隨著社會(huì)的快速發(fā)展,交通安全成為當(dāng)下的一個(gè)社會(huì)熱點(diǎn)問(wèn)題,這當(dāng)中,由疲勞駕駛等不安全駕駛行為引發(fā)了大量的交通事故,給人民的生命財(cái)產(chǎn)安全造成了極大的損失。基于現(xiàn)代化科學(xué)技術(shù)的疲勞檢測(cè)技術(shù)的研究具有顯著的社會(huì)意義和商業(yè)價(jià)值。在眾多技術(shù)中,基于計(jì)算機(jī)視覺(jué)的技術(shù)具有設(shè)備簡(jiǎn)單、普及性高等優(yōu)點(diǎn),得到了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。特別地,計(jì)算機(jī)視覺(jué)領(lǐng)域中的人臉特征點(diǎn)檢測(cè)的技術(shù)為實(shí)時(shí)、魯棒的疲勞檢測(cè)提供了可能性。本文圍繞人臉特征點(diǎn)檢測(cè)算法的改進(jìn)和基于人臉特征點(diǎn)的疲勞檢測(cè)算法展開(kāi)研究。本文首先結(jié)合實(shí)際問(wèn)題的需要,對(duì)牛頓提升樹(shù)模型加以推廣,提出了多響應(yīng)牛頓提升樹(shù)模型,以適應(yīng)一般的情形下的多響應(yīng)的學(xué)習(xí)問(wèn)題。進(jìn)一步地,本文在人臉形狀索引的基礎(chǔ)上提出了統(tǒng)計(jì)量特征,用以更好地描述圖像局部區(qū)域內(nèi)像素的整體分布情況。通過(guò)級(jí)聯(lián)多響應(yīng)牛頓提升樹(shù),并聯(lián)合統(tǒng)計(jì)量特征,本文對(duì)ERT算法加以改進(jìn),提出了CNBT人臉特征點(diǎn)檢測(cè)算法。本文創(chuàng)建了基于人臉特征點(diǎn)對(duì)的人臉狀態(tài)特征,并提出了基于幾何方法和互信息對(duì)該特征進(jìn)行特征選擇的算法。在人臉狀態(tài)特征的基礎(chǔ)上,本文還提出了針對(duì)哈欠、瞌睡兩種疲勞特征的統(tǒng)一的分類(lèi)模型,并進(jìn)而提出了統(tǒng)一的C-LPD... 

【文章來(lái)源】：東南大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

本文的研究路線(xiàn)

東南大學(xué)碩士學(xué)位論文8第二章相關(guān)算法和模型的介紹本章主要對(duì)本文研究?jī)?nèi)容相關(guān)的一些算法及模型進(jìn)行介紹，這些算法和模型主要包括：分類(lèi)回歸樹(shù)模型、樹(shù)的提升算法、用于人臉特征點(diǎn)檢測(cè)的級(jí)聯(lián)回歸樹(shù)(ERT)模型、基于嘴部和\或眼部高寬比的疲勞檢測(cè)算法。本文第三章基于分類(lèi)回歸樹(shù)和樹(shù)的提升算法，提出了多響應(yīng)牛頓提升樹(shù)(m-NBT)模型；第四章中，基于m-NBT提出了級(jí)聯(lián)牛頓提升樹(shù)(CNBT)人臉特征點(diǎn)檢測(cè)算法，作為對(duì)ERT算法的改進(jìn)；第五章中，提出了基于CNBT的疲勞檢測(cè)算法(C-LPDD)，并將其與基于人臉特征點(diǎn)的高寬比判別法對(duì)比。本章內(nèi)容組織如下：2.1介紹了分類(lèi)回歸樹(shù)；2.2節(jié)概括性地介紹了樹(shù)的提升算法；2.3節(jié)在介紹了ERT人臉特征點(diǎn)檢測(cè)算法；2.4節(jié)總結(jié)本章內(nèi)容。2.1分類(lèi)回歸樹(shù)本文第三章將對(duì)牛頓提升樹(shù)作多響應(yīng)擴(kuò)展，并在第四章將其用于人臉特征點(diǎn)檢測(cè)。牛頓提升樹(shù)本質(zhì)上是以分類(lèi)回歸樹(shù)為基學(xué)習(xí)器的集成模型，出于后文論述需要，本節(jié)中對(duì)分類(lèi)回歸樹(shù)的加以概述。分類(lèi)回歸樹(shù)（ClassificationandRegressionTree,CART）是一種基本的分類(lèi)與回歸模型，最早由Breiman等人提出[47]。CART呈二叉樹(shù)狀結(jié)構(gòu)，由結(jié)點(diǎn)和有向邊組成。CART的結(jié)點(diǎn)包括兩種類(lèi)型：內(nèi)部結(jié)點(diǎn)和葉結(jié)點(diǎn)，每一條邊由相應(yīng)的父結(jié)點(diǎn)指向其子結(jié)點(diǎn)。每一個(gè)內(nèi)部結(jié)點(diǎn)關(guān)聯(lián)了一個(gè)特征以及該特征的一個(gè)閾值，每一個(gè)葉結(jié)點(diǎn)上關(guān)聯(lián)了一個(gè)常向量。圖2.1中(a)為在BostonHousing數(shù)據(jù)集上學(xué)習(xí)出的回歸樹(shù)的結(jié)構(gòu)示意圖。(a)回歸樹(shù)的結(jié)構(gòu)圖(b)回歸樹(shù)對(duì)特征空間的劃分的示意圖圖2.1在BostonHousing數(shù)據(jù)集上訓(xùn)練的回歸樹(shù)CART的學(xué)習(xí)過(guò)程就是二叉樹(shù)結(jié)構(gòu)生長(zhǎng)的過(guò)程，也就是結(jié)點(diǎn)不斷分裂過(guò)程。這里給出對(duì)根結(jié)點(diǎn)的分裂的說(shuō)明[48][47]。

第二章相關(guān)算法和模型的介紹13自提出以來(lái)的二十多年里，人臉特征點(diǎn)檢測(cè)的問(wèn)題得到了大量的研究，許多有效的算法和模型得以提出，取得了豐富的成果。這當(dāng)中，基于級(jí)聯(lián)回歸樹(shù)(EnsembleofRegressionTrees,ERT)的檢測(cè)方法是少數(shù)能夠在CPU環(huán)境上實(shí)現(xiàn)實(shí)時(shí)人臉特征點(diǎn)檢測(cè)的算法之一，并且有著較低的誤差�？紤]到本文待研究哈欠檢測(cè)問(wèn)題對(duì)實(shí)時(shí)性有著很高的要求，本文選擇在ERT算法的基礎(chǔ)上加以改進(jìn)，在不犧牲過(guò)多時(shí)間性能的前提下，進(jìn)一步降低特征點(diǎn)檢測(cè)的誤差。本節(jié)中對(duì)ERT人臉特征點(diǎn)檢測(cè)的原理加以介紹。2.3.1人臉特征點(diǎn)與人臉形狀人類(lèi)特征點(diǎn)是人臉圖像上，一系列具有特殊語(yǔ)義的點(diǎn)，如臉頰、眉毛和嘴唇等。圖2.2是i·bug網(wǎng)站上提供的300-W數(shù)據(jù)集[51][52][53]中的標(biāo)準(zhǔn)68-特征點(diǎn)標(biāo)記方式和示例。(a)標(biāo)準(zhǔn)68點(diǎn)標(biāo)記方式(b)68點(diǎn)示意圖圖2.2300-W數(shù)據(jù)集中68人臉特征點(diǎn)的示意圖沿用人臉特征點(diǎn)檢測(cè)領(lǐng)域的習(xí)慣用語(yǔ)，本文將上所有人臉特征點(diǎn)的坐標(biāo)組合成的向量稱(chēng)為圖像上的人臉形狀(facialshape)，或者，在不造成歧義的情況下，直接將其簡(jiǎn)稱(chēng)為形狀。為方便論述，本節(jié)首先從習(xí)慣的符號(hào)記法中抽象出人臉形狀的形式化定義：定義2.3(人臉形狀)對(duì)于一個(gè)給定的-特征點(diǎn)標(biāo)記方式，設(shè)x∈2表示第個(gè)特征點(diǎn)在上的坐標(biāo)，則用向量=(x1,x2,…,x)∈2表示上個(gè)特征點(diǎn)的全體。人臉特征點(diǎn)檢測(cè)通常是在給定的數(shù)據(jù)集上學(xué)習(xí)得到相應(yīng)的模型，并且在精心設(shè)計(jì)的結(jié)構(gòu)化的數(shù)據(jù)集中，平均的人臉形狀通常有著特殊的含義。出于本章敘述的需要，本節(jié)給出人臉特征點(diǎn)數(shù)據(jù)集和平均人臉形狀的定義：定義2.4(人臉特征點(diǎn)數(shù)據(jù)集及平均形狀)人臉特征點(diǎn)數(shù)據(jù)集由一系列圖像及這些圖像上的人臉形狀組成，記作={(,)|=1,2,…,}。將中人臉形狀的均值稱(chēng)為平均形狀，記作=∑=1。

【參考文獻(xiàn)】：
期刊論文
[1]基于人臉特征點(diǎn)分析的疲勞駕駛實(shí)時(shí)檢測(cè)方法[J]. 柳龍飛,伍世虔,徐望明.  電視技術(shù). 2018(12)
[2]基于嘴巴特征點(diǎn)曲線(xiàn)擬合的哈欠檢測(cè)[J]. 謝國(guó)波,陳云華,張靈,丁伍洋.  計(jì)算機(jī)工程與科學(xué). 2014(04)
[3]基于面部特征的疲勞駕駛檢測(cè)[J]. 張麗雯,楊艷芳,齊美彬,蔣建國(guó).  合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(04)

碩士論文
[1]基于視頻的駕駛員疲勞狀態(tài)檢測(cè)方法研究[D]. 李德武.湖南工業(yè)大學(xué) 2018
[2]基于面部視覺(jué)特征的疲勞檢測(cè)方法研究[D]. 鄭拓.齊魯工業(yè)大學(xué) 2018
[3]基于視覺(jué)的駕駛員疲勞駕駛車(chē)載檢測(cè)系統(tǒng)研究[D]. 仲海嘯.江蘇科技大學(xué) 2018
[4]基于腦電信號(hào)的疲勞狀態(tài)檢測(cè)與改善方法研究[D]. 王曉妍.燕山大學(xué) 2018
[5]基于多模生理信號(hào)的精神疲勞檢測(cè)系統(tǒng)的設(shè)計(jì)與研究[D]. 李志學(xué).蘭州大學(xué) 2018
[6]基于腦電信號(hào)識(shí)別的駕駛疲勞檢測(cè)方法研究[D]. 張淞杰.杭州電子科技大學(xué) 2018
[7]基于駕駛行為的疲勞駕駛檢測(cè)方法研究[D]. 金雪.北京工業(yè)大學(xué) 2015



本文編號(hào)：3088499