基于CNNs和LSTM的驾驶员疲劳和分心状态识别研究

发布时间：2022-12-09 18:40

　　随着汽车行业的飞速发展以及人民生活水平不断提高,国民汽车人均保有量也不断增加,由此引发的交通事故数量也越来越多。在所有交通事故中由于驾驶员因素引起的占所有数量的90%以上,而驾驶员因素中最主要的包括驾驶员疲劳驾驶和分心驾驶,因此对驾驶员危险状态进行监控并且预警从而减少交通事故的发生变得越来越重要。本文主要阐述了驾驶员驾驶疲劳和驾驶分心检测方法、相关算法的原理和模型搭建、训练以及优化方法。本文选取的驾驶员的生理信号数据,设计驾驶员疲劳和分心状态实验,运用深度学习技术来建立驾驶员疲劳和分心驾驶识别模型,对于危险状态识别具有重要意义。首先,对国内外驾驶员疲劳驾驶和分心驾驶监测研究现状展开了详细介绍,对传统机器学习检测方法等指出相应不足,并提出运用驾驶员生理信号数据以及深度学习技术来建立识别模型。其次,详细阐述了卷积神经网络和长短期记忆网络结构,误差方向传播算法,在此基础上,结合目前驾驶员疲劳和分心实验研究方法,设计驾驶员疲劳和分心驾驶模拟实验,采集实验过程中各个状态下被试者的生理信号数据,将实验的有效数据制作对应标签,完成驾驶员疲劳驾驶状态、分心驾驶状态和正常驾驶状态数据集,并将数据集拆分成... 

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景
    1.2 国内外研究现状以及发展动态
        1.2.1 研究趋势
        1.2.2 国内外驾驶疲劳监测研究现状
        1.2.3 国内外驾驶分心监测研究现状
    1.3 本文主要研究目的和结构
    1.4 本章小结
第2章 深度学习算法CNNs和LSTM
    2.1 卷积神经网络原理
        2.1.1 卷积神经网络的连接方式
        2.1.2 卷积运算
        2.1.3 卷积神经网络的池化
        2.1.4 卷积神经网络的反向传播
    2.2 长短时记忆网络原理
        2.2.1 LSTM的结构
        2.2.2 LSTM的反向传播算法
    2.3 深度学习框架Tensorflow
    2.4 本章小结
第3章 驾驶员疲劳驾驶和分心驾驶实验
    3.1 实验软硬件模拟系统
        3.1.1 驾驶模拟系统
        3.1.2 模拟环境实验搭建
        3.1.3 实验数据采集设备
    3.2 疲劳和分心驾驶实验设计
        3.2.1 被实验人员要求
        3.2.2 实验环境要求
        3.2.3 实验评价方法
        3.2.4 实验流程
    3.3 实验过程和结果处理
        3.3.1 实验过程
        3.3.2 数据结果处理
    3.4 本章小结
第4章 模型搭建优化和结果对比分析
    4.1 基于CNNs的驾驶员疲劳和分心识别模型
        4.1.1 网络结构
        4.1.2 网络训练及模型优化
    4.2 基于LSTM的驾驶员疲劳和分心识别模型
        4.2.1 网络结构
        4.2.2 LSTM网络的训练及模型优化
    4.3 结果对比分析
    4.4 本章小结
总结与展望
参考文献
致谢
附录A 攻读硕士学位期间所发表的学术论文



本文编号：3715178