發(fā)布時(shí)間：2023-03-23 19:38

　　疲勞駕駛時(shí)刻危害著道路交通安全,是產(chǎn)生交通事故的主要原因之一。如何有效監(jiān)測(cè)和判定疲勞駕駛狀態(tài),從而實(shí)現(xiàn)疲勞預(yù)警,已成為科學(xué)研究的熱點(diǎn)。傳統(tǒng)的檢測(cè)方法多是基于某種人體生理參數(shù),通過(guò)對(duì)生理參數(shù)變化的監(jiān)測(cè),完成對(duì)疲勞狀態(tài)的判定。與傳統(tǒng)檢測(cè)方法相比,基于計(jì)算機(jī)視覺(jué)的疲勞檢測(cè)方法具有檢測(cè)結(jié)果準(zhǔn)確可靠,檢測(cè)過(guò)程不依賴穿戴設(shè)備,人機(jī)交互體驗(yàn)良好等優(yōu)勢(shì)。但在特定的算法運(yùn)用場(chǎng)景中,往往存在被檢畫面部分遮擋、圖像分辨率過(guò)低、檢測(cè)環(huán)境復(fù)雜光照、采集設(shè)備不穩(wěn)定等環(huán)境因素的干擾。面對(duì)諸多挑戰(zhàn),如何有效地提高疲勞狀態(tài)的檢測(cè)精度,同時(shí)算法具有實(shí)際運(yùn)用空間,仍需要深入探索。傳統(tǒng)的基于面部信息的疲勞檢測(cè)方法往往針對(duì)特定的某一面部屬性進(jìn)行檢測(cè)分析,由于檢測(cè)個(gè)體差異及疲勞狀態(tài)界定模糊,算法存在識(shí)別錯(cuò)誤率高、魯棒性差的問(wèn)題。而且單一屬性模型割裂了面部屬性間潛在的相融相斥關(guān)系,同時(shí)龐大的模型尺寸和復(fù)雜的模型結(jié)構(gòu)也限制了算法的實(shí)際落地。針對(duì)這些亟待解決的問(wèn)題,本文首先基于多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)(MTCNN)提出了面部檢測(cè)和頭部姿態(tài)分析融合模型,模型使用多任務(wù)級(jí)聯(lián)的架構(gòu)策略,在完成面部檢測(cè)任務(wù)的同時(shí)完成完整面部姿態(tài)分析任務(wù)。其次基于網(wǎng)...

【文章頁(yè)數(shù)】：89 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 課題研究背景與意義
    1.2 研究現(xiàn)狀
    1.3 本文研究?jī)?nèi)容
    1.4 論文的組織結(jié)構(gòu)
2 相關(guān)理論與技術(shù)分析
    2.1 典型深度學(xué)習(xí)模型
    2.2 深度卷積網(wǎng)絡(luò)在圖像分析中的應(yīng)用
    2.3 多任務(wù)學(xué)習(xí)
    2.4 本章小結(jié)
3 面部檢測(cè)與面部姿態(tài)分析融合網(wǎng)絡(luò)
    3.1 問(wèn)題概述
    3.2 面部檢測(cè)與面部姿態(tài)分析融合網(wǎng)絡(luò)
    3.3 仿真實(shí)驗(yàn)與分析
    3.4 本章小結(jié)
4 基于人臉關(guān)鍵點(diǎn)的面部屬性分析網(wǎng)絡(luò)
    4.1 人臉關(guān)鍵點(diǎn)定位方法
    4.2 基于級(jí)聯(lián)網(wǎng)絡(luò)的人臉關(guān)鍵點(diǎn)檢測(cè)方法
    4.3 面部屬性分析
    4.4 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
5 多指標(biāo)融合疲勞駕駛檢測(cè)方法
    5.1 疲勞程度評(píng)價(jià)標(biāo)準(zhǔn)
    5.2 疲勞特征提取
    5.3 信息融合與疲勞程度評(píng)估
    5.4 評(píng)估與實(shí)驗(yàn)
    5.5 本章小結(jié)
6 在線疲勞檢測(cè)預(yù)警系統(tǒng)平臺(tái)搭建
    6.1 平臺(tái)需求分析
    6.2 系統(tǒng)概況
    6.3 系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
    6.4 本章小結(jié)
7 總結(jié)及展望
    7.1 本文工作總結(jié)
    7.2 未來(lái)工作展望
參考文獻(xiàn)
致謝



本文編號(hào)：3768622