面部特征识别疲劳驾驶检测系统毕业设计【附代码】

✅博主简介：本人擅长数据处理、建模仿真、程序设计、论文写作与指导，项目与课题经验交流。项目合作可私信或扫描文章底部二维码。

---

1. 基于SimAM无参注意力机制的轻量化YOLOv5s人脸检测网络

设计目标：在YOLOv5s主干网络中引入SimAM无参注意力机制，以增强对有效信息区域的关注，提高人脸检测精度。

方法概述：

• YOLOv5s模型：YOLOv5s是YOLO系列的轻量级版本，适合实时应用场景。它以较少的计算资源提供了较高的检测精度。
• SimAM无参注意力机制：SimAM（Simple Attention Module）是一种无参注意力机制，旨在自动聚焦于输入数据中的关键区域，而无需额外的学习参数。

改进策略：

• 在YOLOv5s的主干网络尾部添加SimAM模块，以使模型能够更加专注于图像中的关键区域，如人脸特征区域，从而提升检测精度。

实验结果：

• 在Wider Face数据集上的测试表明，相比于原始YOLOv5s模型，改进后的网络在参数量不变的情况下，检测精度提高了2.1%。这表明SimAM模块显著提升了模型的检测能力，能够更好地完成面部检测任务。

2. 带有辅助子网络的PFLD人脸关键点检测模型

设计目标：改进PFLD（Pyramid Face Landmark Detector）模型，以增强人脸关键点的检测能力，同时优化模型参数量和检测速度。

方法概述：

• PFLD模型：PFLD是一种高效的人脸关键点检测模型，通过多尺度特征融合来提升对不同大小目标的检测能力。
• Ghost Bottleneck：Ghost Bottleneck模块旨在通过生成低计算量的特征图来减少模型的参数量，提高计算效率。

改进策略：

• 多尺度特征融合模块：构建多尺度特征融合模块，以增强模型对大目标和小目标的检测能力。
• Ghost Bottleneck优化：采用Ghost Bottleneck优化模型主干网络，以降低模型的参数量并提升检测速度。

实验结果：

• 在WFLW数据集上的测试表明，改进后的PFLD模型在检测速度和精度方面均有显著提升，满足实际应用需求。

3. 基于面部多特征融合的疲劳判定方法

设计目标：通过面部多特征融合方法对驾驶员的疲劳状态进行判定，结合面部关键点提取的特征来实现准确的疲劳检测。

方法概述：

• EAR和MAR计算：使用人脸关键点计算眼睛的EAR（Eye Aspect Ratio）和嘴部的MAR（Mouth Aspect Ratio）值，以提取眼部和嘴部特征。
• PFLD辅助子网络：获取头部特征，进一步增强对疲劳状态的检测能力。
• 疲劳阈值设定：根据提取的面部特征（如眨眼、打哈欠、瞌睡点头等）设定疲劳阈值，从而判定驾驶员的疲劳状态。

实验结果：

• 在YawDD数据集上的测试表明，基于面部多特征融合的疲劳判定方法检测准确率达到95.3%。这表明该方法在实际疲劳驾驶检测中具有较高的准确性。

4. 疲劳驾驶检测及监管系统设计与实现

设计目标：实现一个完整的疲劳驾驶检测及监管系统，包括嵌入式检测系统和后台监管系统。

系统架构：

• 嵌入式检测系统：基于Orange Pi 5开发板实现疲劳驾驶检测功能。Orange Pi 5是一款功能强大的嵌入式开发板，适合实时数据处理和模型推理。
• 后台监管系统：使用Spring Boot开发后台管理系统，用于实时监控和管理检测结果。

实现细节：

• 系统搭建：在Orange Pi 5上搭建疲劳驾驶检测系统，并与Spring Boot后台系统进行数据交互，实现检测数据的上传和实时监控。
• 测试实验：经过测试，设计的疲劳驾驶检测及监管系统能够准确地判定疲劳驾驶行为，并对驾驶员进行有效的监管。

数据来源：

识别效果：

import torch
import torch.nn as nn

class SimAM(nn.Module):
    def __init__(self, in_channels):
        super(SimAM, self).__init__()
        self.conv = nn.Conv2d(in_channels, in_channels, kernel_size=1)
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        attention = self.conv(x)
        attention = self.sigmoid(attention)
        return x * attention

class YOLOv5s_with_SimAM(nn.Module):
    def __init__(self):
        super(YOLOv5s_with_SimAM, self).__init__()
        self.backbone = nn.Sequential(
            nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3),
            nn.BatchNorm2d(64),
            nn.ReLU(),
            # 省略其他层
        )
        self.simam = SimAM(64)
        self.head = nn.Conv2d(64, 1, kernel_size=1)

    def forward(self, x):
        x = self.backbone(x)
        x = self.simam(x)
        x = self.head(x)
        return x

# PFLD带有辅助子网络的改进模型示例（简化版）
class GhostBottleneck(nn.Module):
    def __init__(self, in_channels, out_channels):
        super(GhostBottleneck, self).__init__()
        self.primary_conv = nn.Conv2d(in_channels, out_channels // 2, kernel_size=3, padding=1)
        self.cheap_operation = nn.Conv2d(out_channels // 2, out_channels // 2, kernel_size=3, padding=1)

    def forward(self, x):
        primary = self.primary_conv(x)
        cheap = self.cheap_operation(primary)
        return torch.cat([primary, cheap], dim=1)

class ImprovedPFLD(nn.Module):
    def __init__(self):
        super(ImprovedPFLD, self).__init__()
        self.backbone = nn.Sequential(
            nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3),
            nn.BatchNorm2d(64),
            nn.ReLU(),
            GhostBottleneck(64, 128),
            # 省略其他层
        )
        self.head = nn.Conv2d(128, 68, kernel_size=1)  # 68个关键点

    def forward(self, x):
        x = self.backbone(x)
        x = self.head(x)
        return x

# 面部疲劳检测系统的特征提取与判定（简化版）
def calculate_ear(eye_points):
    A = torch.norm(eye_points[1] - eye_points[5])
    B = torch.norm(eye_points[2] - eye_points[4])
    C = torch.norm(eye_points[0] - eye_points[3])
    return (A + B) / (2.0 * C)

def calculate_mar(mouth_points):
    A = torch.norm(mouth_points[2] - mouth_points[10])
    B = torch.norm(mouth_points[4] - mouth_points[8])
    C = torch.norm(mouth_points[0] - mouth_points[6])
    return (A + B) / (2.0 * C)

def fatigue_detection(eye_points, mouth_points, head_features):
    ear = calculate_ear(eye_points)
    mar = calculate_mar(mouth_points)
    # 设定阈值并判断疲劳状态
    if ear < 0.2 and mar > 0.6:
        return "Fatigued"
    return "Not Fatigued"