ELECTRONICSWORLD探索与观察
美国汽车协会交通安全基金会的一项调查可知：美国的交和生成模型G，最后判别器D不能分辨
通事故死亡事件中，疲劳驾驶占据21%的比例，每年约6400人训练样本x和生成样本G(z)时，则此时
因此而丧生。近年来，随着经济的稳定发展和人民生活水平的生成器G达到了最优化，这两个模型将
提高，我国的汽车市场持续快速增长，各类交通事故频发。会一起得到提升。
处于昏昏欲睡状态下的司机，并不能完全充分的感知考虑在生成器和判别器的输入中
驾驶情况。一些疲劳驾驶的症状有，打哈欠、眼睛睁不开、加入一些有实际意义的元素协助监督训
感到无聊、无法记住方向、躁动、难以集中注意力等等。因练，而不让生成器从完全随机的噪声向长基
此，驾驶员疲劳会导致对道路的关注减少以及反应速度变量中生成，因此产生的均为与训练集无江于
大
慢。在极端条件下，驾驶员实际上可能会陷入浅层睡眠并在特殊意义的图像。运用MaskingGAN改学生
路上短暂失去意识。但是，即使在路上短暂失去意识，也可变图像内容，加入具有指导意义的元素电成
子
能导致严重的车祸。后，网络的训练由此更具有方向性，产信对
从分析国内外疲劳驾驶检测的研究现状中可检验出，生疲劳驾驶状态的伪像，与原图像特征息抗
学
疲劳驾驶检测在实时性、准确性以及简单化等方面还有待进进行对比分析，以达到准确判定人脸状院网
一步研究。疲劳驾驶检测预警方法接触式设备费用较高、用态、实时提出疲劳状态预警的目的。长络
户体验不高，本文采用基于图像的非接触式疲劳驾驶检测方江的
大
式，针对采集获取图像作进一步研究。设计人脸图像特性学疲
（比如性别、岁数、表情）是一个著名的语义处理问题，本电劳
工
文运用GAN方法改变驾驶人面部表情，作为与视频帧判定的电驾
标准，以做出精准实时的疲劳预警处理。图2MaskingGAN方法结构图子驶
国
从研究中得知深度学习算法它具有较强的从样本集学在其中输入x到生成网络时，输出家状
习数据集基本特征的能力，且分选能力很强，如今已经是图的有中端图像y和分割模型m