駕駛員疲勞駕駛是導(dǎo)致交通事故發(fā)生的重要原因,對(duì)駕駛員駕駛狀態(tài)的檢測(cè)和預(yù)警,可有效避免交通事故的發(fā)生。駕駛員疲勞檢測(cè)成為當(dāng)前交通領(lǐng)域的研究熱點(diǎn),但目前的檢測(cè)方法的準(zhǔn)確率仍然較低。本文研究基于深度學(xué)習(xí)的駕駛員疲勞檢測(cè)算法,融合人臉及特征點(diǎn)通過卷積神經(jīng)網(wǎng)絡(luò)識(shí)別駕駛員狀態(tài)。論文主要工作如下:（1）提出基于多任務(wù)級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)MTCNN（Multi-Task Convolutional Neural Networks,MTCNN）的人臉及特征點(diǎn)檢測(cè)算法,實(shí)現(xiàn)真實(shí)駕駛環(huán)境下駕駛員臉部區(qū)域的精確檢測(cè)和相關(guān)特征點(diǎn)的定位。算法增加了訓(xùn)練特征點(diǎn),提升了網(wǎng)絡(luò)特征提取的準(zhǔn)確性和頭部姿態(tài)判斷的可行性;替換網(wǎng)絡(luò)的激勵(lì)函數(shù),添加BN層,以提高網(wǎng)絡(luò)的運(yùn)算速度;同時(shí),在O-Net網(wǎng)絡(luò)結(jié)構(gòu)中添加多尺度池化層,進(jìn)一步提高網(wǎng)絡(luò)模型對(duì)不同尺度特征的描述能力。（2）提出基于深度可分離卷積神經(jīng)網(wǎng)絡(luò)的眼睛和嘴巴狀態(tài)識(shí)別模型。提取眼睛和嘴巴特征,輸入到深度可分離卷積神經(jīng)網(wǎng)絡(luò)模型判斷特征狀態(tài),大大提高了檢測(cè)效率。同時(shí),根據(jù)人臉特征點(diǎn)對(duì)頭部姿態(tài)進(jìn)行判斷,以用于后續(xù)多特征融合的疲勞判定。（3）提出多特征融合的駕駛員疲勞判定算法。根據(jù)識(shí)別出... 

【文章來源】：山東科技大學(xué)山東省

【文章頁數(shù)】：69 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．３?ＭＴＣＮＮ整體框架圖??Ｆｉｇ．２．３?Ｏｖｅｒａｌｌ?ｆｒａｍｅｗｏｒｋ?ｏｆ?ｍｔｃｎｎ??２．２．?２?ＭＴＣＮＮ網(wǎng)絡(luò)結(jié)構(gòu)及損失函數(shù)??

山東科技大學(xué)工程碩士學(xué)位論文?２算法整體框架和人臉及特征點(diǎn)檢測(cè)算法??Ｐ－Ｎｅｔ??Ｉ?＃＾：３？３?＇?１??／ｙ?■－｝＊－＞?卷積：３＊３?卷積：３＊３?Ｉ??｜?廠圓?人臉分類器??｜?ｒ＞Ｄ丨??—＇＇…?＇?????１?＊?１?＊３２??輸入尺寸：?５＊５＋１〇?３＊３＊１６?特征點(diǎn)定位??１２＊１２＊３?Ｉ??１＊１＊１０?Ｉ??圖２．４?Ｐ－Ｎｅｔ網(wǎng)絡(luò)結(jié)構(gòu)??Ｆｉｇ．２．４?Ｐ－Ｎｅｔ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ??Ｒ－Ｎｅｔ的網(wǎng)絡(luò)結(jié)構(gòu)如圖２．５所示，輸入大小為２４＊２４＊３的圖片，經(jīng)過２８?jìng)�(gè)３＊３的卷積??核和步長為２，大小為３＊３的池化層處理，得到２８?jìng)�(gè)１１＊１１的特征圖。然后，經(jīng)過４８?jìng)�(gè)??３＊３的卷積核和步長為２，大小為３＊３的池化層處理，得到４８?jìng)�(gè)４＊４的特征圖，再經(jīng)過６４??個(gè)２＊２的卷積核處理生成６４個(gè)３＊３的特征圖。最后，將生成的特征圖轉(zhuǎn)換成１２８大小的??全連接層并利用２個(gè)１＊１的卷積核處理，得到２個(gè)１＊１的特征圖用于分類；利用４個(gè)１＊１??的卷積核處理，得到４個(gè)１＊１的特征圖用于邊界框回歸；利用１０個(gè)１＊１的卷積核處理，??得到１０個(gè)１＊１的特征圖用于人臉特征點(diǎn)定位。??Ｒ－Ｎｅｔ??Ｉ?卷積：２＊２全連接層卩?］??Ｉ?池化：Ｊ?Ｊ?Ｊ??ｉ—?ｕ?人臉分類器??｜口醫(yī)＿辱卜�。哓�??輸入尺寸：?４＊４＊４８?Ｕ?特征點(diǎn)定位?Ｉ??Ｉ?２４＊２４＊３?—?１０?Ｉ??Ｉ????圖２．５?Ｒ－Ｎｅｔ網(wǎng)絡(luò)結(jié)構(gòu)??Ｆｉｇ．２．５?Ｒ－Ｎｅｔ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ??Ｏ－Ｎｅｔ的網(wǎng)絡(luò)結(jié)構(gòu)如圖２

山東科技大學(xué)工程碩士學(xué)位論文?２算法整體框架和人臉及特征點(diǎn)檢測(cè)算法??Ｐ－Ｎｅｔ??Ｉ?＃＾：３？３?＇?１??／ｙ?■－｝＊－＞?卷積：３＊３?卷積：３＊３?Ｉ??｜?廠圓?人臉分類器??｜?ｒ＞Ｄ丨??—＇＇…?＇?????１?＊?１?＊３２??輸入尺寸：?５＊５＋１〇?３＊３＊１６?特征點(diǎn)定位??１２＊１２＊３?Ｉ??１＊１＊１０?Ｉ??圖２．４?Ｐ－Ｎｅｔ網(wǎng)絡(luò)結(jié)構(gòu)??Ｆｉｇ．２．４?Ｐ－Ｎｅｔ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ??Ｒ－Ｎｅｔ的網(wǎng)絡(luò)結(jié)構(gòu)如圖２．５所示，輸入大小為２４＊２４＊３的圖片，經(jīng)過２８?jìng)�(gè)３＊３的卷積??核和步長為２，大小為３＊３的池化層處理，得到２８?jìng)�(gè)１１＊１１的特征圖。然后，經(jīng)過４８?jìng)�(gè)??３＊３的卷積核和步長為２，大小為３＊３的池化層處理，得到４８?jìng)�(gè)４＊４的特征圖，再經(jīng)過６４??個(gè)２＊２的卷積核處理生成６４個(gè)３＊３的特征圖。最后，將生成的特征圖轉(zhuǎn)換成１２８大小的??全連接層并利用２個(gè)１＊１的卷積核處理，得到２個(gè)１＊１的特征圖用于分類；利用４個(gè)１＊１??的卷積核處理，得到４個(gè)１＊１的特征圖用于邊界框回歸；利用１０個(gè)１＊１的卷積核處理，??得到１０個(gè)１＊１的特征圖用于人臉特征點(diǎn)定位。??Ｒ－Ｎｅｔ??Ｉ?卷積：２＊２全連接層卩?］??Ｉ?池化：Ｊ?Ｊ?Ｊ??ｉ—?ｕ?人臉分類器??｜口醫(yī)＿辱卜！－＿丨??輸入尺寸：?４＊４＊４８?Ｕ?特征點(diǎn)定位?Ｉ??Ｉ?２４＊２４＊３?—?１０?Ｉ??Ｉ????圖２．５?Ｒ－Ｎｅｔ網(wǎng)絡(luò)結(jié)構(gòu)??Ｆｉｇ．２．５?Ｒ－Ｎｅｔ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ??Ｏ－Ｎｅｔ的網(wǎng)絡(luò)結(jié)構(gòu)如圖２


本文編號(hào)：3464003