驾驶员注意力不集中或者分心是道路交通事故的主要原因。 为了减少道路交通事故，设计开发驾驶员疲劳检测系统至关重要。本次实现的应用运用开源库Dlib训练好的模型“shape_predictor_68_face_landmarks.dat”进行68点标定，利用OpenCv进行图像化处理，在人脸上画出68个点，并标明序号。当检测到驾驶员的眼睛闭上4-5 秒时候，就会产生警报。 点击驾驶员困倦检测时，系统会自动打开电脑摄像头，你便可以模拟驾驶室的角色进行测试，当驾驶员在驾驶过程中闭眼，且超过5s系统会触 环境配置：python3.7、配置以下包 tensorflow>=1.12* keras==2.2.4 等。 人脸关键点检测是人脸识别任务中重要的基础环节，人脸关键点精确检测对众多科研和应用课题具有关键作用，如：表情识别、疲劳监测等。因此，如何获取高精度人脸关键点，一直以来都是计算机视觉、模式识别、图像处理等领域的热点研究问题。然而人脸关键点检测方法根据是否需要参数化模型可分为以下两类，基于参数化形状模型的方法和基于非参数形状模型的方法。目前，最为常用的是基于非参数形状模型的深度学习方法。

基于深度学习实现驾驶员分心驾驶行为识别项目源码+数据集+模型+项目说明.7z 附数据集下载链接，输入一张图片，输出驾驶员状态及概率 驾驶员状态识别如下 c0: 安全驾驶 c1: 右手打字 c2: 右手打电话 c3: 左手打字 c4: 左手打电话 c5: 调收音机 c6: 喝饮料 c7: 拿后面的东西 c8: 整理头发和化妆 c9: 和其他乘客说话 【使用工具】 OpenCV Matlibplot Pytorch TensorboardX 【代码介绍】 data_mean.py 统计训练图片的均值与标准差 splite_valid.py 分离验证集与训练集 visual_classes.py 浏览每个驾驶状态 visual_samples.py 浏览随机的样本 model_plot.py 利用_tensorboardX_进行模型的绘制........

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。

多主体建模系统 C＃编写的多代理系统，用于隧道火灾情况下的驾驶员行为分析

驾驶员的困倦是道路交通中发生严重事故的主要原因之一。 因此，已经付出了特别努力来寻找更好的辅助技术。 然而，由于昏昏欲睡的驾驶员的头部通常处于倾斜状态，因此几种现有方法无法有效地工作。 此外，车辆的晃动或驾驶员的眨眼甚至使问题变得更加复杂。 无论如何，低头姿势也意味着昏昏欲睡的状态。 因此，本文提出了一种新方法，将点头行为作为我们检测模型的输入。 在检测到人脸后，提取一些重要的面部特征； 然后，它们被用来计算预定的最优参数； 最后，基于这些阈值评估睡意。 在我们的经验实验中，所提出的算法可以成功准确地检测到 96.56% 的案例。

在本文中，我们提供了一种基于驾驶员眼睛跟踪的交通拥挤的驾驶视频对象检测数据集，称为ETOD。此外，提出了一种实时显着目标检测网络ID-YOLO，用于检测交通繁忙的驾驶场景中的驾驶员固定目标。

(更多详情、使用方法，请下载后细读README.md文件) Kaggle 州立农场分心驾驶员检测\n我在本次 Kaggle 竞赛“State Farm Distracted Driver Detection”中的解决方案，第 10 名。

通过Python第三方库dlib训练好的深度残差网络人脸识别模型进行是否疲劳的判定

公交驾驶员排班与轮班问题的模型与算法研究.pdf

机动车驾驶员技师答辩试题.docx