疲勞駕駛極易引發(fā)重大交通事故,針對(duì)駕駛員疲勞的檢測(cè)對(duì)于預(yù)防交通事故具有重要研究意義�；诖�,相關(guān)學(xué)者在該領(lǐng)域開(kāi)展有大量研究工作,并取得了一系列研究成果。其中,基于視覺(jué)表觀特征的方法以其對(duì)駕駛員無(wú)干擾、視覺(jué)系統(tǒng)易于布置的優(yōu)點(diǎn)逐漸成為該領(lǐng)域可實(shí)用化技術(shù)的研究重點(diǎn)。然而,由于視覺(jué)圖像受外部光照變化、圖像背景等環(huán)境因素的影響較大,因此在系統(tǒng)的可靠性方面還需進(jìn)一步提升。為此,本文在對(duì)反映駕駛員疲勞狀態(tài)的多種表觀特征分析的基礎(chǔ)上,利用魯棒性更強(qiáng)的深度學(xué)習(xí)算法構(gòu)建了駕駛疲勞檢測(cè)模型,并結(jié)合實(shí)驗(yàn)數(shù)據(jù)對(duì)所構(gòu)建的模型進(jìn)行了驗(yàn)證。針對(duì)上述圖像處理方法抗干擾性不強(qiáng)、準(zhǔn)確率不高的缺點(diǎn),本文通過(guò)深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)對(duì)駕駛員面部圖像的空間特征進(jìn)行了提取;考慮到駕駛疲勞特征時(shí)序上的動(dòng)態(tài)變化特性,本文結(jié)合長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的時(shí)序表達(dá)特性構(gòu)建了疲勞檢測(cè)的基礎(chǔ)模型。在此基礎(chǔ)上,為彌補(bǔ)間隔采樣所造成的運(yùn)動(dòng)特征缺失,本文通過(guò)合理引入光流特征對(duì)基礎(chǔ)模型進(jìn)行了優(yōu)化,進(jìn)而形成了基于RGB-O圖像的雙流模型。最后,基于系統(tǒng)的時(shí)效性需求,本文提出了一種動(dòng)態(tài)自適應(yīng)的數(shù)據(jù)采樣機(jī)制,以有效提高系統(tǒng)的實(shí)際運(yùn)行效率。本文對(duì)于駕駛疲勞檢測(cè)的研究,重... 

【文章來(lái)源】：大連理工大學(xué)遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 引言
    1.1 研究背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀及發(fā)展趨勢(shì)
        1.2.1 疲勞特征指標(biāo)檢測(cè)技術(shù)
        1.2.2 駕駛疲勞狀態(tài)評(píng)估方法
        1.2.3 深度學(xué)習(xí)技術(shù)
        1.2.4 綜合評(píng)述
    1.3 論文的主要研究?jī)?nèi)容和結(jié)構(gòu)安排
        1.3.1 論文的主要研究?jī)?nèi)容
        1.3.2 論文的結(jié)構(gòu)安排
2 基于CNN與 LSTM的駕駛疲勞檢測(cè)
    2.1 面部ROI的確定
        2.1.1 基于類(lèi)Haar特征的人臉識(shí)別
        2.1.2 基于卡爾曼與Mean Shift算法的人臉追蹤
    2.2 人臉特征提取
        2.2.1 卷積的概念
        2.2.2 局部連接與權(quán)值共享
        2.2.3 CNN常見(jiàn)設(shè)計(jì)原則
        2.2.4 卷積神經(jīng)網(wǎng)絡(luò)提取駕駛員面部特征
        2.2.5 特征圖可視化
    2.3 駕駛員面部表觀特征的動(dòng)態(tài)特性分析
        2.3.1 LSTM時(shí)序機(jī)制獲取時(shí)序信息
        2.3.2 基于LSTM的疲勞檢測(cè)模型超參設(shè)定
    2.4 基于LSTM的疲勞檢測(cè)基本模型構(gòu)建
    2.5 實(shí)驗(yàn)驗(yàn)證
        2.5.1 檢測(cè)數(shù)據(jù)集的構(gòu)建
        2.5.2 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測(cè)試
    2.6 本章小結(jié)
3 基于光流特征的駕駛疲勞檢測(cè)模型改進(jìn)
    3.1 光流特征在疲勞檢測(cè)中的應(yīng)用
    3.2 基于RGB-O圖像的駕駛員疲勞檢測(cè)模型構(gòu)建
    3.3 實(shí)驗(yàn)驗(yàn)證
        3.3.1 RGB-O數(shù)據(jù)集構(gòu)建
        3.3.2 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測(cè)試
        3.3.3 特征圖可視化
    3.4 本章小結(jié)
4 基于狀態(tài)辨識(shí)的自適應(yīng)數(shù)據(jù)采樣
    4.1 長(zhǎng)時(shí)間范圍采樣機(jī)制
    4.2 動(dòng)態(tài)自適應(yīng)數(shù)據(jù)采樣機(jī)制
    4.3 基于DASM的疲勞狀態(tài)判別機(jī)制
    4.4 DASM與 FSDM在光流模型中的應(yīng)用
    4.5 本章小結(jié)
5 總結(jié)與展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝



本文編號(hào)：3346907