摘要：针对目前严重的疲劳驾驶行为，研制了一种疲劳驾驶检测装置。在座椅头枕上前方正对驾驶员头部的位置安装1个红外线发射二极管和2个红外线接收头，由单片机控制红外线发射的电流强度，同时检测接收头的信息就可以检测头部的相对位置。如果驾驶员处在疲劳驾驶状态中，头部必定偏离正常位置并且时间超过设定值，则输出报警和制动控制信号。在几种典型车辆上对该系统进行了实验，验证了方法的正确性和有效性，并能达到较高的测量精度。 　　1　检测仪结构特点 　　该检测仪由单片机控制反射式红外线传感器对驾驶员头部位置进行检测，通过检测驾驶员在常规坐姿下的头部与座椅头枕的相对位置，自动判断驾驶员是否处在疲劳驾驶状态中。

基于深度学习的疲劳驾驶检测方法研究.pdf

基于Python实现的疲劳驾驶检测

本设计目标在于利用Matlab强大的图像处理能力和实用便捷的编程方法，通过处理包含人脸的视频帧系列图像，灰度积分投影技术的眼睛定位方法，进而利用perclos计数，计算眨眼率，从而得到比较准确的疲劳状况。 2.具体要求 本设计基于灰度积分投影技术的眼睛定位方法，再结合perclos技术。首先通过图像预处理技术得到灰度分配较为均匀的图像,然后分别利用水平和垂直灰度积分投影曲线结合人脸的结构特征找到眼睛的位置坐标,实现了准确的眼睛定位,通过perclos技术技术眨眼率，根据先验值得到是否疲劳。

基于yolov5+PyQt5实现危险驾驶行为检测源码(带GUI界面)+训练好的模型+数据集+评估指标曲线+操作使用说明.7z 危险驾驶行为检测：打哈欠、闭眼、抽烟、打电话、疲劳驾驶检测 带gui界面、yolov5算法、训练好的模型、评估指标曲线、使用方法教程、项目说明 【备注】主要针对正在做毕设的同学和需要项目实战的深度学习cv图像识别模式识别方向学习者。 也可作为课程设计、期末大作业。包含：项目源码、训练好的模型、项目操作说明等，该项目可直接作为毕设使用。 也可以用来学习、参考、借鉴。如果基础不错，在此代码上做修改，训练其他模型。

上位机采用QT设计，算法框架模型采用百度飞浆EasyDL。 资料包里包含了上位机源码、可执行文件，模型训练，数据集标注，测试效果，模型发布的教程文档，代码设计思路等。本资料属于拿到即可使用，直接完成项目设计，检测各种驾车状态。

上位机采用QT设计，算法框架模型采用百度飞浆EasyDL。 资料包里包含了上位机源码、可执行文件，模型训练，数据集标注，测试效果，模型发布的教程文档，代码设计思路等。 这是基于百度飞浆EasyDL框架完成司机疲劳驾驶检测，只需要少量的图片就可以训练出精度较高的模型，通过QT编写界面，软件从摄像头里读取实时图像数据进行识别。 识别到模型后，会进行计数，在界面上显示出来。比如：带安全带、未带口罩、疲劳驾驶。疲劳驾驶是通过打哈欠的方式标注模型，识别驾驶员是否张大嘴打哈欠。 代码部分思路： （1）通过QT的UI设计工具，设计出好看的界面，设置背景图，控件的布局，QT里UI文件是.ui为后缀。 （2）软件界面上有开启摄像头的按钮，打开摄像头之后，会实时读取摄像头的图像数据，然后调用EasyDL的模型进行识别。 （3）识别到对应标注的模型之后，可以进行语音提示，并且在界面进行计数显示。

疲劳驾驶检测 matlab 没用

YOLOv5疲劳驾驶数据集和疲劳驾驶检测系统源码。本项目采用该进YOLOv5进行疲劳特征检测模型训练，引入注意力机制，在疲劳视频测试阶段，引入deep-sort目标跟踪算法 疲劳检测模型，基于YOLOv5网络结构进行训练。采用YawnDD，CEW，DROZY数据集，对其中部分视频进行分帧处理。共标记6800张样本，按照4:1分为训练集和测试集。 本项目分别采用YOLOv5模型：YOLOv5s, YOLOv5m, YOLOv5l, YOLOv5进行多次训练 YOLOv5疲劳驾驶数据集和疲劳驾驶检测系统源码。本项目采用该进YOLOv5进行疲劳特征检测模型训练，引入注意力机制，在疲劳视频测试阶段，引入deep-sort目标跟踪算法 疲劳检测模型，基于YOLOv5网络结构进行训练。采用YawnDD，CEW，DROZY数据集，对其中部分视频进行分帧处理。共标记6800张样本，按照4:1分为训练集和测试集。 本项目分别采用YOLOv5模型：YOLOv5s, YOLOv5m, YOLOv5l, YOLOv5进行多次训练

疲劳驾驶检测图像数据集（两种标签，2900多张图像，VOC，COCO）.zip