【摘要】：隨著人們生活水平的提高,汽車給人們的生活帶來交通便利的同時也帶來很多交通事故。根據(jù)事故原因的分析,疲勞駕駛引起的交通事故不亞于酒駕。如何獲取駕駛員的疲勞特征,評估其疲勞程度,已成為國內(nèi)外研究的熱點。目前的駕駛疲勞檢測研究中,大部分是通過提取和分析眼睛和瞳孔等特征來判別疲勞狀態(tài),但通常疲勞狀態(tài)也會引起嘴部變化,例如打哈欠,因此,檢測嘴部狀態(tài)也是具有重要的意義。本文提出從眼睛和嘴部單特征識別疲勞與兩者深度特征融合識別疲勞兩方面展開研究,提出使用深度學習代替?zhèn)鹘y(tǒng)的機器學習方法完成疲勞特征提取工作,具有更高的準確率和魯棒性。論文的主要研究內(nèi)容如下:(1)人臉檢測和面部關(guān)鍵點定位是研究并分析駕駛安全評估的基礎�？紤]到算法的實時性和準確率,本文采用Adaboost算法進行人臉檢測,并采用基于回歸樹的毫秒級面部對齊算法,對檢測到的人臉數(shù)據(jù)進行關(guān)鍵點定位。根據(jù)檢測到的8個特征點的位置,分別對眼睛和嘴部區(qū)域進行提取與分割。(2)針對目前嘴部特征提取仍然是一個比較困難的問題,提出使用卷積神經(jīng)網(wǎng)絡識別嘴部狀態(tài),提高了算法的魯棒性和識別率,并且提出嘴部識別疲勞狀態(tài)的方法。實驗結(jié)果證明狀態(tài)識別和疲勞檢測算法都有較高的準確率。同樣采用卷積神經(jīng)網(wǎng)絡識別眼睛狀態(tài),并根據(jù)目前判斷駕駛員疲勞效果最好的PERCLOS參數(shù)來識別疲勞狀態(tài)。(3)針對眼睛和嘴部特征融合識別疲勞的問題,提出卷積神經(jīng)網(wǎng)絡和編碼向量的疲勞識別模型,采用卷積神經(jīng)網(wǎng)絡模型對每幀圖像進行特征提取和分類,并采用Softmax回歸器對編碼向量進行分類,從而可以檢測出該視頻中駕駛員的疲勞狀態(tài)。實驗結(jié)果表明,采用深度學習框架的疲勞檢測,能夠有效提高算法的魯棒性和準確率。
【圖文】：

訓練的參數(shù)減少，網(wǎng)絡的泛化能力也大大提高。(a) 全連接 (b) 局部連接圖 2.2 全連接和局部連接示意圖2.2.2 權(quán)值共享雖然局部感知已經(jīng)在很大程度上減少了訓練參數(shù)的數(shù)量級，，但是 數(shù)量級也是很大，在如今市場需求要求實時性的背景下，其訓練參數(shù)還是無法滿足市場的標準。為了再降低參數(shù)的數(shù)量，于是出現(xiàn)了權(quán)值共享，如圖 2.3 所示。Layer m+1Layer mLayer m-1圖 2.3 權(quán)值共享示意圖

(a) 輸入圖像 (b) 卷積核 (c) 特征圖圖 2.5 卷積原理示意圖的性質(zhì)可以被總結(jié)如下：假設輸入圖像的尺寸是 目是 ，其中 ， ， 分別代表了圖像的寬，高設置的超參數(shù)有四個，分別是濾波器數(shù) ，局部感受野的大小
【學位授予單位】：西安科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP18;U492.8

【參考文獻】

相關(guān)期刊論文 前10條

1 王志寰;張妍;鐘思嘉;黃蕊;孫少冉;李孟甲;;長途客運駕駛員的嗜睡及睡眠質(zhì)量和生活習慣調(diào)查[J];中國心理衛(wèi)生雜志;2015年10期

2 王磊宇;武淑紅;李海芳;;基于眼部行為的駕駛疲勞評價指標研究[J];太原理工大學學報;2015年04期

3 尹寶才;王文通;王立春;;深度學習研究綜述[J];北京工業(yè)大學學報;2015年01期

4 孟憲超;;疲勞駕駛致交通事故特點及有效預防分析[J];物流工程與管理;2014年08期

5 李雪源;袁晨;姜代紅;;基于Adaboost的人臉光照補償方法[J];軟件導刊;2014年06期

6 劉源;;基于模板匹配算法的人眼定位方法[J];火力與指揮控制;2014年05期

7 馬錦飛;常若松;高遠;;瞳孔直徑大小檢測駕駛員疲勞的實證效度分析[J];遼寧師范大學學報(社會科學版);2014年01期

8 王冬梅;王海鵬;;基于膚色差異性嘴巴狀態(tài)檢測方法的研究[J];計算機工程與應用;2015年04期

9 楊星星;張松;蘆楊;楊琳;王薇薇;顧冠雄;;基于生理信號的疲勞駕駛風險檢測方法的研究進展[J];中國醫(yī)學裝備;2013年07期

10 盛杰;鮑小軍;李博;;基于駕駛疲勞報警系統(tǒng)的研究[J];民營科技;2013年03期

相關(guān)會議論文 前1條

1 張力為;;心理疲勞與生理疲勞的區(qū)分及其意義[A];第八屆全國體育科學大會論文摘要匯編（一）[C];2007年

相關(guān)博士學位論文 前1條

1 趙磊;基于深度學習和面部多源動態(tài)行為融合的駕駛員疲勞檢測方法研究[D];山東大學;2018年

相關(guān)碩士學位論文 前9條

1 龍力;基于多特征融合的圖像分類與檢測應用研究[D];華南理工大學;2018年

2 梁曉昱;基于深度學習的駕駛員疲勞檢測方法研究[D];天津工業(yè)大學;2018年

3 鄒昕彤;基于表情與頭部狀態(tài)識別的疲勞駕駛檢測算法的研究[D];吉林大學;2017年

4 李婷婷;基于眼部圖像特征的人體疲勞檢測研究[D];西安電子科技大學;2017年

5 謝鵬;基于卷積神經(jīng)網(wǎng)絡的駕駛員面部檢測與跟蹤研究[D];湖南大學;2017年

6 李耀華;基于眼部特征分析的駕駛員疲勞駕駛實時檢算法研究[D];華南理工大學;2017年

7 王豪榮;基于人臉特征融合的疲勞檢測方法研究[D];長安大學;2015年

8 劉洪榛;基于機器視覺的疲勞駕駛檢測算法研究[D];華南理工大學;2012年

9 李立凌;基于人眼定位技術(shù)的疲勞駕駛檢測方法[D];電子科技大學;2012年

本文編號：2682250