疲勞駕駛時刻危害著道路交通安全,是產(chǎn)生交通事故的主要原因之一。如何有效監(jiān)測和判定疲勞駕駛狀態(tài),從而實現(xiàn)疲勞預警,已成為科學研究的熱點。傳統(tǒng)的檢測方法多是基于某種人體生理參數(shù),通過對生理參數(shù)變化的監(jiān)測,完成對疲勞狀態(tài)的判定。與傳統(tǒng)檢測方法相比,基于計算機視覺的疲勞檢測方法具有檢測結(jié)果準確可靠,檢測過程不依賴穿戴設備,人機交互體驗良好等優(yōu)勢。但在特定的算法運用場景中,往往存在被檢畫面部分遮擋、圖像分辨率過低、檢測環(huán)境復雜光照、采集設備不穩(wěn)定等環(huán)境因素的干擾。面對諸多挑戰(zhàn),如何有效地提高疲勞狀態(tài)的檢測精度,同時算法具有實際運用空間,仍需要深入探索。傳統(tǒng)的基于面部信息的疲勞檢測方法往往針對特定的某一面部屬性進行檢測分析,由于檢測個體差異及疲勞狀態(tài)界定模糊,算法存在識別錯誤率高、魯棒性差的問題。而且單一屬性模型割裂了面部屬性間潛在的相融相斥關(guān)系,同時龐大的模型尺寸和復雜的模型結(jié)構(gòu)也限制了算法的實際落地。針對這些亟待解決的問題,本文首先基于多任務卷積神經(jīng)網(wǎng)絡(MTCNN)提出了面部檢測和頭部姿態(tài)分析融合模型,模型使用多任務級聯(lián)的架構(gòu)策略,在完成面部檢測任務的同時完成完整面部姿態(tài)分析任務。其次基于網(wǎng)...

【文章頁數(shù)】：89 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 課題研究背景與意義
    1.2 研究現(xiàn)狀
    1.3 本文研究內(nèi)容
    1.4 論文的組織結(jié)構(gòu)
2 相關(guān)理論與技術(shù)分析
    2.1 典型深度學習模型
    2.2 深度卷積網(wǎng)絡在圖像分析中的應用
    2.3 多任務學習
    2.4 本章小結(jié)
3 面部檢測與面部姿態(tài)分析融合網(wǎng)絡
    3.1 問題概述
    3.2 面部檢測與面部姿態(tài)分析融合網(wǎng)絡
    3.3 仿真實驗與分析
    3.4 本章小結(jié)
4 基于人臉關(guān)鍵點的面部屬性分析網(wǎng)絡
    4.1 人臉關(guān)鍵點定位方法
    4.2 基于級聯(lián)網(wǎng)絡的人臉關(guān)鍵點檢測方法
    4.3 面部屬性分析
    4.4 實驗結(jié)果與分析
    4.5 本章小結(jié)
5 多指標融合疲勞駕駛檢測方法
    5.1 疲勞程度評價標準
    5.2 疲勞特征提取
    5.3 信息融合與疲勞程度評估
    5.4 評估與實驗
    5.5 本章小結(jié)
6 在線疲勞檢測預警系統(tǒng)平臺搭建
    6.1 平臺需求分析
    6.2 系統(tǒng)概況
    6.3 系統(tǒng)設計與實現(xiàn)
    6.4 本章小結(jié)
7 總結(jié)及展望
    7.1 本文工作總結(jié)
    7.2 未來工作展望
參考文獻
致謝



本文編號：3768622