發(fā)布時間：2021-04-29 14:50

　　隨著人們生活水平的提高,汽車日益普及,由此引發(fā)的交通安全問題愈加嚴重。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內(nèi)外研究的熱點。為研究疲勞駕駛,研制了疲勞駕駛識別及干預實車實驗平臺,本文針對國內(nèi)外各類疲勞狀態(tài)檢測算法進行了大量研究,分析其優(yōu)勢和不足,提出了基于駕駛員面部表情的疲勞檢測算法,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（DCCNN）對駕駛員進行疲勞判定,最后根據(jù)疲勞判定結(jié)果對駕駛員進行預警及干預。本文主要研究內(nèi)容及創(chuàng)新點如下:（1）研制實車模擬駕駛平臺。該實驗平臺保留“易駕星”模擬駕駛器的測控主板及虛擬駕駛軟件,通過將模擬器功能移植到報廢車上實現(xiàn)。為實現(xiàn)對實車操縱機構(gòu)的信號采集,設計了信號中轉(zhuǎn)板采集方向盤、變速桿、手剎等機構(gòu)操作信息并完成與測控主板的匹配,路況模擬由直流電機驅(qū)動器驅(qū)動支撐汽車底盤的電動千斤頂實現(xiàn)。最后通過攝像頭及樹莓派等設備搭建駕駛員圖像采集系統(tǒng),該系統(tǒng)用于采集實驗者上機駕駛時的面部圖像數(shù)據(jù)并上傳至PC機。（2）提出了一種結(jié)合最小平方和誤差（MOSSE）濾波器的人臉檢測與跟蹤算法。該算法利用基于Haar-like特征的Adab... 

【文章來源】：揚州大學江蘇省

【文章頁數(shù)】：97 頁

【學位級別】：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 本課題的國內(nèi)外研究現(xiàn)狀
        1.2.1 基于生理參數(shù)的疲勞檢測
        1.2.2 基于面部特征的疲勞檢測
        1.2.3 基于車輛行為特征的疲勞檢測
    1.3 本課題的研究難點及本文研究內(nèi)容
        1.3.1 課題研究難點
        1.3.2 本文研究內(nèi)容
    1.4 本文章節(jié)安排
第2章 實車模擬駕駛平臺的研制
    2.1 設計目標
    2.2 設計內(nèi)容
    2.3 實車模擬駕駛平臺的研制
        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 實車模擬駕駛平臺驗證
        2.4.1 模擬駕駛系統(tǒng)驗證
        2.4.2 駕駛員圖像采集系統(tǒng)驗證
    2.5 本章小結(jié)
第3章 駕駛員人臉檢測與跟蹤
    3.1 面部檢測算法
        3.1.1 基于知識的面部檢測算法
        3.1.2 基于模板匹配的面部檢測方法
        3.1.3 基于統(tǒng)計模型的面部檢測方法
    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人臉識別測試
    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
        3.3.4 MOSSE跟蹤算法改進驗證
    3.4 結(jié)合跟蹤算法的人臉檢測
    3.5 本章小結(jié)
第4章 基于雙通道卷積神經(jīng)網(wǎng)絡的疲勞識別
    4.1 基于面部表情的疲勞駕駛識別方案設計
    4.2 卷積神經(jīng)網(wǎng)絡基本原理
        4.2.1 神經(jīng)網(wǎng)絡模型
        4.2.2 反向傳播算法
    4.3 卷積神經(jīng)網(wǎng)絡的結(jié)構(gòu)特點
        4.3.1 卷積神經(jīng)網(wǎng)絡的結(jié)構(gòu)
        4.3.2 卷積神經(jīng)網(wǎng)絡的特點
    4.4 LBP基本原理
    4.5 基于DCCNN的疲勞識別算法
        4.5.1 雙通道特征提取網(wǎng)絡
        4.5.2 特征融合網(wǎng)絡
        4.5.3 Softmax分類
    4.6 實驗結(jié)果分析
        4.6.1 實驗環(huán)境及數(shù)據(jù)庫
        4.6.2 網(wǎng)絡參數(shù)設置及收斂性
        4.6.3 結(jié)果討論
    4.7 本章小結(jié)
第5章 疲勞預警系統(tǒng)設計
    5.1 整體方案設計
    5.2 主控板開發(fā)
        5.2.1 主控板設計
        5.2.2 主控板測試
    5.3 預警系統(tǒng)功能模塊及傳感器
        5.3.1 紅外傳感器選型及測試
        5.3.2 語音模塊選型及測試
        5.3.3 SIM800C模塊功能介紹及測試
        5.3.4 干預模塊設計
    5.4 疲勞預警系統(tǒng)綜合測試
        5.4.1 疲勞預警系統(tǒng)測試方案
        5.4.2 疲勞預警系統(tǒng)測試結(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
附錄
攻讀碩士學位期間取得的科研成果
致謝


【參考文獻】：
期刊論文
[1]基于腦電信號疲勞駕駛的檢警頭環(huán)設計[J]. 雷凌俊,馮佳琳,趙洋,姚同鈺,胡崗.  電腦知識與技術(shù). 2019(29)
[2]深度學習算法研究進展[J]. 田啟川,王滿麗.  計算機工程與應用. 2019(22)
[3]基于自適應局部二值模式的紋理特征提取方法[J]. 李松,蔡航,于蒙.  計算機應用與軟件. 2019(09)
[4]深度學習在我國農(nóng)業(yè)中的應用研究現(xiàn)狀[J]. 呂盛坪,李燈輝,冼榮亨.  計算機工程與應用. 2019(20)
[5]復雜環(huán)境下森林火災火焰局部紋理提取方法[J]. 馮麗琦,趙亞琴,孫一超,龔云荷.  中國農(nóng)機化學報. 2019(07)
[6]基于機器視覺的駕駛員疲勞檢測方法[J]. 洪志陽,王猛飛,侯東強,楊國亮.  物聯(lián)網(wǎng)技術(shù). 2018(07)
[7]基于改進的MOSSE相關濾波的目標跟蹤[J]. 紀綱,高富東,范加利.  計算機測量與控制. 2018(06)
[8]基于視覺跟蹤的實時視頻人臉識別[J]. 任梓涵,楊雙遠.  廈門大學學報(自然科學版). 2018(03)
[9]基于便攜式腦電數(shù)據(jù)的實時疲勞駕駛檢測系統(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[J]. 李超,彭進業(yè),孔韋韋,張善文.  計算機工程與應用. 2017(24)

碩士論文
[1]基于面部特征的疲勞駕駛檢測系統(tǒng)設計[D]. 李慶臣.鄭州大學 2019
[2]基于駕駛員面部融合特征的疲勞駕駛檢測算法研究[D]. 梁勛.北京工業(yè)大學 2019
[3]基于人臉特征的疲勞駕駛檢測算法研究與實現(xiàn)[D]. 鄧旺華.北京工業(yè)大學 2019
[4]基于卷積神經(jīng)網(wǎng)絡的駕駛員疲勞檢測[D]. 張智騰.湖南大學 2018
[5]基于多信息融合的實時疲勞檢測與預警系統(tǒng)研究[D]. 唐杰.南京航空航天大學 2018
[6]多型視覺傳感協(xié)同目標跟蹤方法研究[D]. 李鮮莉.西安理工大學 2017
[7]基于深度學習的人臉表情識別[D]. 施徐敢.浙江理工大學 2015
[8]交通環(huán)境目標跟蹤[D]. 焦朋偉.電子科技大學 2014
[9]基于卷積神經(jīng)網(wǎng)絡的深度學習算法與應用研究[D]. 陳先昌.浙江工商大學 2014
[10]基于Adaboost的人臉檢測研究[D]. 周天相.北京郵電大學 2013



本文編號：3167727