隨著對汽車資源持有量的飛速增長、交通肇事事件的頻繁發(fā)生,駕駛安全等相關問題的研究也不斷深入。基于深度學習的圖像處理技術不僅可以完成目標檢測、目標識別和圖像特征提取,同時也為駕駛人危險行為識別和疲勞檢測提供了新型智能的解決方法和手段。作為一種人工智能的一個重要方向,深度學習技術可通過系列循環(huán)迭代獲取數(shù)據(jù)樣本內在規(guī)律和其本質特征,具有巨大的人工智能應用和發(fā)展?jié)摿Α１菊n題主要研究基于深度學習的駕駛人危險行為識別方法研究,結合機器學習與深度學習相關基本理論,分別重點研究了基于機器學習和深度學習的駕駛人危險動作識別分析算法、基于多維信息感知的駕駛人疲勞檢測識別算法。本文主要研究內容如下:首先,從平滑濾波、高斯濾波、中值濾波三種圖像濾波算法對駕駛人行為數(shù)據(jù)集、駕駛人疲勞檢測數(shù)據(jù)集進行預處理入手,對不同類型的預處理算法進行對比分析;進一步研究圖像特征獲取算法,分別深入地探究了駕駛圖像LBP特征與HOG特征的提取算法計算過程,并借助支持向量機,進一步研究了基于LBP-SVM、HOG-SVM與特征融合-SVM三種類型的駕駛人行為識別算法,并完成三種駕駛人識別算法的模擬仿真實驗。其次,探究深度學習的基本思... 

【文章頁數(shù)】：89 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景及研究的目的和意義
    1.2 駕駛人行為識別的國內外研究現(xiàn)狀
        1.2.1 基于計算機視覺的駕駛人行為識別
        1.2.2 基于車輛狀態(tài)的駕駛人行為識別
    1.3 疲勞檢測方法的國內外研究現(xiàn)狀
        1.3.1 基于生理參數(shù)的駕駛人疲勞檢測
        1.3.2 基于機器視覺的駕駛人疲勞檢測
    1.4 本文的主要研究內容
第2章 基于機器學習的駕駛人行為識別
    2.1 標準化數(shù)據(jù)集
        2.1.1 駕駛人行為識別數(shù)據(jù)集
        2.1.2 駕駛人疲勞檢測數(shù)據(jù)集
    2.2 圖像濾波算法
        2.2.1 平滑濾波
        2.2.2 高斯濾波
        2.2.3 中值濾波
    2.3 圖像特征提取算法
        2.3.1 LBP特征提取
        2.3.2 HOG特征提取
    2.4 基于支持向量機的駕駛人行為識別
        2.4.1 支持向量機基本原理
        2.4.2 基于LBP-SVM的駕駛人行為識別
        2.4.3 基于HOG-SVM的駕駛人行為識別
        2.4.4 基于特征融合與SVM的駕駛人行為識別
    2.5 本章小結
第3章 面向特征識別的深度學習理論分析
    3.1 深度學習基本原理
    3.2 神經(jīng)網(wǎng)絡
        3.2.1 激活函數(shù)
        3.2.2 前向傳播算法
        3.2.3 反向傳播算法
    3.3 卷積神經(jīng)網(wǎng)絡
        3.3.1 卷積層
        3.3.2 池化層
        3.3.3 反向傳播算法
    3.4 本章小結
第4章 基于深度學習的駕駛人行為識別算法
    4.1 基于神經(jīng)網(wǎng)絡的駕駛人行為識別算法
        4.1.1 基于LBP-NN的駕駛人行為識別
        4.1.2 基于HOG-NN的駕駛人行為識別
        4.1.3 基于特征融合與神經(jīng)網(wǎng)絡的駕駛人行為識別
    4.2 基于CNN的駕駛人行為識別算法
        4.2.1 模型架構
        4.2.2 實驗設置
        4.2.3 實驗結果與分析
    4.3 基于CNN改進算法的多決策融合駕駛人行為識別
        4.3.1 CNN改進算法
        4.3.2 多決策融合駕駛人行為識別
    4.4 本章小結
第5章 基于多源信息感知的駕駛人疲勞檢測算法
    5.1 基于機器學習的人臉特征點檢測算法
        5.1.1 基于HOG特征的人臉檢測
        5.1.2 基于級聯(lián)回歸樹的人臉特征點檢測
    5.2 基于眼睛橫縱比的疲勞檢測
        5.2.1 眼睛橫縱比
        5.2.2 基于眼睛橫縱比的疲勞檢測算法
    5.3 基于嘴部開度的疲勞檢測
        5.3.1 嘴部開度
        5.3.2 基于嘴部開度的疲勞檢測算法
    5.4 基于多源信息感知的疲勞檢測算法
    5.5 本章小結
結論
參考文獻
攻讀碩士學位期間發(fā)表的論文及其它成果
致謝



本文編號：3710126