隨著對汽車資源持有量的飛速增長、交通肇事事件的頻繁發(fā)生,駕駛安全等相關(guān)問題的研究也不斷深入�；谏疃葘W(xué)習(xí)的圖像處理技術(shù)不僅可以完成目標(biāo)檢測、目標(biāo)識別和圖像特征提取,同時也為駕駛?cè)宋ｋU行為識別和疲勞檢測提供了新型智能的解決方法和手段。作為一種人工智能的一個重要方向,深度學(xué)習(xí)技術(shù)可通過系列循環(huán)迭代獲取數(shù)據(jù)樣本內(nèi)在規(guī)律和其本質(zhì)特征,具有巨大的人工智能應(yīng)用和發(fā)展?jié)摿�。本課題主要研究基于深度學(xué)習(xí)的駕駛?cè)宋ｋU行為識別方法研究,結(jié)合機器學(xué)習(xí)與深度學(xué)習(xí)相關(guān)基本理論,分別重點研究了基于機器學(xué)習(xí)和深度學(xué)習(xí)的駕駛?cè)宋ｋU動作識別分析算法、基于多維信息感知的駕駛?cè)似跈z測識別算法。本文主要研究內(nèi)容如下:首先,從平滑濾波、高斯濾波、中值濾波三種圖像濾波算法對駕駛?cè)诵袨閿?shù)據(jù)集、駕駛?cè)似跈z測數(shù)據(jù)集進(jìn)行預(yù)處理入手,對不同類型的預(yù)處理算法進(jìn)行對比分析;進(jìn)一步研究圖像特征獲取算法,分別深入地探究了駕駛圖像LBP特征與HOG特征的提取算法計算過程,并借助支持向量機,進(jìn)一步研究了基于LBP-SVM、HOG-SVM與特征融合-SVM三種類型的駕駛?cè)诵袨樽R別算法,并完成三種駕駛?cè)俗R別算法的模擬仿真實驗。其次,探究深度學(xué)習(xí)的基本思... 

【文章頁數(shù)】：89 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景及研究的目的和意義
    1.2 駕駛?cè)诵袨樽R別的國內(nèi)外研究現(xiàn)狀
        1.2.1 基于計算機視覺的駕駛?cè)诵袨樽R別
        1.2.2 基于車輛狀態(tài)的駕駛?cè)诵袨樽R別
    1.3 疲勞檢測方法的國內(nèi)外研究現(xiàn)狀
        1.3.1 基于生理參數(shù)的駕駛?cè)似跈z測
        1.3.2 基于機器視覺的駕駛?cè)似跈z測
    1.4 本文的主要研究內(nèi)容
第2章 基于機器學(xué)習(xí)的駕駛?cè)诵袨樽R別
    2.1 標(biāo)準(zhǔn)化數(shù)據(jù)集
        2.1.1 駕駛?cè)诵袨樽R別數(shù)據(jù)集
        2.1.2 駕駛?cè)似跈z測數(shù)據(jù)集
    2.2 圖像濾波算法
        2.2.1 平滑濾波
        2.2.2 高斯濾波
        2.2.3 中值濾波
    2.3 圖像特征提取算法
        2.3.1 LBP特征提取
        2.3.2 HOG特征提取
    2.4 基于支持向量機的駕駛?cè)诵袨樽R別
        2.4.1 支持向量機基本原理
        2.4.2 基于LBP-SVM的駕駛?cè)诵袨樽R別
        2.4.3 基于HOG-SVM的駕駛?cè)诵袨樽R別
        2.4.4 基于特征融合與SVM的駕駛?cè)诵袨樽R別
    2.5 本章小結(jié)
第3章 面向特征識別的深度學(xué)習(xí)理論分析
    3.1 深度學(xué)習(xí)基本原理
    3.2 神經(jīng)網(wǎng)絡(luò)
        3.2.1 激活函數(shù)
        3.2.2 前向傳播算法
        3.2.3 反向傳播算法
    3.3 卷積神經(jīng)網(wǎng)絡(luò)
        3.3.1 卷積層
        3.3.2 池化層
        3.3.3 反向傳播算法
    3.4 本章小結(jié)
第4章 基于深度學(xué)習(xí)的駕駛?cè)诵袨樽R別算法
    4.1 基于神經(jīng)網(wǎng)絡(luò)的駕駛?cè)诵袨樽R別算法
        4.1.1 基于LBP-NN的駕駛?cè)诵袨樽R別
        4.1.2 基于HOG-NN的駕駛?cè)诵袨樽R別
        4.1.3 基于特征融合與神經(jīng)網(wǎng)絡(luò)的駕駛?cè)诵袨樽R別
    4.2 基于CNN的駕駛?cè)诵袨樽R別算法
        4.2.1 模型架構(gòu)
        4.2.2 實驗設(shè)置
        4.2.3 實驗結(jié)果與分析
    4.3 基于CNN改進(jìn)算法的多決策融合駕駛?cè)诵袨樽R別
        4.3.1 CNN改進(jìn)算法
        4.3.2 多決策融合駕駛?cè)诵袨樽R別
    4.4 本章小結(jié)
第5章 基于多源信息感知的駕駛?cè)似跈z測算法
    5.1 基于機器學(xué)習(xí)的人臉特征點檢測算法
        5.1.1 基于HOG特征的人臉檢測
        5.1.2 基于級聯(lián)回歸樹的人臉特征點檢測
    5.2 基于眼睛橫縱比的疲勞檢測
        5.2.1 眼睛橫縱比
        5.2.2 基于眼睛橫縱比的疲勞檢測算法
    5.3 基于嘴部開度的疲勞檢測
        5.3.1 嘴部開度
        5.3.2 基于嘴部開度的疲勞檢測算法
    5.4 基于多源信息感知的疲勞檢測算法
    5.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及其它成果
致謝



本文編號：3710126