黃 玲 洪佩鑫 吳澤榮 劉建榮 黃子虛 崔 躦

（華南理工大學(xué)土木與交通學(xué)院 廣州510640）

0 引 言

疲勞駕駛相比其他顯性違法行為，缺乏有效的檢測(cè)和預(yù)防技術(shù)[1]。盡管有限制的交通規(guī)定，實(shí)際上主要依靠駕駛員的自律性。因此，針對(duì)長(zhǎng)途客貨運(yùn)司機(jī)的實(shí)時(shí)疲勞判定非常重要[2]。而在疫情防控常態(tài)化[3]的背景下，駕駛員經(jīng)常佩戴口罩，對(duì)疲勞檢測(cè)算法提出更高要求。

目前的疲勞駕駛檢測(cè)研究可歸納為基于駕駛行為和車輛狀態(tài)參數(shù)[4]、基于生理參數(shù)[5]、基于圖像處理3種類型?；趫D像處理由于低成本、非接觸式等特點(diǎn)，在計(jì)算機(jī)設(shè)備與智能技術(shù)快速發(fā)展中日益成為主流[6]?；趫D像處理大多是提取駕駛員的面部特征，主要以眼部[7]和嘴部[8]為主。田璐萍等[9]用Adaboost算法檢測(cè)人臉，然后利用特征加權(quán)貝葉斯算法融合PERCLOS（percentage of eyelid closure over the pupil over time）值、眨眼頻率和閉眼時(shí)長(zhǎng)3個(gè)特征對(duì)疲勞狀態(tài)進(jìn)行判斷。李文學(xué)等[10]用紅外攝像頭采集圖像，送入Haar分類器檢測(cè)人臉和人眼，再將序列化數(shù)據(jù)送入LSTM（long short-term memory），最終由SOFTMAX分類器完成判定。另外也有研究融合多種特征進(jìn)行綜合判斷。如曾心遠(yuǎn)等[11]將心率、腦電波功率譜的比率和PERCLOS作為輸入，利用logistics模型判定疲勞結(jié)果。Luis M.Bergasa等[12]結(jié)合6個(gè)參數(shù)：閉眼百分比、閉眼時(shí)間、眨眼頻率、點(diǎn)頭頻率、面部位置和凝視，使用模糊分類器推斷司機(jī)警覺程度。

目前基于圖像處理的疲勞檢測(cè)算法面臨的共同挑戰(zhàn)[13]包括：①光線條件變化，特別是夜間行車對(duì)檢測(cè)人臉造成干擾；②當(dāng)駕駛員在完成轉(zhuǎn)彎、超車等復(fù)雜操作時(shí)，姿態(tài)變化會(huì)使疲勞特征提取質(zhì)量下降甚至失效；③駕駛員的個(gè)體特征和實(shí)時(shí)駕駛環(huán)境的差異會(huì)影響疲勞判斷性能。另外，在全球新型冠狀病毒肺炎疫情大背景下，駕駛員佩戴口罩會(huì)造成臉部信息丟失，而國(guó)內(nèi)外缺乏針對(duì)性的疲勞檢測(cè)研究。

因此，筆者提出1種適用于防疫期間自適應(yīng)性的疲勞駕駛檢測(cè)方法，見圖1。首先，使用SSD模型和MobileNet-V2輕量級(jí)分類模型對(duì)駕駛員佩戴口罩進(jìn)行判斷，對(duì)未佩戴口罩駕駛員，使用基于傳統(tǒng)圖像HOG特征結(jié)合SVM分類器[14]進(jìn)行人臉檢測(cè)，以提升算法實(shí)時(shí)性；對(duì)佩戴口罩的駕駛員，采用SSD+ResNet-10進(jìn)行人臉檢測(cè)。然后，通過級(jí)聯(lián)回歸器精準(zhǔn)定位人臉特征點(diǎn)坐標(biāo)。最后，通過分級(jí)判定疲勞狀態(tài)。在監(jiān)測(cè)過程中使用有效性眨眼和基準(zhǔn)水平值的方式提升疲勞特征質(zhì)量，同時(shí)會(huì)根據(jù)判定狀態(tài)動(dòng)態(tài)調(diào)整閾值，以此適應(yīng)不同駕駛員和駕駛環(huán)境差異。

圖1 自適應(yīng)疲勞檢測(cè)框架Fig.1 Framework of adaptive fatigue detection

1 駕駛員人臉處理

1.1 基于傳統(tǒng)特征的檢測(cè)

圖像的HOG特征對(duì)于光照變化和局部陰影有很好的魯棒性，從圖2（b）可以看出人臉的結(jié)構(gòu)信息。

圖2 HOG特征提取示例Fig.2 Examples of HOGfeature extraction

檢測(cè)人臉模型中的SVM分類器設(shè)計(jì)如下。對(duì)于D={(x1，y1)，…，(xm，ym)}，yi∈{-1，+1}，其 優(yōu)化目標(biāo)函數(shù)及約束條件見式（1）～（3）。

式中：m為樣本數(shù)；ω=(ω1，…，ωd)為超平面的法向量；xi=(xi1，…，xid)為HOG特征向量，d為維度；b為偏置項(xiàng)；ξi為松弛變量；在C取有限值時(shí)，目標(biāo)函數(shù)在最大化間隔時(shí)，允許一些樣本不滿足約束條件。目標(biāo)函數(shù)采用L2范數(shù)作為正則化項(xiàng)，使得法向量ω的非零向量個(gè)數(shù)盡量稠密。

1.2 基于深度網(wǎng)絡(luò)的檢測(cè)

在當(dāng)前全國(guó)疫情防控常態(tài)化趨勢(shì)下，對(duì)于佩戴口罩的人臉檢測(cè)存在巨大的行業(yè)需求。然而由于口罩對(duì)人臉的遮擋造成部分人臉結(jié)構(gòu)化信息丟失，會(huì)降低人臉檢測(cè)精度以及存在大量誤檢的情況。針對(duì)該問題，筆者采用以殘差網(wǎng)絡(luò)ResNet-10作為基本骨架的SSD預(yù)訓(xùn)練模型檢測(cè)駕駛員人臉。

另外，通過復(fù)用MobileNet-V2模型訓(xùn)練人臉是否佩戴口罩的分類器，在判斷未戴口罩的情況下用1.1中所述的基于HOG特征的檢測(cè)模型，從而提高實(shí)時(shí)性。首先，使用基于ImageNet預(yù)訓(xùn)練的模型作為骨架，丟棄頭部輸出層。然后，添加平均池化層、全連接層（使用了dropout）和softmax二分類層。最后，凍結(jié)骨架層的參數(shù)，使用Adam優(yōu)化器進(jìn)行訓(xùn)練。具體結(jié)構(gòu)見圖3，虛線框內(nèi)的濾波器參數(shù)在訓(xùn)練的過程中不更新。

圖3 口罩分類網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Structure of the mask-classifying network

本文收集篩選數(shù)據(jù)，通過更換不同比例的數(shù)據(jù)集和多次參數(shù)調(diào)整得到最佳模型。該模型的數(shù)據(jù)集由6 794張佩戴口罩的人臉圖片（其中真實(shí)戴口罩6 104張，模擬戴口罩690張）和相同數(shù)量的未佩戴口罩的人臉圖片構(gòu)成。部分圖片見圖4，在訓(xùn)練過程中另外使用了旋轉(zhuǎn)、縮放、平移、剪切和翻轉(zhuǎn)的圖像增強(qiáng)操作。由表1可見，本文訓(xùn)練的模型在測(cè)試集上可以得到98.50%的分類精度。

表1 測(cè)試集效果評(píng)估Tab.1 Evaluation of test sets

圖4 數(shù)據(jù)集部分圖片F(xiàn)ig.4 Partial image of the dataset

1.3 人臉特征點(diǎn)的定位

本文將基于HOG特征或SSD模型檢測(cè)的人臉圖像作為輸入，采用級(jí)聯(lián)回歸樹定位人臉特征點(diǎn)，可以得到68個(gè)像素坐標(biāo)。每一層強(qiáng)回歸樹由梯度提升算法學(xué)習(xí)多個(gè)弱回歸樹得到[15]。

對(duì)于每張人臉圖像Ii，定義Si=(xi，1，…，Xi，l，…，Xi，p)∈R2p為人臉特征點(diǎn)坐標(biāo)向量，其中：p為特征點(diǎn)個(gè)數(shù)。給定訓(xùn)練樣本其中：n為人臉圖像的數(shù)量。對(duì)于第1層強(qiáng)回歸樹，構(gòu)建數(shù)據(jù)為初始特征點(diǎn)坐標(biāo)集，采用方法為{S1，…，Sn}Si，即不放回隨機(jī)取樣。為人臉特征點(diǎn)坐標(biāo)更新向量，計(jì)算公式見式（4）。

對(duì)于第t層的強(qiáng)回歸樹，根據(jù)其輸出對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行更新后送入下1層訓(xùn)練，迭代T次，具體見式（5）～（6）。

對(duì)于新樣本的預(yù)測(cè)，針對(duì)人臉檢測(cè)器輸出的邊界框進(jìn)行比例調(diào)整和中心化，選擇平均形狀作為初始化預(yù)測(cè)。圖5從左到右展示了不同的層數(shù)T=0,1,2,3,10時(shí)，面對(duì)頭部姿態(tài)變化的情況級(jí)聯(lián)回歸器對(duì)于特征點(diǎn)的預(yù)測(cè)逐層地調(diào)整坐標(biāo)。

圖5 不同層數(shù)的回歸器預(yù)測(cè)的特征點(diǎn)Fig.5 Feature points predicted by the regressor at different levels

2 駕駛員狀態(tài)判定

2.1 疲勞指標(biāo)的提取

見圖6，P1到P6是基于人臉坐標(biāo)系的眼部特征點(diǎn)坐標(biāo)。眼睛閉合率的計(jì)算見式（7）。

圖6 眼部區(qū)域特征點(diǎn)Fig.6 Feature points in the eye area

本文取左、右眼的均值作為當(dāng)前幀的閉合率。首先，抓取窗口內(nèi)每次下降和上升過程作為1個(gè)眨眼數(shù)據(jù)包。然后，分別統(tǒng)計(jì)3個(gè)參數(shù)：眼瞼閉合時(shí)間tc、眼瞼重開時(shí)間tr及眨眼時(shí)長(zhǎng)tb。眼瞼開始閉合前和眼瞼重新打開后的閉合率持平階段不納入?yún)?shù)統(tǒng)計(jì)。最后，根據(jù)tc和tb對(duì)眨眼數(shù)據(jù)包進(jìn)行有效性篩選[16]，篩選閾值通過對(duì)預(yù)采集的視頻樣本進(jìn)行全部指標(biāo)抓取后，根據(jù)統(tǒng)計(jì)數(shù)值分布采用3σ原則選取分位數(shù)取整得到。通過統(tǒng)計(jì)有效數(shù)據(jù)包得到眨眼頻率fb，當(dāng)tb超過σ原則的右分位數(shù)，眨眼數(shù)據(jù)包記錄為長(zhǎng)閉合眨眼，從而得到長(zhǎng)閉合比例lb。

圖7演示了抓取和篩選的過程。圖中t3～t4之間的數(shù)據(jù)序列即為有效的眨眼數(shù)據(jù)包，而t1，t2和t5，t6這2組不滿足篩選條件。虛線為基準(zhǔn)水平值，通過抓取數(shù)據(jù)包前200 ms的閉合率，取均值后作為在完全睜開狀態(tài)下的基準(zhǔn)值。相比設(shè)置單一閾值，考慮到駕駛過程中每次圖像處理可能的噪聲引入造成的數(shù)值波動(dòng)，從而導(dǎo)致檢測(cè)參數(shù)失準(zhǔn)。以圖8為例，其基準(zhǔn)水平值與圖7存在差異，假若以圖7的基準(zhǔn)值抓取圖8的t1～t2的眨眼數(shù)據(jù)，對(duì)于有效數(shù)據(jù)的統(tǒng)計(jì)會(huì)造成幀數(shù)丟失。類比眼部閉合率可以計(jì)算嘴部張開率，作為輔助判斷指標(biāo)。

圖7 眨眼數(shù)據(jù)包抓取示例Fig.7 Examples of fetching the data packet of blink

圖8 設(shè)置基準(zhǔn)水平值應(yīng)對(duì)數(shù)值變化Fig.8 Set baseline-level values responding to numerical changes

圖9中close水平線表示預(yù)檢測(cè)的正常閉合狀態(tài)下的嘴巴張開率，max水平線為最大張開狀態(tài)，虛線為打哈欠張開率判定閾值。t1～t2為打哈欠的時(shí)間，若超過打哈欠時(shí)間判定閾值（避免如說話造成的誤檢），則認(rèn)定為駕駛員存在打哈欠行為。

圖9 1次打哈欠的張開率變化曲線Fig.9 Variable curves of the opening rates of a yawn

通過設(shè)置緩存序列解決打哈欠行為跨越2個(gè)窗口的情況，同時(shí)設(shè)定后1個(gè)窗口存在打哈欠行為。根據(jù)預(yù)采集樣本所有打哈欠行為張開率的數(shù)值分布，選擇在最大張開狀態(tài)和正常閉合狀態(tài)下差值的40%作為初始張開率判定閾值。

2.2 疲勞判斷

本文采取的疲勞判定流程見圖10。以30 s為時(shí)間窗口，當(dāng)檢測(cè)到眨眼頻率fb相比于上1個(gè)時(shí)間窗口下降幅度超過閾值或者捕捉到打哈欠行為，則進(jìn)入疲勞判定。眨眼頻率和打哈欠行為作為判定前的輔助驗(yàn)證方式，可以避免對(duì)每1個(gè)時(shí)間窗口都進(jìn)行判定，減少設(shè)備資源的占用。

圖10 疲勞分級(jí)模型判定流程Fig.10 Determining process of the hierarchy model of fatigue

若捕捉到打哈欠后進(jìn)入疲勞判定，包含打哈欠行為的當(dāng)前窗口的眼部參數(shù)會(huì)丟棄，而使用下1個(gè)窗口的眼部參數(shù)判斷。如果眨眼時(shí)長(zhǎng)均值Tb和長(zhǎng)閉合比例lb與清醒狀態(tài)下初始值相比，增長(zhǎng)幅度都大于閾值則判定為疲勞待定狀態(tài)。接著根據(jù)眼瞼閉合時(shí)間均值Tc和眼瞼重開時(shí)間均值Tr增長(zhǎng)幅度是否都超過閾值，進(jìn)一步確認(rèn)駕駛員是否疲勞，從而建立起疲勞檢測(cè)分級(jí)模型。這樣的判斷方法，不僅通過統(tǒng)計(jì)均值緩解指標(biāo)值波動(dòng)干擾，而且從整體性指標(biāo)到局部性指標(biāo)構(gòu)成的疲勞等級(jí)體現(xiàn)了由宏觀到微觀的邏輯過程。

若當(dāng)前窗口非疲勞，將5個(gè)眼部參數(shù)的檢測(cè)值與前1個(gè)窗口的指標(biāo)值取均值后更新清醒狀態(tài)下的判定值。若存在打哈欠行為，用最大張開率重新計(jì)算張開率判定閾值，將新的哈欠時(shí)間長(zhǎng)度和張開率判定閾值與原閾值取平均后更新參數(shù)。這樣的修正方法，可以應(yīng)對(duì)不同的駕駛員在不同時(shí)段進(jìn)行駕駛時(shí)疲勞指標(biāo)值的波動(dòng)。隨著檢測(cè)的推進(jìn)，判定閾值會(huì)不斷被調(diào)整到符合駕駛員當(dāng)前狀態(tài)及適應(yīng)外部變化。

3 實(shí)驗(yàn)評(píng)估

在進(jìn)行實(shí)驗(yàn)評(píng)估前，預(yù)先采集了14名志愿者不同狀態(tài)的視頻樣本，采集方式是根據(jù)被試主體在不同時(shí)間段的精神狀態(tài)自我評(píng)估表格后分別獨(dú)立錄像。每個(gè)視頻樣本對(duì)應(yīng)1種狀態(tài)，其中清醒22個(gè)（9個(gè)佩戴口罩）和疲勞52個(gè)（17個(gè)佩戴口罩）。同時(shí)通過多方溝通，獲得了21個(gè)廣州公交司機(jī)佩戴口罩出勤值班的駕駛視頻樣本。

3.1 檢測(cè)人臉

分別將Viola-Jones、HOG+SVM和SSD+ResNet-10這3種算法的檢測(cè)器用于95個(gè)視頻樣本（48個(gè)未佩戴口罩，47個(gè)佩戴口罩），統(tǒng)計(jì)檢測(cè)到人臉的幀數(shù)得到平均檢測(cè)率，見表2。

由表2可見：對(duì)于未佩戴口罩的樣本，3種檢測(cè)器捕捉人臉的效果無明顯差別。對(duì)于佩戴口罩的樣本，基于圖像HOG特征的檢測(cè)器無法適用，基于圖像Haar特征的檢測(cè)器有一定的檢測(cè)率，而采用深度網(wǎng)絡(luò)的檢測(cè)器具備更好的適用性。

表2 不同算法下的人臉檢測(cè)器效果Tab.2 Effects of the face detector under different algorithms%

將本文訓(xùn)練的口罩分類模型同樣應(yīng)用到95個(gè)視頻樣本，統(tǒng)計(jì)正確分類的幀數(shù)。對(duì)于未佩戴口罩的樣本達(dá)到94.23%的平均精度，而對(duì)于佩戴口罩的樣本達(dá)到96.41%的平均精度。圖11（a）～（b）分別展示了未佩戴口罩和佩戴口罩的部分樣本的類別和概率。

圖11 預(yù)訓(xùn)練口罩模型分類效果Fig.11 Classification effect of the pre-training mask model

3.2 定位特征點(diǎn)

將級(jí)聯(lián)回歸器應(yīng)用于已采集的視頻樣本，部分結(jié)果見圖12。由圖12（a）可以看出該級(jí)聯(lián)回歸器對(duì)于眼部和嘴部不同閉合狀態(tài)具有良好的檢測(cè)效果。面對(duì)被檢測(cè)者佩戴眼鏡的挑戰(zhàn)，也能很好定位眼部特征點(diǎn)。佩戴口罩的公交司機(jī)駕駛員，只有眼部特征可用于后續(xù)的疲勞檢測(cè)。由圖12（b）可見，本文所述的級(jí)聯(lián)回歸器在面對(duì)頭部姿態(tài)變化和光照差異時(shí)，仍具有穩(wěn)定的特征點(diǎn)定位效果。由圖12（c）可見，該級(jí)聯(lián)回歸器對(duì)于抵抗不同的干擾和外界噪聲有強(qiáng)魯棒性，例如，公交車輛前置攝像頭方位的不同，以及駕駛室內(nèi)開燈和車窗玻璃透射等情況。

圖12 外部條件變化下的定位效果Fig.12 Positioning effects of different external conditions

3.3 判定駕駛狀態(tài)

本文實(shí)驗(yàn)將圖像流的讀入遷移到另1個(gè)線程處理，同時(shí)批量放入隊(duì)列緩存等候檢測(cè)線程的讀取。這樣的并行處理相比于先讀取再檢測(cè)操作的單線程處理，可以節(jié)省運(yùn)行時(shí)間。以1個(gè)1 min、30幀/s的視頻為例，在華碩FX50V進(jìn)行讀取和顯示操作，從表3可以看到對(duì)比效果。疲勞狀態(tài)的警示音提醒也遷入另1個(gè)并行線程。通過抓取300次嘴部特征點(diǎn)，得到被試者在正常閉合狀態(tài)下的張開率和模擬打哈欠行為的最大張開率，從而計(jì)算初始判定閾值。

表3 圖像處理的效果對(duì)比Tab.3 Effects of different image processing

疲勞判定模型在不同狀態(tài)下的檢測(cè)界面顯示見圖13。界面左上角的EAR（eye aspect ratio）表示眼睛閉合率，MAR（mouth aspect ratio）表示嘴巴張開率，Yawn表示是否存在打哈欠行為。判定結(jié)果有2種類型：清醒（sober）和疲勞（fatigue）。圖13（a）展示了當(dāng)捕捉到被測(cè)者打哈欠，當(dāng)前窗口的眼部參數(shù)不具備參考價(jià)值。利用下1個(gè)窗口的眼部參數(shù)進(jìn)行判定，結(jié)果為疲勞。圖13（b）展示了對(duì)于公交司機(jī)佩戴口罩的應(yīng)用場(chǎng)景。選取1個(gè)測(cè)試者的2種視頻樣本進(jìn)行眼部參數(shù)示例，結(jié)果見表4，可以看出4個(gè)參數(shù)在不同的精神狀態(tài)下存在顯著的差異。

圖13 檢測(cè)界面示例Fig.13 The detecting interface

表4 不同樣本在連續(xù)窗口內(nèi)的指標(biāo)值Tab.4 Index values of different samples in contiguous windows

對(duì)于疲勞樣本的第1個(gè)時(shí)間窗口，因?yàn)椴蹲降酱蚬返男袨?，該時(shí)間窗口的4個(gè)眼部參數(shù)明顯不符合疲勞特征。因?yàn)榇蚬返倪^程中眼睛閉合率處于持續(xù)低值，造成統(tǒng)計(jì)到的眼部參數(shù)產(chǎn)生波動(dòng)。此時(shí)需要利用下1個(gè)窗口進(jìn)行判定，可以看出第2個(gè)窗口的指標(biāo)符合疲勞特征。以處理900幀為1次實(shí)時(shí)處理，在配置i7-9700K的計(jì)算機(jī)下處理所有視頻得到疲勞判定處理速率（單位：幀/s）：未佩戴口罩樣本為19.17，佩戴口罩樣本為17.69，即二者的平均消耗時(shí)間54.29 ms。結(jié)合表3的圖像處理時(shí)間可知，本文提出的方法滿足疲勞狀態(tài)的實(shí)時(shí)監(jiān)測(cè)。

對(duì)預(yù)采集的視頻樣本應(yīng)用本文提出的算法進(jìn)行檢測(cè)，以清醒狀態(tài)下的第1個(gè)窗口的指標(biāo)為初始值，窗口遞進(jìn)步長(zhǎng)為1幀，視頻格式化為30幀/s，樣本的精度計(jì)算見式（8）。

式中：TS為正確判定為清醒狀態(tài)的窗口數(shù)量；FS為錯(cuò)誤判定為清醒狀態(tài)的窗口數(shù)量；TF為正確判定為疲勞狀態(tài)的窗口數(shù)量；FF為錯(cuò)誤判定為疲勞的窗口數(shù)量。

對(duì)于未佩戴口罩的樣本，所提出的方法可以在清醒和疲勞狀態(tài)分別可以達(dá)到90.86%和97.31%的檢測(cè)精度，達(dá)到現(xiàn)有研究的整體水平。而從表5可見，雖然對(duì)于佩戴口罩樣本檢測(cè)精度在2種狀態(tài)下都有所下降，但是在臉部特征大幅缺失的情境下該方法已經(jīng)能實(shí)現(xiàn)92.65%的平均精度，具備良好的應(yīng)用性。

表5 不同樣本集的檢測(cè)精度Tab.5 Detection accuracy of different sample sets%

為了驗(yàn)證本文提出的疲勞判定方法的遷移性，將模型應(yīng)用到NTHU-DDD的測(cè)試集[17]。NTHU-DDD數(shù)據(jù)集包括不同性別、不同種族的駕駛員在5種場(chǎng)景下的紅外視頻，逐幀標(biāo)記駕駛員的清醒或疲勞狀態(tài)。5種場(chǎng)景分別是白天不戴眼鏡、白天戴眼鏡、夜晚不戴眼鏡、夜晚戴眼鏡和白天戴太陽鏡。該測(cè)試集的14名駕駛員在不同場(chǎng)景下各有1個(gè)視頻樣本，本文根據(jù)標(biāo)記將測(cè)試集的視頻進(jìn)行分段處理得到88個(gè)清醒樣本和101個(gè)疲勞樣本。由表5可見，本文的疲勞判定模型能達(dá)到86.09%的平均精度，具備良好的遷移性。

4 結(jié)束語

1）針對(duì)疫情形勢(shì)下駕駛員是否佩戴口罩的狀況，對(duì)應(yīng)使用深度模型和傳統(tǒng)模型檢測(cè)人臉，在降低誤檢率的同時(shí)提升疲勞檢測(cè)的實(shí)時(shí)性。

2）面對(duì)駕駛員臉部特征部分缺失的情況，對(duì)眼部指標(biāo)進(jìn)行全過程統(tǒng)計(jì)同時(shí)采取基準(zhǔn)水平值設(shè)置和有效性篩選2種輔助方式，結(jié)合分級(jí)判定模型使得疲勞檢測(cè)更具魯棒性。

3）自適應(yīng)修正判定參數(shù)，應(yīng)對(duì)圖像設(shè)備差異、駕駛員構(gòu)造差異和實(shí)時(shí)監(jiān)測(cè)過程中的數(shù)值波動(dòng)。

在后續(xù)研究中會(huì)訓(xùn)練針對(duì)佩戴口罩的人臉的目標(biāo)檢測(cè)模型和特征點(diǎn)預(yù)測(cè)模型，而不是分階段先檢測(cè)再進(jìn)行分類，從而進(jìn)一步提升整體精度。