隨著人們生活水平的提高,汽車(chē)日益普及,由此引發(fā)的交通安全問(wèn)題愈加嚴(yán)重。疲勞駕駛是誘發(fā)交通事故的主要因素之一,因此疲勞駕駛已成為國(guó)內(nèi)外研究的熱點(diǎn)。為研究疲勞駕駛,研制了疲勞駕駛識(shí)別及干預(yù)實(shí)車(chē)實(shí)驗(yàn)平臺(tái),本文針對(duì)國(guó)內(nèi)外各類(lèi)疲勞狀態(tài)檢測(cè)算法進(jìn)行了大量研究,分析其優(yōu)勢(shì)和不足,提出了基于駕駛員面部表情的疲勞檢測(cè)算法,結(jié)合面部局部二值模式（LBP）特征搭建了雙通道卷積神經(jīng)網(wǎng)絡(luò)（DCCNN）對(duì)駕駛員進(jìn)行疲勞判定,最后根據(jù)疲勞判定結(jié)果對(duì)駕駛員進(jìn)行預(yù)警及干預(yù)。本文主要研究?jī)?nèi)容及創(chuàng)新點(diǎn)如下:（1）研制實(shí)車(chē)模擬駕駛平臺(tái)。該實(shí)驗(yàn)平臺(tái)保留“易駕星”模擬駕駛器的測(cè)控主板及虛擬駕駛軟件,通過(guò)將模擬器功能移植到報(bào)廢車(chē)上實(shí)現(xiàn)。為實(shí)現(xiàn)對(duì)實(shí)車(chē)操縱機(jī)構(gòu)的信號(hào)采集,設(shè)計(jì)了信號(hào)中轉(zhuǎn)板采集方向盤(pán)、變速桿、手剎等機(jī)構(gòu)操作信息并完成與測(cè)控主板的匹配,路況模擬由直流電機(jī)驅(qū)動(dòng)器驅(qū)動(dòng)支撐汽車(chē)底盤(pán)的電動(dòng)千斤頂實(shí)現(xiàn)。最后通過(guò)攝像頭及樹(shù)莓派等設(shè)備搭建駕駛員圖像采集系統(tǒng),該系統(tǒng)用于采集實(shí)驗(yàn)者上機(jī)駕駛時(shí)的面部圖像數(shù)據(jù)并上傳至PC機(jī)。（2）提出了一種結(jié)合最小平方和誤差（MOSSE）濾波器的人臉檢測(cè)與跟蹤算法。該算法利用基于Haar-like特征的Adab... 

【文章來(lái)源】：揚(yáng)州大學(xué)江蘇省

【文章頁(yè)數(shù)】：97 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 選題背景及意義
        1.1.1 選題背景
        1.1.2 研究意義
    1.2 本課題的國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 基于生理參數(shù)的疲勞檢測(cè)
        1.2.2 基于面部特征的疲勞檢測(cè)
        1.2.3 基于車(chē)輛行為特征的疲勞檢測(cè)
    1.3 本課題的研究難點(diǎn)及本文研究?jī)?nèi)容
        1.3.1 課題研究難點(diǎn)
        1.3.2 本文研究?jī)?nèi)容
    1.4 本文章節(jié)安排
第2章 實(shí)車(chē)模擬駕駛平臺(tái)的研制
    2.1 設(shè)計(jì)目標(biāo)
    2.2 設(shè)計(jì)內(nèi)容
    2.3 實(shí)車(chē)模擬駕駛平臺(tái)的研制
        2.3.1 模擬駕駛系統(tǒng)
        2.3.2 駕駛員圖像采集系統(tǒng)
    2.4 實(shí)車(chē)模擬駕駛平臺(tái)驗(yàn)證
        2.4.1 模擬駕駛系統(tǒng)驗(yàn)證
        2.4.2 駕駛員圖像采集系統(tǒng)驗(yàn)證
    2.5 本章小結(jié)
第3章 駕駛員人臉檢測(cè)與跟蹤
    3.1 面部檢測(cè)算法
        3.1.1 基于知識(shí)的面部檢測(cè)算法
        3.1.2 基于模板匹配的面部檢測(cè)方法
        3.1.3 基于統(tǒng)計(jì)模型的面部檢測(cè)方法
    3.2 Adaboost算法
        3.2.1 Haar-like特征與積分圖
        3.2.2 Adaboost算法原理
        3.2.3 Adaboost人臉識(shí)別測(cè)試
    3.3 人臉跟蹤算法
        3.3.1 跟蹤算法概述
        3.3.2 MOSSE跟蹤算法
        3.3.3 MOSSE跟蹤算法改進(jìn)
        3.3.4 MOSSE跟蹤算法改進(jìn)驗(yàn)證
    3.4 結(jié)合跟蹤算法的人臉檢測(cè)
    3.5 本章小結(jié)
第4章 基于雙通道卷積神經(jīng)網(wǎng)絡(luò)的疲勞識(shí)別
    4.1 基于面部表情的疲勞駕駛識(shí)別方案設(shè)計(jì)
    4.2 卷積神經(jīng)網(wǎng)絡(luò)基本原理
        4.2.1 神經(jīng)網(wǎng)絡(luò)模型
        4.2.2 反向傳播算法
    4.3 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特點(diǎn)
        4.3.1 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
        4.3.2 卷積神經(jīng)網(wǎng)絡(luò)的特點(diǎn)
    4.4 LBP基本原理
    4.5 基于DCCNN的疲勞識(shí)別算法
        4.5.1 雙通道特征提取網(wǎng)絡(luò)
        4.5.2 特征融合網(wǎng)絡(luò)
        4.5.3 Softmax分類(lèi)
    4.6 實(shí)驗(yàn)結(jié)果分析
        4.6.1 實(shí)驗(yàn)環(huán)境及數(shù)據(jù)庫(kù)
        4.6.2 網(wǎng)絡(luò)參數(shù)設(shè)置及收斂性
        4.6.3 結(jié)果討論
    4.7 本章小結(jié)
第5章 疲勞預(yù)警系統(tǒng)設(shè)計(jì)
    5.1 整體方案設(shè)計(jì)
    5.2 主控板開(kāi)發(fā)
        5.2.1 主控板設(shè)計(jì)
        5.2.2 主控板測(cè)試
    5.3 預(yù)警系統(tǒng)功能模塊及傳感器
        5.3.1 紅外傳感器選型及測(cè)試
        5.3.2 語(yǔ)音模塊選型及測(cè)試
        5.3.3 SIM800C模塊功能介紹及測(cè)試
        5.3.4 干預(yù)模塊設(shè)計(jì)
    5.4 疲勞預(yù)警系統(tǒng)綜合測(cè)試
        5.4.1 疲勞預(yù)警系統(tǒng)測(cè)試方案
        5.4.2 疲勞預(yù)警系統(tǒng)測(cè)試結(jié)果
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 展望
參考文獻(xiàn)
附錄
攻讀碩士學(xué)位期間取得的科研成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于腦電信號(hào)疲勞駕駛的檢警頭環(huán)設(shè)計(jì)[J]. 雷凌俊,馮佳琳,趙洋,姚同鈺,胡崗.  電腦知識(shí)與技術(shù). 2019(29)
[2]深度學(xué)習(xí)算法研究進(jìn)展[J]. 田啟川,王滿(mǎn)麗.  計(jì)算機(jī)工程與應(yīng)用. 2019(22)
[3]基于自適應(yīng)局部二值模式的紋理特征提取方法[J]. 李松,蔡航,于蒙.  計(jì)算機(jī)應(yīng)用與軟件. 2019(09)
[4]深度學(xué)習(xí)在我國(guó)農(nóng)業(yè)中的應(yīng)用研究現(xiàn)狀[J]. 呂盛坪,李燈輝,冼榮亨.  計(jì)算機(jī)工程與應(yīng)用. 2019(20)
[5]復(fù)雜環(huán)境下森林火災(zāi)火焰局部紋理提取方法[J]. 馮麗琦,趙亞琴,孫一超,龔云荷.  中國(guó)農(nóng)機(jī)化學(xué)報(bào). 2019(07)
[6]基于機(jī)器視覺(jué)的駕駛員疲勞檢測(cè)方法[J]. 洪志陽(yáng),王猛飛,侯東強(qiáng),楊國(guó)亮.  物聯(lián)網(wǎng)技術(shù). 2018(07)
[7]基于改進(jìn)的MOSSE相關(guān)濾波的目標(biāo)跟蹤[J]. 紀(jì)綱,高富東,范加利.  計(jì)算機(jī)測(cè)量與控制. 2018(06)
[8]基于視覺(jué)跟蹤的實(shí)時(shí)視頻人臉識(shí)別[J]. 任梓涵,楊雙遠(yuǎn).  廈門(mén)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(03)
[9]基于便攜式腦電數(shù)據(jù)的實(shí)時(shí)疲勞駕駛檢測(cè)系統(tǒng)[J]. 于旭蕾,李相澤.  現(xiàn)代信息科技. 2018(04)
[10]基于局部二值模式的作物葉部病斑檢測(cè)[J]. 李超,彭進(jìn)業(yè),孔韋韋,張善文.  計(jì)算機(jī)工程與應(yīng)用. 2017(24)

碩士論文
[1]基于面部特征的疲勞駕駛檢測(cè)系統(tǒng)設(shè)計(jì)[D]. 李慶臣.鄭州大學(xué) 2019
[2]基于駕駛員面部融合特征的疲勞駕駛檢測(cè)算法研究[D]. 梁勛.北京工業(yè)大學(xué) 2019
[3]基于人臉特征的疲勞駕駛檢測(cè)算法研究與實(shí)現(xiàn)[D]. 鄧旺華.北京工業(yè)大學(xué) 2019
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的駕駛員疲勞檢測(cè)[D]. 張智騰.湖南大學(xué) 2018
[5]基于多信息融合的實(shí)時(shí)疲勞檢測(cè)與預(yù)警系統(tǒng)研究[D]. 唐杰.南京航空航天大學(xué) 2018
[6]多型視覺(jué)傳感協(xié)同目標(biāo)跟蹤方法研究[D]. 李鮮莉.西安理工大學(xué) 2017
[7]基于深度學(xué)習(xí)的人臉表情識(shí)別[D]. 施徐敢.浙江理工大學(xué) 2015
[8]交通環(huán)境目標(biāo)跟蹤[D]. 焦朋偉.電子科技大學(xué) 2014
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與應(yīng)用研究[D]. 陳先昌.浙江工商大學(xué) 2014
[10]基于A(yíng)daboost的人臉檢測(cè)研究[D]. 周天相.北京郵電大學(xué) 2013



本文編號(hào)：3167727