面向低照度环境的驾驶员疲劳状态检测算法
Abstract
针对现有的疲劳状态检测方法在低照度环境下检测准确率不高的问题，提出一种基于图像增强和边缘特征强化的驾驶员疲劳状态检测算法LLF-YOLO。首先，设计SCI_L模块用于增强低照度面部图像，通过添加SmoothL1损失和多尺度策略来维持实时性并提高图像增强质量。然后，设计边缘特征强化模块（EFEM），锐化低照度图像的模糊边缘，以保证检测准确率并降低计算成本。最后，构建检测头DyHead_D3_W，优化权重初始化策略，以提升疲劳状态检测准确率。实验结果表明：LLF-YOLO算法的召回率为96.9%、交并比（IoU）阈值为0.5 时的平均精确率均值为96.9%、IoU阈值在0.5~0.95内（步长为0.05）的平均精确率均值为72.8%，较基线YOLOv8n分别提升了0.8、0.4和0.3百分点，较YOLO12n分别提升了1.0、0.5和0.7百分点。
Fields of Study & Subjects
Sleep and Work-Related Fatigue
Advanced Neural Network Applications
Face recognition and analysis
Publication details
- Journal / source
- Laser & Optoelectronics Progress
- Volume
- 63
- Issue
- 2
- Pages
- 0237007–0237007
- Publication date
- 1 January 2026
- Language
- EN