姜立标，李静轩，黄冰瑜

(华南理工大学机械与汽车工程学院，广东 广州 510640)

疲劳驾驶检测是交通安全领域的研究热点之一，检测指标包括驾驶员生理参数、驾驶行为、面部特征等。随着计算机性能的提升及技术的发展，基于驾驶员面部特征的检测方法成为主流方法之一。人脸特征检测是驾驶员疲劳检测的基础，本文检测目标为车辆行驶过程中驾驶员的面部特征信息。

目标检测算法主要分为3类，即传统目标检测算法、二阶段目标检测算法和一阶段目标检测算法。传统目标检测算法以机器学习算法为主，利用不同尺寸的滑动窗口框选择候选区域，提取该区域的视觉特征，如提取人脸检测常用的Harr特征[1]，而后利用分类器如SVM、Adaboost等模型[2]对提取的特征进行识别。由于滑动窗口的区域选择策略没有针对性，窗口冗余，鲁棒性低，直接影响分类的准确性。

二阶段目标检测算法和一阶段目标检测算法都使用了深度学习模型，但在检测流程上有所不同。以R-CNN[3]系列算法为代表的二阶段目标检测算法，利用候选区域结合深度学习进行分类，生成一系列作为样本的候选框，再通过卷积神经网络进行样本分类，预先找出图中目标可能出现的位置，利用图像中的纹理、边缘、颜色等信息，可以保证在选取较少窗口的情况下保持较高的召回率。以R-CNN为基础的检测框架在人脸数据集上运行均取得了良好效果[4-5]，但检测速度较慢。

随着深度学习的快速发展和广泛应用，一阶段的目标检测算法利用整张图片作为网络的输入，无需进行候选区域选择，算法流程被简化为端对端的目标检测流程。……