疲勞駕駛會(huì)顯著降低駕駛員的警惕性,增加反應(yīng)時(shí)間,嚴(yán)重危害道路安全,現(xiàn)和超載、超速并列為交通事故三大成因。針對(duì)疲勞駕駛易造成交通事故頻發(fā)的現(xiàn)狀,本文將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到疲勞駕駛的狀態(tài)識(shí)別領(lǐng)域,主要研究內(nèi)容如下:首先,采用多任務(wù)級(jí)聯(lián)框架（Multitask Cascaded Convolutional Networks,MTCNN）同時(shí)完成人臉檢測(cè)和人臉對(duì)齊,以由粗糙檢測(cè)到精細(xì)提取的方式提高其性能。為進(jìn)一步提高檢測(cè)準(zhǔn)確率,降低駕駛員的姿勢(shì)變化以及無約束環(huán)境中照明和遮擋等因素的影響,對(duì)MTCNN進(jìn)行改進(jìn),優(yōu)化三個(gè)子網(wǎng)絡(luò)之一O-Net的網(wǎng)絡(luò)參數(shù)。實(shí)驗(yàn)結(jié)果表明,在特征點(diǎn)損失僅少量增加的前提下,準(zhǔn)確率從97.26%增長到98.83%,提升了1.57個(gè)百分點(diǎn)。其次,提出一種基于Eye and Mouth-CNN（EM-CNN）的眼嘴多狀態(tài)識(shí)別網(wǎng)絡(luò)。由于檢測(cè)信息少會(huì)對(duì)駕駛員多姿態(tài)人臉的區(qū)域造成誤判,因此對(duì)駕駛員的雙眼和嘴巴狀態(tài)進(jìn)行識(shí)別。為減少光照變化、坐姿差異以及眼鏡遮擋等因素的影響,提高對(duì)復(fù)雜環(huán)境的適應(yīng)性,采集真實(shí)駕駛環(huán)境中的4000張駕駛員圖片進(jìn)行預(yù)訓(xùn)練。實(shí)驗(yàn)結(jié)果表明EM-CNN的平均準(zhǔn)確率達(dá)到9... 

【文章來源】：中國礦業(yè)大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：56 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

道路交通事故成因Figure1-1Causesofroadtrafficaccidents

工程碩士專業(yè)學(xué)位論文2圖1-22013-2017年全國交通事故發(fā)生情況Figure1-2Theoccurrenceofnationaltrafficaccidentsin2013-2017圖1-32017年中國交通事故車型情況Figure1-3ThemotorcycletypeofChina"strafficaccidentsin20171.2國內(nèi)外研究現(xiàn)狀（ResearchStatusatHomeandAbroad）疲勞駕駛檢測(cè)方法通�；谌缦拢海�1）基于生理指標(biāo)。腦電（EEG）、心電（ECG）和眼電（EOG）等生理信號(hào)將隨著駕駛員進(jìn)入疲勞狀態(tài)而發(fā)生顯著變化[7]。Rohit等人[8]通過線性判別分析（LDA）和支持向量機(jī)（SVM）分析腦電圖特征，實(shí)時(shí)檢測(cè)駕駛員的困倦情緒。Tasaki等人[9]利用心電圖實(shí)時(shí)檢測(cè)駕駛員心率以推理疲勞駕駛程度。彭軍強(qiáng)[10]結(jié)合腦電信號(hào)和肌電信號(hào)特征對(duì)駕駛員疲勞狀態(tài)進(jìn)行判定。張弛等人[11]設(shè)計(jì)了基于腦電圖、肌電圖和眼電圖的實(shí)時(shí)疲勞駕駛識(shí)別系統(tǒng)。

工程碩士專業(yè)學(xué)位論文2圖1-22013-2017年全國交通事故發(fā)生情況Figure1-2Theoccurrenceofnationaltrafficaccidentsin2013-2017圖1-32017年中國交通事故車型情況Figure1-3ThemotorcycletypeofChina"strafficaccidentsin20171.2國內(nèi)外研究現(xiàn)狀（ResearchStatusatHomeandAbroad）疲勞駕駛檢測(cè)方法通�；谌缦拢海�1）基于生理指標(biāo)。腦電（EEG）、心電（ECG）和眼電（EOG）等生理信號(hào)將隨著駕駛員進(jìn)入疲勞狀態(tài)而發(fā)生顯著變化[7]。Rohit等人[8]通過線性判別分析（LDA）和支持向量機(jī)（SVM）分析腦電圖特征，實(shí)時(shí)檢測(cè)駕駛員的困倦情緒。Tasaki等人[9]利用心電圖實(shí)時(shí)檢測(cè)駕駛員心率以推理疲勞駕駛程度。彭軍強(qiáng)[10]結(jié)合腦電信號(hào)和肌電信號(hào)特征對(duì)駕駛員疲勞狀態(tài)進(jìn)行判定。張弛等人[11]設(shè)計(jì)了基于腦電圖、肌電圖和眼電圖的實(shí)時(shí)疲勞駕駛識(shí)別系統(tǒng)。

【參考文獻(xiàn)】：
期刊論文
[1]基于模糊綜合評(píng)價(jià)的疲勞駕駛檢測(cè)算法研究[J]. 潘志庚,劉榮飛,張明敏.  軟件學(xué)報(bào). 2019(10)
[2]基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)技術(shù)的數(shù)字電視監(jiān)測(cè)平臺(tái)告警模型的研究[J]. 韋堅(jiān),劉愛娟,唐劍文.  有線電視技術(shù). 2017(07)
[3]基于面部行為分析的駕駛員疲勞檢測(cè)方法[J]. 耿磊,袁菲,肖志濤,張芳,吳駿,李月龍.  計(jì)算機(jī)工程. 2018(01)
[4]基于嘴部內(nèi)輪廓特征的疲勞檢測(cè)[J]. 王霞,仝美嬌,王蒙軍.  科學(xué)技術(shù)與工程. 2016(26)
[5]一種基于眼部狀態(tài)的疲勞駕駛檢測(cè)方法[J]. 毛須偉,景文博,王曉曼,劉學(xué),張姍姍,張茂楨.  長春理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(02)
[6]基于腦電圖識(shí)別結(jié)合操縱特征的駕駛疲勞檢測(cè)[J]. 王斐,王少楠,王惜慧,彭瑩,楊乙丁.  儀器儀表學(xué)報(bào). 2014(02)
[7]3D女性頭像建模要點(diǎn)分析[J]. 張寒葉.  寧德師專學(xué)報(bào)(自然科學(xué)版). 2010(02)
[8]全球道路安全現(xiàn)狀[J]. 王正國.  中華創(chuàng)傷雜志. 2010 (05)
[9]一種基于PERCLOS駕駛員疲勞檢測(cè)方法的實(shí)現(xiàn)算法[J]. 萬玉麗,謝金法.  農(nóng)業(yè)裝備技術(shù). 2009(02)
[10]基于機(jī)器學(xué)習(xí)的計(jì)算機(jī)輔助診斷模型的研究[J]. 呂曉燕,羅立民,李祥生,郭建軍.  計(jì)算機(jī)工程與應(yīng)用. 2008(35)

博士論文
[1]基于信息融合的疲勞駕駛檢測(cè)方法研究[D]. 牛清寧.吉林大學(xué) 2014



本文編號(hào)：3605086