隨著汽車行業(yè)的飛速發(fā)展以及人民生活水平不斷提高,國民汽車人均保有量也不斷增加,由此引發(fā)的交通事故數(shù)量也越來越多。在所有交通事故中由于駕駛員因素引起的占所有數(shù)量的90%以上,而駕駛員因素中最主要的包括駕駛員疲勞駕駛和分心駕駛,因此對駕駛員危險狀態(tài)進行監(jiān)控并且預警從而減少交通事故的發(fā)生變得越來越重要。本文主要闡述了駕駛員駕駛疲勞和駕駛分心檢測方法、相關算法的原理和模型搭建、訓練以及優(yōu)化方法。本文選取的駕駛員的生理信號數(shù)據(jù),設計駕駛員疲勞和分心狀態(tài)實驗,運用深度學習技術來建立駕駛員疲勞和分心駕駛識別模型,對于危險狀態(tài)識別具有重要意義。首先,對國內外駕駛員疲勞駕駛和分心駕駛監(jiān)測研究現(xiàn)狀展開了詳細介紹,對傳統(tǒng)機器學習檢測方法等指出相應不足,并提出運用駕駛員生理信號數(shù)據(jù)以及深度學習技術來建立識別模型。其次,詳細闡述了卷積神經(jīng)網(wǎng)絡和長短期記憶網(wǎng)絡結構,誤差方向傳播算法,在此基礎上,結合目前駕駛員疲勞和分心實驗研究方法,設計駕駛員疲勞和分心駕駛模擬實驗,采集實驗過程中各個狀態(tài)下被試者的生理信號數(shù)據(jù),將實驗的有效數(shù)據(jù)制作對應標簽,完成駕駛員疲勞駕駛狀態(tài)、分心駕駛狀態(tài)和正常駕駛狀態(tài)數(shù)據(jù)集,并將數(shù)據(jù)集拆分成... 

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景
    1.2 國內外研究現(xiàn)狀以及發(fā)展動態(tài)
        1.2.1 研究趨勢
        1.2.2 國內外駕駛疲勞監(jiān)測研究現(xiàn)狀
        1.2.3 國內外駕駛分心監(jiān)測研究現(xiàn)狀
    1.3 本文主要研究目的和結構
    1.4 本章小結
第2章 深度學習算法CNNs和LSTM
    2.1 卷積神經(jīng)網(wǎng)絡原理
        2.1.1 卷積神經(jīng)網(wǎng)絡的連接方式
        2.1.2 卷積運算
        2.1.3 卷積神經(jīng)網(wǎng)絡的池化
        2.1.4 卷積神經(jīng)網(wǎng)絡的反向傳播
    2.2 長短時記憶網(wǎng)絡原理
        2.2.1 LSTM的結構
        2.2.2 LSTM的反向傳播算法
    2.3 深度學習框架Tensorflow
    2.4 本章小結
第3章 駕駛員疲勞駕駛和分心駕駛實驗
    3.1 實驗軟硬件模擬系統(tǒng)
        3.1.1 駕駛模擬系統(tǒng)
        3.1.2 模擬環(huán)境實驗搭建
        3.1.3 實驗數(shù)據(jù)采集設備
    3.2 疲勞和分心駕駛實驗設計
        3.2.1 被實驗人員要求
        3.2.2 實驗環(huán)境要求
        3.2.3 實驗評價方法
        3.2.4 實驗流程
    3.3 實驗過程和結果處理
        3.3.1 實驗過程
        3.3.2 數(shù)據(jù)結果處理
    3.4 本章小結
第4章 模型搭建優(yōu)化和結果對比分析
    4.1 基于CNNs的駕駛員疲勞和分心識別模型
        4.1.1 網(wǎng)絡結構
        4.1.2 網(wǎng)絡訓練及模型優(yōu)化
    4.2 基于LSTM的駕駛員疲勞和分心識別模型
        4.2.1 網(wǎng)絡結構
        4.2.2 LSTM網(wǎng)絡的訓練及模型優(yōu)化
    4.3 結果對比分析
    4.4 本章小結
總結與展望
參考文獻
致謝
附錄A 攻讀碩士學位期間所發(fā)表的學術論文



本文編號：3715178