Yorick-Ryu / drowsiness-detection

疲劳检测系统

该项目实现了一个基于深度学习的疲劳检测系统,通过分析员面部图像来判断是否处于疲劳状态。

项目依赖

• Python 3.9.18
• TensorFlow 2.17
• OpenCV
• NumPy
• Pandas
• Matplotlib
• split-folders

数据集

使用了疲劳数据集(Driver Drowsiness Dataset),包含两类图像:

• 疲劳状态(Drowsy)
• 清醒状态(Non-Drowsy)ß

数据集下载链接: Driver Drowsiness Dataset on Kaggle

数据集按7:1.5:1.5的比例分为训练集、验证集和测试集。

模型架构

项目实现了三种模型:

1. 自定义CNN模型

• 3个卷积层(Conv2D)
• 3个最大池化层(MaxPool2D)
• 2个全连接层(Dense)
• 输出层(softmax)

2. VGG19迁移学习模型

• 预训练VGG19作为特征提取器
• 添加全局平均池化
• 2个全连接层
• Dropout和BatchNormalization
• 输出层(softmax)

3. MobileNet迁移学习模型

• 预训练MobileNet作为特征提取器
• 与VGG19模型相同的顶层架构

实验结果

三个模型在测试集上的表现:

Model	Accuracy	Precision	Recall
CNN	0.99	0.99	0.99
VGG19	0.78	0.78	0.78
MobileNet	0.99	0.99	0.99

CNN和MobileNet模型更好。