基于深度学习的驾驶员疲劳状态识别

发布时间：2021-08-17 02:50

　　疲劳驾驶极易引发重大交通事故,针对驾驶员疲劳的检测对于预防交通事故具有重要研究意义。基于此,相关学者在该领域开展有大量研究工作,并取得了一系列研究成果。其中,基于视觉表观特征的方法以其对驾驶员无干扰、视觉系统易于布置的优点逐渐成为该领域可实用化技术的研究重点。然而,由于视觉图像受外部光照变化、图像背景等环境因素的影响较大,因此在系统的可靠性方面还需进一步提升。为此,本文在对反映驾驶员疲劳状态的多种表观特征分析的基础上,利用鲁棒性更强的深度学习算法构建了驾驶疲劳检测模型,并结合实验数据对所构建的模型进行了验证。针对上述图像处理方法抗干扰性不强、准确率不高的缺点,本文通过深度学习中的卷积神经网络对驾驶员面部图像的空间特征进行了提取;考虑到驾驶疲劳特征时序上的动态变化特性,本文结合长短时记忆网络的时序表达特性构建了疲劳检测的基础模型。在此基础上,为弥补间隔采样所造成的运动特征缺失,本文通过合理引入光流特征对基础模型进行了优化,进而形成了基于RGB-O图像的双流模型。最后,基于系统的时效性需求,本文提出了一种动态自适应的数据采样机制,以有效提高系统的实际运行效率。本文对于驾驶疲劳检测的研究,重... 

【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 引言
    1.1 研究背景和意义
    1.2 国内外研究现状及发展趋势
        1.2.1 疲劳特征指标检测技术
        1.2.2 驾驶疲劳状态评估方法
        1.2.3 深度学习技术
        1.2.4 综合评述
    1.3 论文的主要研究内容和结构安排
        1.3.1 论文的主要研究内容
        1.3.2 论文的结构安排
2 基于CNN与 LSTM的驾驶疲劳检测
    2.1 面部ROI的确定
        2.1.1 基于类Haar特征的人脸识别
        2.1.2 基于卡尔曼与Mean Shift算法的人脸追踪
    2.2 人脸特征提取
        2.2.1 卷积的概念
        2.2.2 局部连接与权值共享
        2.2.3 CNN常见设计原则
        2.2.4 卷积神经网络提取驾驶员面部特征
        2.2.5 特征图可视化
    2.3 驾驶员面部表观特征的动态特性分析
        2.3.1 LSTM时序机制获取时序信息
        2.3.2 基于LSTM的疲劳检测模型超参设定
    2.4 基于LSTM的疲劳检测基本模型构建
    2.5 实验验证
        2.5.1 检测数据集的构建
        2.5.2 神经网络的训练与测试
    2.6 本章小结
3 基于光流特征的驾驶疲劳检测模型改进
    3.1 光流特征在疲劳检测中的应用
    3.2 基于RGB-O图像的驾驶员疲劳检测模型构建
    3.3 实验验证
        3.3.1 RGB-O数据集构建
        3.3.2 神经网络的训练与测试
        3.3.3 特征图可视化
    3.4 本章小结
4 基于状态辨识的自适应数据采样
    4.1 长时间范围采样机制
    4.2 动态自适应数据采样机制
    4.3 基于DASM的疲劳状态判别机制
    4.4 DASM与 FSDM在光流模型中的应用
    4.5 本章小结
5 总结与展望
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：3346907