建设银行东四十条支行支行网站,wordpress白天黑夜切换,湖南省建设工程施工合同示范文本,如何提高搜索引擎优化摘要#xff1a;基于YOLOv5的疲劳驾驶检测系统使用深度学习技术检测常见驾驶图片、视频和实时视频中的疲劳行为#xff0c;识别其闭眼、打哈欠等结果并记录和保存#xff0c;以防止交通事故发生。本文详细介绍疲劳驾驶检测系统实现原理的同时#xff0c;给出Python的实现代…
摘要基于YOLOv5的疲劳驾驶检测系统使用深度学习技术检测常见驾驶图片、视频和实时视频中的疲劳行为识别其闭眼、打哈欠等结果并记录和保存以防止交通事故发生。本文详细介绍疲劳驾驶检测系统实现原理的同时给出Python的实现代码、训练数据集以及PyQt的UI界面。在界面中可以选择各种图片、视频进行检测识别可对图像中存在的多个目标进行识别分类。博文提供了完整的Python代码和使用教程适合新入门的朋友参考完整代码资源文件请转至文末的下载链接。本博文目录如下 文章目录前言1. 效果演示2. 疲劳驾驶检测下载链接结束语➷点击跳转至文末所有涉及的完整代码文件下载页☇ 基于YOLOv5的疲劳驾驶检测系统演示与介绍Python清新界面数据集前言 疲劳驾驶是指在长时间连续行车后驾驶员在心理技能和生理机制上发生变化在客观上表现为驾驶技能的下降并且表现出打瞌睡、反应迟钝、四肢无力、注意力不集中以及判断能力下降等现象。具不完全统计50%的交通安全事故起源驾驶员意识不清醒从而酿成车祸。 对驾驶员的疲劳状态进行实时检测是汽车安全驾驶的关键的一环因此在驾驶车辆时需要对驾驶员的疲劳状态进行实时检测及时做出预警。基于视觉特征的驾驶员疲劳状态检测方法主要是利用摄像机对驾驶状态下的驾驶员面部特征进行实时采集然后使用基于视觉以及图像处理的方法获取得到驾驶员的眼部、嘴部以及头部区域信息等特征信息。最后使用一定的判别方法对提取到的驾驶员眨眼间频率打哈欠等特征分析对驾驶员疲劳状态进行检测。随着当前深度学习方法在目标检测方向上的应用深入基于YOLOv5的目标检测方法具有应用的可能性与应用前景。 基于YOLOv5的疲劳驾驶检测系统应用深度学习技术检测常见驾驶过程中可能存在的疲劳驾驶行为包括闭眼、打哈欠等常见行为以方便对驾驶员的安全驾驶进行监测分析系统采用登录注册进行用户管理对于图片、视频和摄像头捕获的实时画面系统可检测画面中的疲劳驾驶行为系统支持结果记录、展示和保存每次检测的结果记录在表格中。对此这里给出博主设计的界面同款的简约风功能也可以满足图片、视频和摄像头的识别检测希望大家可以喜欢初始界面如下图 检测类别时的界面截图点击图片可放大如下图可识别画面中存在的多个类别也可开启摄像头或视频检测 详细的功能演示效果参见博主的B站视频或下一节的动图演示觉得不错的朋友敬请点赞、关注加收藏系统UI界面的设计工作量较大界面美化更需仔细雕琢大家有任何建议或意见和可在下方评论交流。 1. 效果演示 这里通过动图看一下识别的效果系统主要实现的功能是对图片、视频和摄像头画面中的疲劳驾驶行为进行识别识别的结果可视化显示在界面和图像中另外提供多个人脸的显示选择功能演示效果如下。
一系统介绍 经查阅相关文献疲劳在人体面部表情中表现出大致三个类型打哈欠嘴巴张大且相对较长时间保持这一状态、眨眼或眼睛微闭此时眨眼次数增多且眨眼速度变慢等。这里使用YOLOv5识别这些数据特征实时地分析驾驶员的疲劳驾驶行为并及时作出安全提示。
二技术特点 1YOLO v5算法实现模型一键切换更新 2检测图片、视频等图像中的各疲劳驾驶行为 3摄像头监控实时检测便携展示、记录和保存 4支持用户登录、注册检测结果可视化功能 5提供训练数据集和代码可重新训练模型
三用户注册登录界面 对于系统登录界面如下图所示可以输入用户名和密码进行登录注册功能在输入正确后可以进入主界面。 四选择图片识别 系统可以选择图片文件进行识别点击图片选择按钮图标选择图片后显示所有人脸识别的结果可通过下拉选框查看单个结果以便具体判断某一疲劳驾驶人员。本功能的界面展示如下图所示 五视频识别效果展示 如果要识别视频中的疲劳驾驶情况可以点击视频按钮可选择待检测的视频系统会自动解析视频逐帧识别人脸并将是否疲劳驾驶的结果记录在右下角表格中效果如下图所示 六摄像头检测效果展示 在真实场景中如果需要利用设备摄像头获取实时画面并对画面中的疲劳驾驶行为进行识别可点击摄像头按钮后系统进入准备状态系统显示实时画面并开始检测画面中的驾驶员识别结果展示如下图 2. 疲劳驾驶检测
一疲劳驾驶数据集 这里我们使用的疲劳驾驶数据集包含训练数据集656张图片、验证集188张图片、测试集94张图片共计938张图片。 每张图像均提供了图像类标记信息图像中疲劳驾驶的bounding box数据集并解压后得到如下的图片。 二网络结构 Yolov5网络结构是由Input、Backbone、Neck、Prediction组成。Yolov5的Input部分是网络的输入端采用Mosaic数据增强方式对输入数据随机裁剪然后进行拼接。Backbone是Yolov5提取特征的网络部分特征提取能力直接影响整个网络性能。Yolov5的Backbone相比于之前Yolov4提出了新的Focus结构。Focus结构是将图片进行切片操作将W宽、H高信息转移到了通道空间中使得在没有丢失任何信息的情况下进行了2倍下采样操作。 三训练过程 网络的训练由于数据量较大进行实验时将数据分为多个批次 每个批次中含有 一定数目图像 经过前向、 反向传播后更新网络参数 训练出误差合适的网络。测试时 图像由网络进行识别 根据得到的识别正确率来验证网络的可行性。 对前面介绍过的数据集经过处理后标签文件均转换为YOLOv5训练所需的标记格式基于此数据集我们在train.py中设置必要参数后运行该脚本进行模型训练训练过程在终端的显示如下图所示。 在深度学习中我们通常通过损失函数下降的曲线来观察模型训练的情况。而YOLOv5训练时主要包含三个方面的损失矩形框损失(box_loss)、置信度损失obj_loss和分类损失(cls_loss)模型训练曲线图如下图所示。 一般我们会利用召回率recall和精度precision两个指标p和r都是简单地从一个角度来判断模型的好坏为了综合评价目标检测的性能一般采用均值平均密度map来进一步评估模型的好坏。我们通过设定不同的置信度的阈值可以得到在模型在不同的阈值下所计算出的p值和r值一般情况下p值和r值是负相关的绘制出来可以得到如下图所示的曲线。 四预测过程 在训练完成后得到最佳模型接下来我们将帧图像输入到这个网络进行预测从而得到预测结果其中预测方法predict.py部分的代码如下所示
def predict(img):img torch.from_numpy(img).to(device)img img.half() if half else img.float()img / 255.0if img.ndimension() 3:img img.unsqueeze(0)t1 time_synchronized()pred model(img, augmentFalse)[0]pred non_max_suppression(pred, opt.conf_thres, opt.iou_thres, classesopt.classes,agnosticopt.agnostic_nms)t2 time_synchronized()InferNms round((t2 - t1), 2)return pred, InferNms得到预测结果我们便可以将帧图像中的目标框出以下是读取视频文件并进行检测的脚本首先将图片数据进行预处理后送predict进行检测然后计算标记框的位置并在图中标注出来。
if __name__ __main__:# video_path 0video_path ./UI_rec/test_/疲劳驾驶检测.mp4# 初始化视频流vs cv2.VideoCapture(video_path)(W, H) (None, None)frameIndex 0 # 视频帧数try:prop cv2.CAP_PROP_FRAME_COUNTtotal int(vs.get(prop))# print([INFO] 视频总帧数{}.format(total))# 若读取失败报错退出except:print([INFO] could not determine # of frames in video)print([INFO] no approx. completion time can be provided)total -1fourcc cv2.VideoWriter_fourcc(*XVID)ret, frame vs.read()vw 850vh 500print([INFO] 视频尺寸{} * {}.format(vw, vh))output_video cv2.VideoWriter(./results.avi, fourcc, 20.0, (vw, vh)) # 处理后的视频对象# 遍历视频帧进行检测while True:# 从视频文件中逐帧读取画面(grabbed, image) vs.read()image cv2.resize(image, (850, 500))# 若grabbed为空表示视频到达最后一帧退出if not grabbed:print([INFO] 运行结束...)output_video.release()vs.release()exit()# 获取画面长宽if W is None or H is None:(H, W) image.shape[:2]img0 image.copy()img letterbox(img0, new_shapeimgsz)[0]img np.stack(img, 0)img img[:, :, ::-1].transpose(2, 0, 1) # BGR to RGB, to 3x416x416img np.ascontiguousarray(img)pred, useTime predict(img)det pred[0]p, s, im0 None, , img0if det is not None and len(det): # 如果有检测信息则进入det[:, :4] scale_coords(img.shape[1:], det[:, :4], im0.shape).round() # 把图像缩放至im0的尺寸number_i 0 # 类别预编号detInfo []for *xyxy, conf, cls in reversed(det): # 遍历检测信息c1, c2 (int(xyxy[0]), int(xyxy[1])), (int(xyxy[2]), int(xyxy[3]))# 将检测信息添加到字典中detInfo.append([names[int(cls)], [c1[0], c1[1], c2[0], c2[1]], %.2f % conf])number_i 1 # 编号数1label %s %.2f % (names[int(cls)], conf)# 画出检测到的目标物plot_one_box(image, xyxy, labellabel, colorcolors[int(cls)])# 实时显示检测画面cv2.imshow(Stream, image)output_video.write(image) # 保存标记后的视频if cv2.waitKey(1) 0xFF ord(q):break# print(FPS:{}.format(int(0.6/(end-start))))frameIndex 1执行得到的结果如下图所示图中行人和置信度值都标注出来了预测速度较快。基于此模型我们可以将其封装成一个带有界面的系统在界面上选择图片、视频或摄像头然后调用模型进行检测。 博主对整个系统进行了详细测试最终开发出一版流畅得到清新界面就是博文演示部分的展示完整的UI界面、测试图片视频、代码文件以及Python离线依赖包方便安装运行也可自行配置环境均已打包上传感兴趣的朋友可以通过下载链接获取。 下载链接 若您想获得博文中涉及的实现完整全部程序文件包括测试图片、视频py, UI文件等如下图这里已打包上传至博主的面包多平台见可参考博客与视频已将所有涉及的文件同时打包到里面点击即可运行完整文件截图如下 在文件夹下的资源显示如下下面的链接中也给出了Python的离线依赖包读者可在正确安装Anaconda和Pycharm软件后复制离线依赖包至项目目录下进行安装离线依赖的使用详细演示也可见本人B站视频win11从头安装软件和配置环境运行深度学习项目、Win10中使用pycharm和anaconda进行python环境配置教程。 注意该代码采用PycharmPython3.8开发经过测试能成功运行运行界面的主程序为runMain.py和LoginUI.py测试图片脚本可运行testPicture.py测试视频脚本可运行testVideo.py。为确保程序顺利运行请按照requirements.txt配置Python依赖包的版本。Python版本3.8请勿使用其他版本详见requirements.txt文件
完整资源中包含数据集及训练代码环境配置与界面中文字、图片、logo等的修改方法请见视频项目完整文件下载请见参考博客文章里面或参考视频的简介处给出➷➷➷
参考博客文章https://zhuanlan.zhihu.com/p/615310050
参考视频演示https://www.bilibili.com/video/BV1bL411k7Wj/
离线依赖库下载链接https://pan.baidu.com/s/1hW9z9ofV1FRSezTSj59JSg?pwdoy4n 提取码oy4n 界面中文字、图标和背景图修改方法 在Qt Designer中可以彻底修改界面的各个控件及设置然后将ui文件转换为py文件即可调用和显示界面。如果只需要修改界面中的文字、图标和背景图的可以直接在ConfigUI.config文件中修改步骤如下 1打开UI_rec/tools/ConfigUI.config文件若乱码请选择GBK编码打开。 2如需修改界面文字只要选中要改的字符替换成自己的就好。 3如需修改背景、图标等只需修改图片的路径。例如原文件中的背景图设置如下
mainWindow :/images/icons/back-image.png可修改为自己的名为background2.png图片位置在UI_rec/icons/文件夹中可将该项设置如下即可修改背景图
mainWindow ./icons/background2.png结束语 由于博主能力有限博文中提及的方法即使经过试验也难免会有疏漏之处。希望您能热心指出其中的错误以便下次修改时能以一个更完美更严谨的样子呈现在大家面前。同时如果有更好的实现方法也请您不吝赐教。
