基于人脸特征的疲劳驾驶检测算法研究与实现

发布时间：2021-03-31 12:24

　　随着道路交通持续的发展,汽车逐渐成为出行不可缺少的工具。虽然汽车给人们的外出带来了便利,但是却给交通安全带来了一些消极的影响。据调查显示,近年来由汽车引发的交通事故发生率持续增加,而这些交通事故中有很多是因为疲劳驾驶行为导致的,所以研究与实现一套高效且精准的疲劳驾驶检测系统,来降低疲劳引起的交通事故是十分必要的。人脸作为人体的关键组成部分,包含着丰富的特征信息,当驾驶人产生疲劳时,闭眼时间和眨眼频率都会与正常驾驶状态不同,并且可能出现打哈欠,因此本文主要基于人脸特征对疲劳驾驶的检测展开研究,主要工作如下:基于KCF的人脸跟踪算法,本文研究和设计了一种MC-KCF的人脸跟踪算法,该算法提高了人脸跟踪的精确度。KCF仅使用了单一的HOG特征,在复杂环境下人脸跟踪的准确度有所下降。同时KCF算法需要在初始帧对被跟踪目标进行手动标注,并且当目标消失后再次回到视野时,KCF算法可能无法立即找回目标,甚至丢失目标。因此本文利用多尺度CNN特征和MTCNN对KCF进行优化,设计和实现了基于MC-KCF的人脸跟踪算法。基于DCNN的人脸关键点检测模型,本文研究和设计了一种BL-DCNN的人脸关键点检测... 

【文章来源】：北京工业大学北京市 211工程院校

【文章页数】：90 页

【学位级别】：硕士

【部分图文】：

LeNet-5模型的网络结构

图 2-1 LeNet-5 模型的网络结构Figure 2-1 The network structure of LeNet-5 model CNN 的研究具有较强的代表性，从中能够发现 CNN 网络模化层、全连接层以及激活函数等不同的网络结构层按照一定的的。神经网络中比较重要的组成部分之一，它的作用是对输入的数然后提取数据的特征信息。与传统全连接层的计算方式不同，是通过卷积核来实现，卷积核中的每一个元素都对应一个权重算过程中需要先设置步长，然后卷积核根据设置的步长去遍历次遍历特征图时，将卷积核和特征图中对应的部分采用卷积进所示，展示了卷积层的计算过程。

最大池化层Figure2-3Themaxpoolinglayer

【参考文献】：
期刊论文
[1]基于积分投影和模板匹配的人眼定位算法研究[J]. 亢洁,李静.  陕西科技大学学报(自然科学版). 2017(01)
[2]基于深度特征与LBP纹理融合的视觉跟踪[J]. 胡丹,周兴社,许婉君,侯志强.  计算机工程. 2016(09)
[3]一种改进的基于灰度投影的人眼定位算法[J]. 王锟,田翔,王卫锋.  科学技术与工程. 2011(16)
[4]驾驶员安全驾驶监控研究现状及发展趋势[J]. 蒋雄.  现代计算机(专业版). 2010(14)
[5]基于方向盘操作的驾驶人疲劳状态实时检测方法[J]. 张希波,成波,冯睿嘉.  清华大学学报(自然科学版). 2010(07)
[6]粒子滤波算法及其应用研究[J]. 郭晓松,李奕芃,郭君斌.  计算机工程与设计. 2009(09)
[7]自动色彩均衡快速算法[J]. 袁雪庚,顾耀林.  计算机辅助设计与图形学学报. 2005(10)
[8]汽车驾驶员驾驶疲劳监测技术研究进展[J]. 毛喆,初秀民,严新平,吴超仲.  中国安全科学学报. 2005(03)

硕士论文
[1]疲劳驾驶检测算法的研究与开发[D]. 贾李楠.北京工业大学 2016
[2]基于驾驶操作及车辆状态的疲劳驾驶行为检测研究[D]. 黄皓.东南大学 2016
[3]考虑驾驶员生物电信号的疲劳驾驶检测方法研究[D]. 薛雷.吉林大学 2015



本文编号：3111433