Real-Time Eye State Detection System for Driver Drowsiness Using Convolutional Neural Network/基於卷積神經網路的駕駛者疲勞即時眼部狀態偵測系統

出版數據
類型	紙
標題	基於卷積神經網路的駕駛者疲勞即時眼部狀態偵測系統
描述
作者
年	2020
語言	英語（en）
執照	CC-BY-SA-4.0
引用方式	W. Kongcharoen、S. Nuchitprasitchai、Y. Nilsiam 和 JM Pearce，“基於卷積神經網路的駕駛員疲勞即時眼狀態檢測系統”，2020 年第 17 屆電氣工程/電子、電腦、電信和資訊科技國際會議 (ECTI-CON)，泰國普吉島，2020 年，第 5511頁，doi：10.1109/ECTI-CON49241.2020.9158265。 https ://doi.org/10.1109/ECTI-CON49241.2020.9158265 開放獲取

專案數據
類型
作者	W. Kongcharoen S. Nuchitprasitchai Y. Nilsiam 約書亞 M. 皮爾斯
地點	美國密西根州
地位	設計建模原型已驗證
經核實	最多
年
連結	https://www.academia.edu/43821713/Real_Time_Eye_State_Detection_System_for_Driver_Drowsiness_Using_Convolutional_Neural_Network\| https://ieeexplore.ieee.org/document/9158265�
OKH宣言	下載

設備數據
設計文件	https://github.com/wissarutkong/cnn_eyedetection GitHub
硬體許可	CERN-OHL-S
認證	開始 OSHWA 認證

道路交通事故造成人員傷亡的主要原因之一是駕駛打瞌睡。本研究開發了一種基於新型開源物聯網 (IoT) 系統的眼動追蹤技術。該研究評估了三種駕駛員眼動識別演算法，這些演算法將被整合到開源解決方案中，以便在駕駛員開始打瞌睡時將其喚醒：1) 卷積神經網路 (CNN) 結合 Haar 級聯；2) 68 個面部特徵點；3) 在白天和夜間駕駛條件下，以及佩戴和不佩戴眼鏡的情況下，檢測三種不同面部位置的注視點。每種因素組合均測試 100 次。根據正確偵測次數選擇最佳演算法，然後基於光線（白天和夜晚）、臉部角度（左側、右側和中間）、相機角度（左側和右側）以及是否配戴眼鏡等因素再次測試演算法，以偵測眨眼和閉眼狀態。結果表明，檢測駕駛員眼動最準確的演算法是結合 Haar 級聯的 CNN，準確率達到 94%。該系統能夠偵測駕駛員在駕駛過程中的眼部狀態，如果駕駛閉眼超過兩秒，系統會發出警報喚醒駕駛員，從而避免事故發生。這套開源系統的成本約為100美元，預計在全球廣泛應用，並協助減少道路交通事故。

免費開源程式碼https://github.com/wissarutkong/cnn_eyedetection

關鍵字

另請參閱

頁面數據
關鍵字	電腦視覺、即時監控、眼睛狀態檢測、卷積神經網路、哈爾級聯、嗜睡檢測演算法、眨眼、汽車安全、交通事故死亡、健康
永續發展目標	永續發展目標03：良好健康與福祉，永續發展目標09：產業創新與基礎設施
作者
執照	CC-BY-SA-4.0
組織	MOST，MTU
語言	英語（en）
翻譯	烏克蘭語、土耳其語、阿拉伯語
有關的	3 個子頁面，47 個頁面連結在此
瀏覽量	381 頁瀏覽（分析）
創建	2020年8月8日，作者：約書亞·M·皮爾斯
最後編輯	2025年3月6日，作者：Felipe Schenone
引用方式	Joshua M. Pearce (2020–2025)。「基於卷積神經網路的駕駛者疲勞即時眼部狀態偵測系統」。 Appropedia 。檢索日期：2026年1月25日。
API 查詢	基本、語意、HTML、文件、更多