駕駛員的分心駕駛是造成交通事故的頻發(fā)的主要安全隱患。然而盡管人們已經(jīng)知道分心駕駛十分危險(xiǎn),但由于監(jiān)管困難,且駕駛員沒(méi)有主動(dòng)改變分心習(xí)慣的意識(shí),使得交通安全現(xiàn)狀仍然沒(méi)有得到有效的改善。為了解決這個(gè)問(wèn)題,本文以駕駛員的監(jiān)控視頻數(shù)據(jù)為基礎(chǔ),研究了利用圖像處理和深度學(xué)習(xí)算法來(lái)實(shí)時(shí)檢測(cè)駕駛員分心狀態(tài)的方法。駕駛員人臉及周圍是分心狀態(tài)表現(xiàn)的關(guān)鍵區(qū)域,為了排除監(jiān)控圖像中易干擾的背景區(qū),提高檢測(cè)過(guò)程的識(shí)別率,本文在正式檢測(cè)之前,使用了一種人臉定位算法來(lái)定位駕駛員的人臉位置。首先該算法以高斯模型為基礎(chǔ),建立駕駛員的膚色模型。之后利用Adaboost人臉檢測(cè)算法來(lái)定位初始的人臉區(qū),基于駕駛員頭部活動(dòng)區(qū)縮小檢測(cè)范圍,根據(jù)膚色特征將駕駛員的皮膚區(qū)域分割出來(lái)。通過(guò)尋找最大連通區(qū),排除了手部的干擾,確定該區(qū)的中心與范圍得到候選的人臉區(qū)域,最后計(jì)算置信值,將置信度最高的候選區(qū)選作檢測(cè)到的人臉區(qū)。通過(guò)實(shí)驗(yàn)與現(xiàn)有的KCF追蹤算法進(jìn)行比較,展現(xiàn)了該算法的穩(wěn)定性和準(zhǔn)確性。本文將檢測(cè)分心狀態(tài)的任務(wù)分為兩個(gè)階段,第一階段對(duì)駕駛員的狀態(tài)做出判斷,只判斷其是否在正常駕駛。當(dāng)發(fā)現(xiàn)其存在分心駕駛表現(xiàn)時(shí),再對(duì)其分心狀態(tài)的類別做細(xì)分。這樣...

【文章頁(yè)數(shù)】：87 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-1卷積運(yùn)算示意圖

相關(guān)理論技術(shù)9圖2-1卷積運(yùn)算示意圖圖像卷積的過(guò)程本質(zhì)上就是在提取圖像的特征，不同的卷積核能夠提取到不同的特征。當(dāng)一個(gè)卷積層有多個(gè)輸入圖像時(shí)，對(duì)每一張輸入圖進(jìn)行卷積運(yùn)算，之后得到的輸出疊加在一起。因此，經(jīng)過(guò)一次卷積核的卷積運(yùn)算后，可以得到一張輸出圖像，當(dāng)一個(gè)卷積層有多個(gè)卷積核時(shí)，....

圖2-2最大池化示意圖

電子科技大學(xué)碩士學(xué)位論文10化過(guò)程，一個(gè)大小為4*4的圖像可以劃分為4個(gè)邊長(zhǎng)為2的小矩陣，從每個(gè)小矩陣的4個(gè)像素值中選出最大的一個(gè)值，將這些值組合起來(lái)形成池化后的圖像。通過(guò)這種處理方式，圖像中特征的數(shù)量和相對(duì)位置不會(huì)改變，并且圖像經(jīng)過(guò)縮小尺寸后，可以使得同樣大小的卷積核能夠感受更....

圖2-3全連接層示意圖

電子科技大學(xué)碩士學(xué)位論文10化過(guò)程，一個(gè)大小為4*4的圖像可以劃分為4個(gè)邊長(zhǎng)為2的小矩陣，從每個(gè)小矩陣的4個(gè)像素值中選出最大的一個(gè)值，將這些值組合起來(lái)形成池化后的圖像。通過(guò)這種處理方式，圖像中特征的數(shù)量和相對(duì)位置不會(huì)改變，并且圖像經(jīng)過(guò)縮小尺寸后，可以使得同樣大小的卷積核能夠感受更....

圖2-4Sigmoid函數(shù)圖像

相關(guān)理論技術(shù)112.1.3激活函數(shù)激活函數(shù)是一種非線性函數(shù)，可以為神經(jīng)網(wǎng)絡(luò)引入非線性特性，從而可以使其擬合復(fù)雜的實(shí)際任務(wù)。如上所述，一般的卷積神經(jīng)網(wǎng)絡(luò)無(wú)論是卷積、池化還是全連接，都是線性的計(jì)算過(guò)程。因此可以通過(guò)引入激活函數(shù)實(shí)現(xiàn)網(wǎng)絡(luò)從線性到非線性過(guò)程的轉(zhuǎn)化。激活函數(shù)必須是一種非線性....

本文編號(hào)：3933490