【摘要】：隨著人們生活水平的提高,汽車給人們的生活帶來(lái)交通便利的同時(shí)也帶來(lái)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(píng)估其疲勞程度,已成為國(guó)內(nèi)外研究的熱點(diǎn)。目前的駕駛疲勞檢測(cè)研究中,大部分是通過(guò)提取和分析眼睛和瞳孔等特征來(lái)判別疲勞狀態(tài),但通常疲勞狀態(tài)也會(huì)引起嘴部變化,例如打哈欠,因此,檢測(cè)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(shí)別疲勞與兩者深度特征融合識(shí)別疲勞兩方面展開研究,提出使用深度學(xué)習(xí)代替?zhèn)鹘y(tǒng)的機(jī)器學(xué)習(xí)方法完成疲勞特征提取工作,具有更高的準(zhǔn)確率和魯棒性。論文的主要研究?jī)?nèi)容如下:(1)人臉檢測(cè)和面部關(guān)鍵點(diǎn)定位是研究并分析駕駛安全評(píng)估的基礎(chǔ)�？紤]到算法的實(shí)時(shí)性和準(zhǔn)確率,本文采用Adaboost算法進(jìn)行人臉檢測(cè),并采用基于回歸樹的毫秒級(jí)面部對(duì)齊算法,對(duì)檢測(cè)到的人臉數(shù)據(jù)進(jìn)行關(guān)鍵點(diǎn)定位。根據(jù)檢測(cè)到的8個(gè)特征點(diǎn)的位置,分別對(duì)眼睛和嘴部區(qū)域進(jìn)行提取與分割。(2)針對(duì)目前嘴部特征提取仍然是一個(gè)比較困難的問(wèn)題,提出使用卷積神經(jīng)網(wǎng)絡(luò)識(shí)別嘴部狀態(tài),提高了算法的魯棒性和識(shí)別率,并且提出嘴部識(shí)別疲勞狀態(tài)的方法。實(shí)驗(yàn)結(jié)果證明狀態(tài)識(shí)別和疲勞檢測(cè)算法都有較高的準(zhǔn)確率。同樣采用卷積神經(jīng)網(wǎng)絡(luò)識(shí)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(lái)識(shí)別疲勞狀態(tài)。(3)針對(duì)眼睛和嘴部特征融合識(shí)別疲勞的問(wèn)題,提出卷積神經(jīng)網(wǎng)絡(luò)和編碼向量的疲勞識(shí)別模型,采用卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)每幀圖像進(jìn)行特征提取和分類,并采用Softmax回歸器對(duì)編碼向量進(jìn)行分類,從而可以檢測(cè)出該視頻中駕駛員的疲勞狀態(tài)。實(shí)驗(yàn)結(jié)果表明,采用深度學(xué)習(xí)框架的疲勞檢測(cè),能夠有效提高算法的魯棒性和準(zhǔn)確率。
【圖文】：

訓(xùn)練的參數(shù)減少，網(wǎng)絡(luò)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(xùn)練參數(shù)的數(shù)量級(jí)，，但是 數(shù)量級(jí)也是很大，在如今市場(chǎng)需求要求實(shí)時(shí)性的背景下，其訓(xùn)練參數(shù)還是無(wú)法滿足市場(chǎng)的標(biāo)準(zhǔn)。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(shè)輸入圖像的尺寸是 目是 ，其中 ， ， 分別代表了圖像的寬，高設(shè)置的超參數(shù)有四個(gè)，分別是濾波器數(shù) ，局部感受野的大小
【學(xué)位授予單位】：西安科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP18;U492.8

【參考文獻(xiàn)】

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(zhǎng)途客運(yùn)駕駛員的嗜睡及睡眠質(zhì)量和生活習(xí)慣調(diào)查[J];中國(guó)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(píng)價(jià)指標(biāo)研究[J];太原理工大學(xué)學(xué)報(bào);2015年04期

3 尹寶才;王文通;王立春;;深度學(xué)習(xí)研究綜述[J];北京工業(yè)大學(xué)學(xué)報(bào);2015年01期

4 孟憲超;;疲勞駕駛致交通事故特點(diǎn)及有效預(yù)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(bǔ)償方法[J];軟件導(dǎo)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(yuǎn);;瞳孔直徑大小檢測(cè)駕駛員疲勞的實(shí)證效度分析[J];遼寧師范大學(xué)學(xué)報(bào)(社會(huì)科學(xué)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(cè)方法的研究[J];計(jì)算機(jī)工程與應(yīng)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(hào)的疲勞駕駛風(fēng)險(xiǎn)檢測(cè)方法的研究進(jìn)展[J];中國(guó)醫(yī)學(xué)裝備;2013年07期

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

相關(guān)會(huì)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(guó)體育科學(xué)大會(huì)論文摘要匯編（一）[C];2007年

相關(guān)博士學(xué)位論文 前1條

1 趙磊;基于深度學(xué)習(xí)和面部多源動(dòng)態(tài)行為融合的駕駛員疲勞檢測(cè)方法研究[D];山東大學(xué);2018年

相關(guān)碩士學(xué)位論文 前9條

1 龍力;基于多特征融合的圖像分類與檢測(cè)應(yīng)用研究[D];華南理工大學(xué);2018年

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

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

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

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

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

7 王豪榮;基于人臉特征融合的疲勞檢測(cè)方法研究[D];長(zhǎng)安大學(xué);2015年

8 劉洪榛;基于機(jī)器視覺(jué)的疲勞駕駛檢測(cè)算法研究[D];華南理工大學(xué);2012年

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

本文編號(hào)：2682250