近年來,隨著交通運輸業(yè)的飛速發(fā)展,惡性道路交通安全事故的發(fā)生率也同步上升,被公認為是戰(zhàn)爭之外人類最大的威脅和殺手。統(tǒng)計發(fā)現(xiàn),機動車交通事故的誘因繁多,其中,疲勞駕駛所占比重較高,對交通安全管制造成了巨大威脅。借助現(xiàn)代科技手段合理研判駕駛員疲勞狀態(tài),實時檢測并預警,是合理預防交通事故的有效措施,也是當前道路交通安全管理研究的重要課題。但是,受不同駕駛員間個體差異和實際戶外駕駛環(huán)境中復雜的光線變化、遮擋、干擾等問題影響,兼具高實時性、高準確性和強魯棒性的駕駛疲勞檢測技術(shù)研究仍存在較多技術(shù)瓶頸。本課題來源于廣州市某科技攻關(guān)項目,針對以上問題,圍繞實際應用環(huán)境下駕駛員的人臉檢測、人臉跟蹤、疲勞特征提取等問題分模塊展開算法研究與應用。融合多個疲勞特征參數(shù)以分析不同疲勞狀態(tài)下的變化規(guī)律,以設計高效、可靠的疲勞檢測算法系統(tǒng)。本論文基于駕駛員的面部視覺特征,依靠其非侵擾性、低成本、可擴展性和友好性等優(yōu)勢,通過實時精確提取相關(guān)疲勞特征進行參數(shù)分析,完成疲勞狀態(tài)的準確檢測和評估。具體研究內(nèi)容如下:（1）針對復雜的駕駛環(huán)境,選擇適當?shù)木矸e神經(jīng)網(wǎng)絡算法進行目標人臉檢測,并針對傳統(tǒng)SSD算法檢測性能缺陷和實際應... 

【文章來源】：華南理工大學廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：103 頁

【學位級別】：碩士

【部分圖文】：

疲勞駕駛導致交通事故為應對當前嚴峻的交通安全形勢，我國相關(guān)部門提出包括《中華人民共和國道路交

第一章緒論5中國航天系統(tǒng)工程公司的萬蔚等人以車速、方向盤轉(zhuǎn)角和車輛橫向位置三類參數(shù)的樣本熵作為疲勞狀態(tài)特征信息，利用模擬駕駛器采集了多名駕駛員在疲勞狀態(tài)和正常狀態(tài)的實驗數(shù)據(jù)，形成有效特征組，構(gòu)建了一種基于BP神經(jīng)網(wǎng)絡的駕駛員疲勞駕駛判別算法[9]。圖1-6汽車駕駛模擬器及實驗場景清華大學的賈麗娟結(jié)合行車數(shù)據(jù)及面部視覺特征，分別從時域和頻域兩個方面分析基于實車實驗獲得的疲勞駕駛數(shù)據(jù)。設計SVM分類器，采用聯(lián)合優(yōu)化方法對分類器參數(shù)與指標集進行優(yōu)化，開發(fā)了一種面向?qū)嵻噾们腋邷蚀_率的駕駛員疲勞檢測算法[10]。研究發(fā)現(xiàn)，基于行車數(shù)據(jù)的駕駛員疲勞檢測普遍具有無侵入性、檢測成本低、實時性高等優(yōu)點。同時，相較于其他檢測手段，行車數(shù)據(jù)的獲取在很大程度上不易受天氣情況和光線不足的影響，具備較高的實用價值。因此，基于行車數(shù)據(jù)的駕駛員疲勞檢測技術(shù)得到了眾多研究人員和車企的青睞。然而，基于行車數(shù)據(jù)的駕駛員疲勞檢測所依據(jù)的數(shù)據(jù)極易受駕駛員個人行為習慣、技術(shù)水平、車型及道路狀況影響，導致疲勞駕駛診斷存在一定的誤差。其次，所依賴的高精度傳感器等相關(guān)數(shù)據(jù)采集裝置的購置配備成本和安裝維護成本普遍較高。高精度設備的可靠性也容易受行車環(huán)境、氣候條件等因素的干擾，極易導致數(shù)據(jù)精度不佳。同時，鑒于疲勞駕駛行為的高危險性，大部分用于研究學習的行車數(shù)據(jù)來自標準化駕駛模擬實驗，實車實驗很難開展。但是，標準化駕駛模擬實驗場景較單一，與真實應用場景不匹配，且缺乏真實行車環(huán)境中普遍存在的復雜車況、路況及行人干擾等對受測人員駕駛心理和駕駛行為造成的影響。因此，基于行車數(shù)據(jù)的疲勞檢測技術(shù)雖然具備一定的參考價值，但模型的有效性、靈敏度、可靠性等在實車環(huán)境下的表現(xiàn)均有待研究。

華南理工大學碩士學位論文10南京理工大學的牛耕田等人提出了一種通過Gabor小波獲取多尺度面部疲勞特征，降維處理后使用稀疏表示構(gòu)造疲勞完備字典并實現(xiàn)疲勞識別的算法。該方法最大程度保留了面部所有疲勞信息，具有較好的識別率[25]。Wu等人使用Haar-like特性和Adaboost分類器確定人臉位置，利用SVM分類器尋找眼睛的位置，并通過計算所得左眼圖像的LBP特征，輸入SVM分類器進行疲勞識別。實驗結(jié)果表明，該方法能夠有效快速地識別駕駛員的眼睛狀態(tài)，有助于駕駛員疲勞程度的檢測[28]。隨著深度學習技術(shù)的飛速普及，借助卷積神經(jīng)網(wǎng)絡(ConvolutionalNeuralNetwork,CNN)的相關(guān)研究，疲勞檢測方面快速涌現(xiàn)了大批卓越的算法思路。南開大學的趙雪鵬等人提出了一種基于級聯(lián)卷積CNN的疲勞檢測算法，結(jié)構(gòu)示意圖如圖1-12所示。第一級實現(xiàn)人眼的提取，第二級檢測眼部特征點，根據(jù)眼睛狀態(tài)相關(guān)參數(shù)構(gòu)建疲勞特征模型，最后根據(jù)視頻序列幀眼睛狀態(tài)，判定疲勞狀態(tài)[29]。圖1-12人眼分類CNN結(jié)構(gòu)示意圖中南大學的郁松等人提出一種基于面部動作時空特征提取的預警算法，算法流程如圖1-13所示。首先，構(gòu)建加入空間變換的卷積神經(jīng)網(wǎng)絡，從輸入圖像中識別人臉區(qū)域，對臉部特征點進行檢測標記；然后，建立時空特征提取網(wǎng)絡，利用采集的人臉圖像序列，對未來圖像序列進行預測并輸出結(jié)果；最后，在輸出的圖像序列中根據(jù)眼部、嘴部綜合狀態(tài)判斷是否發(fā)出警告[30]。圖1-13基于面部動作時空特征提取的預警算法流程

【參考文獻】：
期刊論文
[1]基于面部動作時空特征的疲勞預警算法[J]. 郁松,盧霖胤.  計算機工程與科學. 2019(10)
[2]基于深度學習的目標檢測算法研究進展[J]. 謝娟英,劉然.  陜西師范大學學報(自然科學版). 2019(05)
[3]基于改進SSD的高效目標檢測方法[J]. 王文光,李強,林茂松,賀賢珍.  計算機工程與應用. 2019(13)
[4]基于融合約束局部模型的三維人臉特征點定位[J]. 成翔昊,達飛鵬,汪亮.  浙江大學學報(工學版). 2019(04)
[5]駕駛員疲勞狀態(tài)監(jiān)測系統(tǒng)綜述[J]. 于立嬌,吳振昕,王文彬,高洪偉.  汽車文摘. 2019(03)
[6]目標跟蹤算法綜述[J]. 孟琭,楊旭.  自動化學報. 2019(07)
[7]基于多尺度池化卷積神經(jīng)網(wǎng)絡的疲勞檢測方法研究[J]. 顧王歡,朱煜,陳旭東,鄭兵兵,何林飛.  計算機應用研究. 2019(11)
[8]基于多形態(tài)紅外特征與深度學習的實時駕駛員疲勞檢測[J]. 耿磊,梁曉昱,肖志濤,李月龍.  紅外與激光工程. 2018(02)
[9]基于歐氏距離預測的Camshift目標跟蹤方法[J]. 劉明珠,任祥祥,張光明.  中國科技論文. 2017(20)
[10]基于級聯(lián)卷積神經(jīng)網(wǎng)絡的疲勞檢測[J]. 趙雪鵬,孟春寧,馮明奎,常勝江.  光電子·激光. 2017(05)

博士論文
[1]基于深度學習和面部多源動態(tài)行為融合的駕駛員疲勞檢測方法研究[D]. 趙磊.山東大學 2018
[2]基于機器視覺的復雜工況下駕駛?cè)似跔顟B(tài)檢測方法研究[D]. 張波.清華大學 2015
[3]基于心電信號的駕駛疲勞檢測方法研究[D]. 吳群.浙江大學 2008

碩士論文
[1]基于面部特征分析與多指標融合的疲勞狀態(tài)檢測算法研究[D]. 季映羽.吉林大學 2019
[2]基于心電信號的疲勞駕駛診斷[D]. 施翔勻.北方工業(yè)大學 2019
[3]基于人臉分析的疲勞駕駛檢測方法研究[D]. 柳龍飛.武漢科技大學 2019
[4]基于面部特征的疲勞駕駛檢測系統(tǒng)設計[D]. 李慶臣.鄭州大學 2019
[5]基于ERT算法的狗臉特征點提取[D]. 芮誠.上海師范大學 2019
[6]基于計算機視覺的運動目標跟蹤方法研究[D]. 何尚猛.中國礦業(yè)大學 2019
[7]基于面部特征的駕駛員疲勞檢測研究[D]. 徐忠?guī)?遼寧工業(yè)大學 2019
[8]基于Mean Shift的運動目標跟蹤方法研究[D]. 石雪楠.東北電力大學 2018
[9]基于SSD物體檢測技術(shù)的機器人抓取系統(tǒng)研究[D]. 李亞男.吉林大學 2018
[10]基于卷積神經(jīng)網(wǎng)絡的人臉識別研究與實現(xiàn)[D]. 于志剛.中北大學 2018



本文編號：3308410