基于YOLOv5与LSTM的驾驶员疲劳检测系统设计与实现

1. 项目背景与核心价值

疲劳驾驶是道路交通安全的重要隐患之一。根据相关研究数据显示，超过20%的交通事故与驾驶员疲劳状态有关。传统基于面部特征的疲劳检测方法往往受限于光照条件、遮挡等因素，准确率难以保证。而基于深度学习的解决方案通过端到端的学习方式，能够更准确地捕捉疲劳状态的细微特征。

我在毕业设计中实现的这套系统，采用改进的YOLOv5目标检测算法结合LSTM时序建模，实现了对驾驶员面部特征的实时检测与分析。系统部署在车载终端设备上，当检测到疲劳状态时会立即发出警报，提醒驾驶员注意休息。

2. 技术方案设计

2.1 整体架构设计

系统采用三级检测架构：

1. 人脸检测层：使用轻量级YOLOv5s模型实时定位驾驶员面部
2. 关键点检测层：基于MediaPipe框架提取68个面部特征点
3. 状态分析层：LSTM网络分析连续帧中的眼部、嘴部状态变化

这种分层设计既保证了实时性（平均处理速度达到35FPS），又确保了检测精度（在自建数据集上达到92.3%的准确率）。

2.2 模型优化策略

针对车载设备的计算资源限制，我对标准YOLOv5模型进行了以下优化：

• 通道剪枝：移除冗余卷积通道，模型体积减小42%
• 量化训练：采用FP16混合精度，推理速度提升28%
• 注意力机制：在Backbone末端添加SE模块，提升小目标检测能力

3. 关键实现细节

3.1 数据采集与标注

构建了包含200小时的真实驾驶场景视频数据集：

• 采集设备：Logitech C920摄像头（1080P@30FPS）
• 标注标准：
  • 闭眼：EAR（Eye Aspect Ratio）<0.2持续3帧以上
  • 哈欠：MAR（Mouth Aspect Ratio）>0.5持续5帧以上
  • 点头：头部俯仰角>20度持续10帧以上

使用LabelImg工具进行人脸ROI标注，共标注15,842张样本图像。

3.2 模型训练技巧

训练过程中发现几个关键点：

1. 数据增强策略：

   • 随机亮度调整（±30%）
   • 模拟夜间驾驶的低光照条件
   • 添加运动模糊模拟车辆颠簸

2. 损失函数改进：
   采用Focal Loss解决正负样本不均衡问题：

   code复制FL(pt) = -αt