隨著汽車行業(yè)的飛速發(fā)展以及人民生活水平不斷提高,國(guó)民汽車人均保有量也不斷增加,由此引發(fā)的交通事故數(shù)量也越來(lái)越多。在所有交通事故中由于駕駛員因素引起的占所有數(shù)量的90%以上,而駕駛員因素中最主要的包括駕駛員疲勞駕駛和分心駕駛,因此對(duì)駕駛員危險(xiǎn)狀態(tài)進(jìn)行監(jiān)控并且預(yù)警從而減少交通事故的發(fā)生變得越來(lái)越重要。本文主要闡述了駕駛員駕駛疲勞和駕駛分心檢測(cè)方法、相關(guān)算法的原理和模型搭建、訓(xùn)練以及優(yōu)化方法。本文選取的駕駛員的生理信號(hào)數(shù)據(jù),設(shè)計(jì)駕駛員疲勞和分心狀態(tài)實(shí)驗(yàn),運(yùn)用深度學(xué)習(xí)技術(shù)來(lái)建立駕駛員疲勞和分心駕駛識(shí)別模型,對(duì)于危險(xiǎn)狀態(tài)識(shí)別具有重要意義。首先,對(duì)國(guó)內(nèi)外駕駛員疲勞駕駛和分心駕駛監(jiān)測(cè)研究現(xiàn)狀展開了詳細(xì)介紹,對(duì)傳統(tǒng)機(jī)器學(xué)習(xí)檢測(cè)方法等指出相應(yīng)不足,并提出運(yùn)用駕駛員生理信號(hào)數(shù)據(jù)以及深度學(xué)習(xí)技術(shù)來(lái)建立識(shí)別模型。其次,詳細(xì)闡述了卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)結(jié)構(gòu),誤差方向傳播算法,在此基礎(chǔ)上,結(jié)合目前駕駛員疲勞和分心實(shí)驗(yàn)研究方法,設(shè)計(jì)駕駛員疲勞和分心駕駛模擬實(shí)驗(yàn),采集實(shí)驗(yàn)過(guò)程中各個(gè)狀態(tài)下被試者的生理信號(hào)數(shù)據(jù),將實(shí)驗(yàn)的有效數(shù)據(jù)制作對(duì)應(yīng)標(biāo)簽,完成駕駛員疲勞駕駛狀態(tài)、分心駕駛狀態(tài)和正常駕駛狀態(tài)數(shù)據(jù)集,并將數(shù)據(jù)集拆分成... 

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景
    1.2 國(guó)內(nèi)外研究現(xiàn)狀以及發(fā)展動(dòng)態(tài)
        1.2.1 研究趨勢(shì)
        1.2.2 國(guó)內(nèi)外駕駛疲勞監(jiān)測(cè)研究現(xiàn)狀
        1.2.3 國(guó)內(nèi)外駕駛分心監(jiān)測(cè)研究現(xiàn)狀
    1.3 本文主要研究目的和結(jié)構(gòu)
    1.4 本章小結(jié)
第2章 深度學(xué)習(xí)算法CNNs和LSTM
    2.1 卷積神經(jīng)網(wǎng)絡(luò)原理
        2.1.1 卷積神經(jīng)網(wǎng)絡(luò)的連接方式
        2.1.2 卷積運(yùn)算
        2.1.3 卷積神經(jīng)網(wǎng)絡(luò)的池化
        2.1.4 卷積神經(jīng)網(wǎng)絡(luò)的反向傳播
    2.2 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)原理
        2.2.1 LSTM的結(jié)構(gòu)
        2.2.2 LSTM的反向傳播算法
    2.3 深度學(xué)習(xí)框架Tensorflow
    2.4 本章小結(jié)
第3章 駕駛員疲勞駕駛和分心駕駛實(shí)驗(yàn)
    3.1 實(shí)驗(yàn)軟硬件模擬系統(tǒng)
        3.1.1 駕駛模擬系統(tǒng)
        3.1.2 模擬環(huán)境實(shí)驗(yàn)搭建
        3.1.3 實(shí)驗(yàn)數(shù)據(jù)采集設(shè)備
    3.2 疲勞和分心駕駛實(shí)驗(yàn)設(shè)計(jì)
        3.2.1 被實(shí)驗(yàn)人員要求
        3.2.2 實(shí)驗(yàn)環(huán)境要求
        3.2.3 實(shí)驗(yàn)評(píng)價(jià)方法
        3.2.4 實(shí)驗(yàn)流程
    3.3 實(shí)驗(yàn)過(guò)程和結(jié)果處理
        3.3.1 實(shí)驗(yàn)過(guò)程
        3.3.2 數(shù)據(jù)結(jié)果處理
    3.4 本章小結(jié)
第4章 模型搭建優(yōu)化和結(jié)果對(duì)比分析
    4.1 基于CNNs的駕駛員疲勞和分心識(shí)別模型
        4.1.1 網(wǎng)絡(luò)結(jié)構(gòu)
        4.1.2 網(wǎng)絡(luò)訓(xùn)練及模型優(yōu)化
    4.2 基于LSTM的駕駛員疲勞和分心識(shí)別模型
        4.2.1 網(wǎng)絡(luò)結(jié)構(gòu)
        4.2.2 LSTM網(wǎng)絡(luò)的訓(xùn)練及模型優(yōu)化
    4.3 結(jié)果對(duì)比分析
    4.4 本章小結(jié)
總結(jié)與展望
參考文獻(xiàn)
致謝
附錄A 攻讀碩士學(xué)位期間所發(fā)表的學(xué)術(shù)論文



本文編號(hào)：3715178