基于面部細微運動識別及深度學習的疲勞駕駛檢測
發(fā)布時間：2021-11-23 14:38
隨著交通的發(fā)展,車輛為人們的出行帶來了巨大便利,與此同時交通事故造成的財產損失和人員傷亡也逐年增加。研究調查發(fā)現,疲勞駕駛是引發(fā)道路事故的重要因素。因此,對疲勞駕駛行為進行有效檢測成為了交通領域的研究熱點。本文通過打哈欠檢測和打瞌睡檢測相結合的方法來進行疲勞駕駛檢測。面部運動包括嘴部運動、眼部運動等。面部運動相對于肢體運動來說運動變化幅度較小,可視為細微運動。本文的研究涉及到嘴部運動和眨眼運動這兩類面部細微運動的識別。基于嘴部細微運動識別的打哈欠檢測�，F有的許多打哈欠檢測方法都是對單張靜態(tài)圖片中的嘴部狀態(tài)進行檢測,很少有方法將打哈欠作為一種面部運動去識別。許多面部運動或表情具有和打哈欠相似的嘴部張開狀態(tài)。如果將打哈欠視為一個靜止的狀態(tài)去識別和統(tǒng)計,那么很容易造成錯誤的檢測。一些方法將嘴部張開時間作為一種判斷條件,但這些方法需要對視頻中的每一幀圖片進行嘴部狀態(tài)判斷,計算開銷很大。為了解決打哈欠檢測中的上述問題,本文將打哈欠作為一種面部運動去識別,提出了一種基于嘴部細微運動識別的打哈欠檢測方法。該方法不需要對視頻中的每一幀進行處理,極大的減少了檢測的時間開銷。為了對嘴部細微運動進行有效識別...
【文章來源】：南昌大學江西省 211工程院校
【文章頁數】：62 頁
【學位級別】：碩士
【部分圖文】：
圖２．１人腦視覺系統(tǒng)??７??
?第２章基于計算機視覺檢測方法相關研究???圖２．２所示為神經元基本結構。??Ｙ?ｆ?ｎ??：ｃ〇ｎ?ｉ．?．?＾??ｂ??圖２．２神經元基本結構??在上圖所示的神經元中，為神經元的輸入，??神經元輸入對應的權重系數。＆為輸入的偏置系數。將輸入與相應的權重系數??相乘并加上偏置系數，／為非線性激活函數，作用是將該神經元的輸入進行非??線性轉化以作為該神經元的輸出，計算公式如公式２．１所示。神經網絡采用非??線性函數作為神經元激活函數的目的是為了增強神經元的表征能力。多個神經??元以多種方式組合起來可以表征各種各樣的輸入與輸出，形成不同的神經網絡。??ｈ［ｘ）?＝?ｆ?＾ｘ＾＋ｂ?（２．１）??Ｖ?／＝ｉ?Ｊ??２．２卷積神經網絡??卷積神經網絡的結構和其它神經網絡類似。圖２．３是一個典型的卷積神經??網絡結構。??／７＼?＾?＾??ＺＺ＾Ｚ７＾?＾??Ｌ＾ｌ?［ｊｙ??輸入層?卷積層１?池化層１?卷積層２?池化層２?全連接層??圖２．３卷積網絡基本結構??８??
?第２章基于計算機視覺檢測方法相關研究???圖２．２所示為神經元基本結構。??Ｙ?ｆ?ｎ??：ｃ〇ｎ?ｉ．?．?＾??ｂ??圖２．２神經元基本結構??在上圖所示的神經元中，為神經元的輸入，??神經元輸入對應的權重系數。＆為輸入的偏置系數。將輸入與相應的權重系數??相乘并加上偏置系數，／為非線性激活函數，作用是將該神經元的輸入進行非??線性轉化以作為該神經元的輸出，計算公式如公式２．１所示。神經網絡采用非??線性函數作為神經元激活函數的目的是為了增強神經元的表征能力。多個神經??元以多種方式組合起來可以表征各種各樣的輸入與輸出，形成不同的神經網絡。??ｈ［ｘ）?＝?ｆ?＾ｘ＾＋ｂ?（２．１）??Ｖ?／＝ｉ?Ｊ??２．２卷積神經網絡??卷積神經網絡的結構和其它神經網絡類似。圖２．３是一個典型的卷積神經??網絡結構。??／７＼?＾?＾??ＺＺ＾Ｚ７＾?＾??Ｌ＾ｌ?［ｊｙ??輸入層?卷積層１?池化層１?卷積層２?池化層２?全連接層??圖２．３卷積網絡基本結構??８??
【參考文獻】：
期刊論文
[1]基于深度卷積網絡和在線學習跟蹤的駕駛員打哈欠檢測[J]. 張偉偉,糜澤陽,肖凌云,錢宇彬. 中國機械工程. 2019(08)
[2]一種基于卷積神經網絡的哈欠檢測算法[J]. 馬素剛,趙琛,孫韓林,韓俊崗. 計算機科學. 2018(S1)
[3]基于面部行為分析的駕駛員疲勞檢測方法[J]. 耿磊,袁菲,肖志濤,張芳,吳駿,李月龍. 計算機工程. 2018(01)
[4]一種基于眼部狀態(tài)的疲勞駕駛檢測方法[J]. 毛須偉,景文博,王曉曼,劉學,張姍姍,張茂楨. 長春理工大學學報(自然科學版). 2016(02)
[5]基于嘴巴特征點曲線擬合的哈欠檢測[J]. 謝國波,陳云華,張靈,丁伍洋. 計算機工程與科學. 2014(04)
[6]汽車駕駛員瞌睡狀態(tài)腦電波特征的初步探索[J]. 王炳浩,魏建勤,吳永紅. 汽車工程. 2004(01)
博士論文
[1]機動車疲勞駕駛行為識別方法研究[D]. 毛喆.武漢理工大學 2009
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]高置信度策略的DSST目標檢測和跟蹤及系統(tǒng)實現[D]. 扆夢楠.太原理工大學 2018
[3]基于PERCLOS的列車司機駕駛疲勞檢測研究[D]. 李強.北京交通大學 2014
本文編號：3514088
【文章來源】：南昌大學江西省 211工程院校
【文章頁數】：62 頁
【學位級別】：碩士
【部分圖文】：
圖２．１人腦視覺系統(tǒng)??７??
?第２章基于計算機視覺檢測方法相關研究???圖２．２所示為神經元基本結構。??Ｙ?ｆ?ｎ??：ｃ〇ｎ?ｉ．?．?＾??ｂ??圖２．２神經元基本結構??在上圖所示的神經元中，為神經元的輸入，??神經元輸入對應的權重系數。＆為輸入的偏置系數。將輸入與相應的權重系數??相乘并加上偏置系數，／為非線性激活函數，作用是將該神經元的輸入進行非??線性轉化以作為該神經元的輸出，計算公式如公式２．１所示。神經網絡采用非??線性函數作為神經元激活函數的目的是為了增強神經元的表征能力。多個神經??元以多種方式組合起來可以表征各種各樣的輸入與輸出，形成不同的神經網絡。??ｈ［ｘ）?＝?ｆ?＾ｘ＾＋ｂ?（２．１）??Ｖ?／＝ｉ?Ｊ??２．２卷積神經網絡??卷積神經網絡的結構和其它神經網絡類似。圖２．３是一個典型的卷積神經??網絡結構。??／７＼?＾?＾??ＺＺ＾Ｚ７＾?＾??Ｌ＾ｌ?［ｊｙ??輸入層?卷積層１?池化層１?卷積層２?池化層２?全連接層??圖２．３卷積網絡基本結構??８??
?第２章基于計算機視覺檢測方法相關研究???圖２．２所示為神經元基本結構。??Ｙ?ｆ?ｎ??：ｃ〇ｎ?ｉ．?．?＾??ｂ??圖２．２神經元基本結構??在上圖所示的神經元中，為神經元的輸入，??神經元輸入對應的權重系數。＆為輸入的偏置系數。將輸入與相應的權重系數??相乘并加上偏置系數，／為非線性激活函數，作用是將該神經元的輸入進行非??線性轉化以作為該神經元的輸出，計算公式如公式２．１所示。神經網絡采用非??線性函數作為神經元激活函數的目的是為了增強神經元的表征能力。多個神經??元以多種方式組合起來可以表征各種各樣的輸入與輸出，形成不同的神經網絡。??ｈ［ｘ）?＝?ｆ?＾ｘ＾＋ｂ?（２．１）??Ｖ?／＝ｉ?Ｊ??２．２卷積神經網絡??卷積神經網絡的結構和其它神經網絡類似。圖２．３是一個典型的卷積神經??網絡結構。??／７＼?＾?＾??ＺＺ＾Ｚ７＾?＾??Ｌ＾ｌ?［ｊｙ??輸入層?卷積層１?池化層１?卷積層２?池化層２?全連接層??圖２．３卷積網絡基本結構??８??
【參考文獻】：
期刊論文
[1]基于深度卷積網絡和在線學習跟蹤的駕駛員打哈欠檢測[J]. 張偉偉,糜澤陽,肖凌云,錢宇彬. 中國機械工程. 2019(08)
[2]一種基于卷積神經網絡的哈欠檢測算法[J]. 馬素剛,趙琛,孫韓林,韓俊崗. 計算機科學. 2018(S1)
[3]基于面部行為分析的駕駛員疲勞檢測方法[J]. 耿磊,袁菲,肖志濤,張芳,吳駿,李月龍. 計算機工程. 2018(01)
[4]一種基于眼部狀態(tài)的疲勞駕駛檢測方法[J]. 毛須偉,景文博,王曉曼,劉學,張姍姍,張茂楨. 長春理工大學學報(自然科學版). 2016(02)
[5]基于嘴巴特征點曲線擬合的哈欠檢測[J]. 謝國波,陳云華,張靈,丁伍洋. 計算機工程與科學. 2014(04)
[6]汽車駕駛員瞌睡狀態(tài)腦電波特征的初步探索[J]. 王炳浩,魏建勤,吳永紅. 汽車工程. 2004(01)
博士論文
[1]機動車疲勞駕駛行為識別方法研究[D]. 毛喆.武漢理工大學 2009
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]高置信度策略的DSST目標檢測和跟蹤及系統(tǒng)實現[D]. 扆夢楠.太原理工大學 2018
[3]基于PERCLOS的列車司機駕駛疲勞檢測研究[D]. 李強.北京交通大學 2014
本文編號：3514088
本文鏈接：http://sikaile.net/kejilunwen/zidonghuakongzhilunwen/3514088.html
