本文针对传统基于机器视觉的司机疲劳检测模型对硬件系统要求较高、检测准确率和效率较低等问题，提出了一种基于MTCNN-PFLD-LSTM深度学习的司机疲劳驾驶检测方法。该方法利用深度学习技术对驾驶员的面部特征进行提取和分析，通过LSTM模型对驾驶员的疲劳状态进行判断和预测。实验结果表明，该方法具有较高的检测准确率和效率，能够有效地检测司机的疲劳驾驶状态，具有一定的实用性和推广价值。

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

该课题为基于matlab眼部检测的疲劳驾驶系统。我们可以假设有一部摄像头对着大巴司机或者或者司机，对司机进行实时的监测，每隔数秒进行一次疲劳的判别，如果说疲劳驾驶则进行报警或者提示司机。检测方法为先进行人脸定位，在寻找眼睛再去判别眼睛属于睁开还是闭住。去统计闭眼的频率。

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。

这个题目是利用matlab语言。进行眼部判别的疲劳检测系统。带有人机交互界面，可以在GUI界面的基础上进行相应的拓展。

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。

会议论文，疲劳监测，睡眠监测，有助于

基于深度学习的驾驶员分心驾驶行为（疲劳+危险行为）预警系统.zip该项目为人物专注性检测，分为两个检测部分，疲劳检测和分心行为检测。 疲劳检测部分，使用Dlib进行人脸关键点检测，然后通过计算眼睛和嘴巴的开合程度来判断是存在否闭眼或者打哈欠，并使用Perclos模型计算疲劳程度。 分心行为检测部分，使用Yolov5，检测是否存在玩手机、抽烟、喝水这三种行为。 使用方法 依赖：YoloV5、Dlib、PySide2 直接运行main.py，即可使用本程序。 基于深度学习的驾驶员分心驾驶行为（疲劳+危险行为）预警系统.zip该项目为人物专注性检测，分为两个检测部分，疲劳检测和分心行为检测。 疲劳检测部分，使用Dlib进行人脸关键点检测，然后通过计算眼睛和嘴巴的开合程度来判断是存在否闭眼或者打哈欠，并使用Perclos模型计算疲劳程度。 分心行为检测部分，使用Yolov5，检测是否存在玩手机、抽烟、喝水这三种行为。 使用方法 依赖：YoloV5、Dlib、PySide2 直接运行main.py，即可使用本程序。