给模型。

#designing the model model=Sequential() model.add(Dense(64, input_dim=6, activation='relu')) model.add(Dropout(0.001)) model.add(Dense(64, input_dim=6, activation='relu')) model.add(Dropout(0.001)) model.add(Dense(32, input_dim=6, activation='relu')) model.add(Dense(16, input_dim=6, activation='relu')) model.add(Dense(4, activation='softmax', use_bias=False))#compile the model #adam = keras.optimizers.Adam(lr=0.01) adam = keras.optimizers.Adam(lr=0.001) model.compile(loss='categorical_crossentropy', optimizer=adam, metrics=['accuracy']) #fit the model checkpoint = keras.callbacks.ModelCheckpoint(filepath="trained_models/DrowDet_model(output4).hdf5", period=1) tbCallBack = keras.callbacks.TensorBoard(log_dir='./scalar', histogram_freq=0, write_graph=True, write_images=True) history=model.fit(Xtrain, Ytrain, epochs=50, batch_size=256, callbacks=[checkpoint, tbCallBack], validation_data=https://www.it610.com/article/(Xval,Yval))

使用准确性与验证准确性和训练损失与验证损失的模型性能。

文章图片

超参数调优模型！我改变了学习率（0.01 -> 0.001），不同的优化器（RMSprop），时期数（20 -> 50）。

文章图片

使用 Sklearn 的混淆矩阵，我在测试集上评估了模型，得到了 73% 的准确率和 89% 的训练准确率。再使用大约 4 个隐藏层，我在测试集上得到了大约 74% 的准确率，在训练数据集上得到了 93% 的准确率。
项目的 Github 链接：https://github.com/vraj1231/Driver-Drowsiness-Detection--Computer-Vision
☆ END ☆
如果看到这里，说明你喜欢这篇文章，请转发、点赞。微信搜索「uncle_pn」，欢迎添加小编微信「 woshicver」，每日朋友圈更新一篇高质量博文。
↓扫描二维码添加小编↓