隨著私家車的普及,交通事故數(shù)量與日俱增,其中大約有五分之一交通事故是由于駕駛員在駕駛過程中存在打電話、打字、吃東西、與人交流等分心駕駛行為引起的,在駕駛過程中,駕駛員的駕駛行為直接關(guān)系到全車人的生命安全,所以對駕駛員進(jìn)行行為狀態(tài)識別是非常有必要的。目前的駕駛行為識別方法識別狀態(tài)少且分類識別準(zhǔn)確率低,加之在公共安全研究中由于嵌入式設(shè)備內(nèi)存小等原因,駕駛員檢測仍然是一個棘手的問題。駕駛行為狀態(tài)識別的任務(wù)可以看作是一個多類別的分類問題,考慮到計算機視覺在預(yù)測駕駛員行為方面的最新進(jìn)展以及深度神經(jīng)網(wǎng)絡(luò)可以更快更高效率地提取數(shù)據(jù)特征的優(yōu)勢,本文試圖研究最佳的深度學(xué)習(xí)網(wǎng)絡(luò)體系結(jié)構(gòu),以通過計算機視覺準(zhǔn)確地檢測駕駛員狀態(tài),用以監(jiān)督該類危險駕駛行為。在本文中,我們研究了使用深度學(xué)習(xí)方法在單個圖像中自動識別駕駛狀態(tài)（例如正常駕駛,打電話,發(fā)短信,喝水和與乘客交談）,為此我們提出了一種快速下采樣網(wǎng)絡(luò)（MF-Net）,它是一種高效且準(zhǔn)確的網(wǎng)絡(luò),由深度可分離卷積網(wǎng)絡(luò)改進(jìn)而成,其關(guān)鍵思想是將快速下采樣策略應(yīng)用于深度可分離卷積網(wǎng)絡(luò),在12層內(nèi)執(zhí)行32倍下采樣,此設(shè)計具有顯著降低計算成本、增加信息容量并實現(xiàn)性能改進(jìn)、所... 

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
    1.3 研究意義
    1.4 論文章節(jié)安排
第2章 總體架構(gòu)設(shè)計及相關(guān)技術(shù)
    2.1 狀態(tài)識別系統(tǒng)總體架構(gòu)
    2.2 駕駛員目標(biāo)檢測技術(shù)
    2.3 圖像處理技術(shù)
    2.4 分類構(gòu)建塊的確定-可分離卷積
        2.4.1 空間可分離卷積
        2.4.2 深度可分離卷積
    2.5 遷移學(xué)習(xí)
        2.5.1 轉(zhuǎn)導(dǎo)遷移學(xué)習(xí)
        2.5.2 歸納遷移學(xué)習(xí)
    2.6 本章小結(jié)
第3章 數(shù)據(jù)處理和特征表示
    3.1 數(shù)據(jù)增強
    3.2 圖像預(yù)處理
    3.3 數(shù)據(jù)的特征表示
        3.3.1 傳統(tǒng)特征學(xué)習(xí)
        3.3.2 深度學(xué)習(xí)特征學(xué)習(xí)
    3.4 特征可視化
    3.5 本章小結(jié)
第4章 基于深度學(xué)習(xí)的駕駛行為模型
    4.1 幾種典型的卷積神經(jīng)網(wǎng)絡(luò)模型
        4.1.1 VGG16模型
        4.1.2 殘差網(wǎng)絡(luò)模型
        4.1.3 Xception模型
    4.2 MF-Net架構(gòu)設(shè)計
        4.2.1 快速下采樣策略
        4.2.2 構(gòu)造MF-Net網(wǎng)絡(luò)結(jié)構(gòu)
    4.3 優(yōu)化算法
        4.3.1 AdaGrad算法
        4.3.2 RMSprop算法
        4.3.3 Adam算法
    4.4 本章小結(jié)
第5章 實驗結(jié)果分析
    5.1 評價指標(biāo)
    5.2 實驗結(jié)果及分析
        5.2.1 實驗環(huán)境
        5.2.2 實驗結(jié)果
    5.3 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
個人簡歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文與研究成果



本文編號：3655921