道路交通行業(yè)的快速發(fā)展便利了人們的日常生活,但是頻發(fā)的交通事故造成的巨大經(jīng)濟(jì)損失和人員傷亡已經(jīng)不容忽視。研究表明,疲勞駕駛是造成交通事故的主要原因之一。據(jù)美國(guó)國(guó)家統(tǒng)計(jì)和分析中心的報(bào)告顯示,駕駛員如果能在交通事故發(fā)生前的0.5秒做出正確操作,可以避免60%的交通事故。因此,通過(guò)檢測(cè)駕駛員的疲勞狀態(tài)并及時(shí)對(duì)駕駛員進(jìn)行提醒,對(duì)減少因疲勞駕駛引發(fā)的交通事故、保護(hù)駕駛員及乘車(chē)人的生命財(cái)產(chǎn)安全具有十分重要的現(xiàn)實(shí)意義。關(guān)于疲勞駕駛檢測(cè)的研究引起國(guó)內(nèi)外研究學(xué)者的廣泛關(guān)注,也取得了較多的研究成果。在眾多檢測(cè)方法中,具有非接觸性和實(shí)時(shí)性等優(yōu)點(diǎn)的基于機(jī)器視覺(jué)的檢測(cè)方法得到研究學(xué)者的重點(diǎn)關(guān)注�；跈C(jī)器視覺(jué)的檢測(cè)方法是檢測(cè)疲勞駕駛的一個(gè)重要方法,但是該方法存在對(duì)光照變化適應(yīng)性不強(qiáng)、實(shí)時(shí)性和準(zhǔn)確性難以權(quán)衡的兩大主要問(wèn)題。本文提出的疲勞駕駛檢測(cè)方法通過(guò)數(shù)字圖像處理技術(shù)、機(jī)器視覺(jué)技術(shù)逐步檢測(cè)到人臉區(qū)域和人臉關(guān)鍵點(diǎn)信息,根據(jù)人臉關(guān)鍵點(diǎn)信息提取駕駛員眼部和嘴部區(qū)域、判斷駕駛員頭部姿態(tài),然后通過(guò)深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)對(duì)駕駛員眼部和嘴部狀態(tài)進(jìn)行精確識(shí)別,最后綜合眼部、嘴部和頭部的疲勞特征參數(shù)對(duì)駕駛員進(jìn)行疲勞判定。本文的主要工... 

【文章來(lái)源】：西南大學(xué)重慶市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：72 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

二維場(chǎng)景下的卷積核與輸入數(shù)據(jù)

西南大學(xué)工程碩士學(xué)位論文11（a）第1次卷積操作及結(jié)果（b）第2次卷積操作及結(jié)果（c）第3次卷積操作及結(jié)果（d）第9次卷積操作及結(jié)果圖2.3卷積操作實(shí)例其中式（2.1）中的求和部分相當(dāng)于進(jìn)行一次交叉相關(guān)求解。為偏差量，和+1表示第+1層的卷積輸入和輸出，也被稱(chēng)之為特征圖，+1為+1的尺寸，這里我們假設(shè)特征圖長(zhǎng)寬相同。Z(,)表示特征圖的像素，表示特征圖的通道數(shù)，是卷積核大小，0是卷積步長(zhǎng)，是填充層數(shù)。理論上，卷積核在使用參數(shù)求解交叉相關(guān)之前同樣可以先翻轉(zhuǎn)180度，其計(jì)算結(jié)果中的卷積相當(dāng)于一個(gè)滿(mǎn)足交換律的線(xiàn)性卷積，但這種做法增加了參數(shù)求解的步驟，不利于求解，所以我們使用線(xiàn)性卷積核[46][53]將其中的卷積用參數(shù)求解交叉相關(guān)的方法進(jìn)行了替換。特別的，大小和步長(zhǎng)都為1，填充為0的卷積核是單位卷積核，卷積層的交叉相關(guān)計(jì)算相當(dāng)于矩陣相乘，從而在卷積層之間建立了完全連接的網(wǎng)絡(luò)。（2.2）層感知器[50]的卷積層由單位卷積核構(gòu)成。在保持特性圖尺寸的前提下，利用單位卷積核可以有效的減少圖中的通道數(shù)，從而盡可能的降低卷積層的計(jì)算成本。部分卷積神經(jīng)網(wǎng)絡(luò)在線(xiàn)性卷積的基礎(chǔ)上，使用了更加復(fù)雜的卷積方式，例如平鋪卷積[54]、轉(zhuǎn)置卷積[55]和擴(kuò)張卷積[42]。其中，平鋪卷積方式是利用平鋪卷積核對(duì)特征圖的一部分進(jìn)行卷積操作，特征圖的剩余部分交由其他卷積核處理，使得卷積層之間的參數(shù)被部分共享，達(dá)到捕捉輸入圖像旋轉(zhuǎn)不變特征的目的。轉(zhuǎn)置卷積也被稱(chēng)為反卷積，轉(zhuǎn)置卷積將單個(gè)的輸入激勵(lì)與多個(gè)輸出激勵(lì)相連接，對(duì)輸入

西南大學(xué)工程碩士學(xué)位論文12圖像進(jìn)行放大。由轉(zhuǎn)置卷積和向上池化層構(gòu)成的卷積神經(jīng)網(wǎng)絡(luò)在圖像處理和語(yǔ)義分割技術(shù)領(lǐng)域中具有廣泛應(yīng)用，也被廣泛用于設(shè)計(jì)和構(gòu)建卷積自定義編碼器[40]。擴(kuò)張卷積通過(guò)在線(xiàn)性卷積中導(dǎo)入擴(kuò)張率，擴(kuò)大卷積核的感受野，從而獲得更多的特征圖信息，在進(jìn)行面向序列數(shù)據(jù)使用時(shí)有利于捕捉學(xué)習(xí)目標(biāo)的長(zhǎng)距離依賴(lài)。這種使用擴(kuò)張卷積的卷積神經(jīng)網(wǎng)絡(luò)主要被用于機(jī)器翻譯、語(yǔ)音識(shí)別[64]等自然語(yǔ)言處理任務(wù)。2.2.2池化層在卷積神經(jīng)網(wǎng)絡(luò)中，卷積層之后通常會(huì)使用池化層。池化層的主要功能是壓縮數(shù)據(jù)和參數(shù)，減少過(guò)擬合。目前常用的池化操作有兩種，分別是平均池化和最大池化。池化層常常選取區(qū)域?yàn)?×2的感受野，窗口滑動(dòng)步長(zhǎng)為2，最大池化的過(guò)程就是從每個(gè)2×2的感受野區(qū)域中選取最大的值作為輸出值，如圖2.4所示為最大池化的過(guò)程。圖2.4最大池化示例使用池化層好處有以下幾點(diǎn)：1.保持特征不變性。對(duì)于一張含有一只貓的圖像，將圖像縮小一倍后我們還是可以認(rèn)出這是一只貓，這就說(shuō)明了圖像雖然縮小了，但是縮小后的圖像仍然保留著貓最重要的特征。圖像在縮小的過(guò)程中去掉的只是一些無(wú)關(guān)緊要的信息，而被保留下來(lái)的信息就是具有尺度不變的特征，也是最能表達(dá)圖像的特征。2.特征降維。圖像中包含很多的信息和特征，但是在進(jìn)行圖像處理任務(wù)時(shí)，并不是所以的信息都是有用的，所以可以去除無(wú)用或者重復(fù)的信息，提取出對(duì)圖像處理任務(wù)最重要的特征，進(jìn)而減少計(jì)算量和參數(shù)個(gè)數(shù)，這也是池化層的一個(gè)重要作用。3.防止過(guò)擬合。池化層通過(guò)不斷減小數(shù)據(jù)的空間大小，以此減少參數(shù)的數(shù)量和計(jì)算量，這在一定程度上也防止了過(guò)擬合。2.2.3激活函數(shù)

【參考文獻(xiàn)】：
期刊論文
[1]基于人工智能視頻處理的課堂學(xué)生狀態(tài)分析[J]. 賈鸝宇,張朝暉,趙小燕,閆曉煒.  現(xiàn)代教育技術(shù). 2019(12)
[2]基于多尺度池化卷積神經(jīng)網(wǎng)絡(luò)的疲勞檢測(cè)方法研究[J]. 顧王歡,朱煜,陳旭東,鄭兵兵,何林飛.  計(jì)算機(jī)應(yīng)用研究. 2019(11)
[3]基于深度學(xué)習(xí)的疲勞駕駛檢測(cè)算法[J]. 戴詩(shī)琪,曾智勇.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2018(07)
[4]基于級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的疲勞檢測(cè)[J]. 趙雪鵬,孟春寧,馮明奎,常勝江.  光電子·激光. 2017(05)
[5]基于面部行為分析的駕駛員疲勞檢測(cè)方法[J]. 耿磊,袁菲,肖志濤,張芳,吳駿,李月龍.  計(jì)算機(jī)工程. 2018(01)
[6]基于腦電信號(hào)特征的駕駛疲勞檢測(cè)方法研究[J]. 祝亞兵,曾友雯,馮珍,時(shí)一凡,李奇.  長(zhǎng)春理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(05)
[7]一種基于眼部狀態(tài)的疲勞駕駛檢測(cè)方法[J]. 毛須偉,景文博,王曉曼,劉學(xué),張姍姍,張茂楨.  長(zhǎng)春理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(02)
[8]基于LBP的眼睛開(kāi)閉檢測(cè)方法[J]. 姚勝,李曉華,張衛(wèi)華,周激流.  計(jì)算機(jī)應(yīng)用研究. 2015(06)
[9]基于轉(zhuǎn)向盤(pán)操作的疲勞駕駛檢測(cè)方法[J]. 金立生,李科勇,牛清寧,高琳琳.  交通信息與安全. 2014(05)
[10]面部多特征融合的駕駛員疲勞檢測(cè)方法[J]. 周云鵬,朱青,王耀南,盧笑,凌志剛.  電子測(cè)量與儀器學(xué)報(bào). 2014(10)

博士論文
[1]基于心電信號(hào)的駕駛疲勞檢測(cè)方法研究[D]. 吳群.浙江大學(xué) 2008

碩士論文
[1]基于深度學(xué)習(xí)的駕駛安全評(píng)估方法研究[D]. 張博雅.西安科技大學(xué) 2019
[2]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
[3]基于深度學(xué)習(xí)的行人檢測(cè)算法研究[D]. 王玉輝.北京工業(yè)大學(xué) 2019
[4]基于臉部關(guān)鍵點(diǎn)信息的駕駛員行為分析[D]. 王瑩.南京航空航天大學(xué) 2019
[5]基于面部行為分析的駕駛員疲勞檢測(cè)方法研究[D]. 蘇靜靜.天津工業(yè)大學(xué) 2017
[6]基于人臉特征融合的疲勞檢測(cè)方法研究[D]. 王豪榮.長(zhǎng)安大學(xué) 2015
[7]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)和性別識(shí)別研究[D]. 汪濟(jì)民.南京理工大學(xué) 2015
[8]基于傳統(tǒng)方法和深度學(xué)習(xí)的圖像精細(xì)分類(lèi)研究[D]. 張恒亨.合肥工業(yè)大學(xué) 2014
[9]基于PERCLOS的駕駛疲勞檢測(cè)系統(tǒng)設(shè)計(jì)[D]. 吳康華.浙江大學(xué) 2008



本文編號(hào)：3469013