实车模拟驾驶平台的研制及基于驾驶员面部表情的疲劳检测算法研究

发布时间：2021-04-29 14:50

　　随着人们生活水平的提高,汽车日益普及,由此引发的交通安全问题愈加严重。疲劳驾驶是诱发交通事故的主要因素之一,因此疲劳驾驶已成为国内外研究的热点。为研究疲劳驾驶,研制了疲劳驾驶识别及干预实车实验平台,本文针对国内外各类疲劳状态检测算法进行了大量研究,分析其优势和不足,提出了基于驾驶员面部表情的疲劳检测算法,结合面部局部二值模式（LBP）特征搭建了双通道卷积神经网络（DCCNN）对驾驶员进行疲劳判定,最后根据疲劳判定结果对驾驶员进行预警及干预。本文主要研究内容及创新点如下:（1）研制实车模拟驾驶平台。该实验平台保留“易驾星”模拟驾驶器的测控主板及虚拟驾驶软件,通过将模拟器功能移植到报废车上实现。为实现对实车操纵机构的信号采集,设计了信号中转板采集方向盘、变速杆、手刹等机构操作信息并完成与测控主板的匹配,路况模拟由直流电机驱动器驱动支撑汽车底盘的电动千斤顶实现。最后通过摄像头及树莓派等设备搭建驾驶员图像采集系统,该系统用于采集实验者上机驾驶时的面部图像数据并上传至PC机。（2）提出了一种结合最小平方和误差（MOSSE）滤波器的人脸检测与跟踪算法。该算法利用基于Haar-like特征的Adab... 

【文章来源】：扬州大学江苏省

【文章页数】：97 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 选题背景及意义
        1.1.1 选题背景
        1.1.2 研究意义
    1.2 本课题的国内外研究现状
        1.2.1 基于生理参数的疲劳检测
        1.2.2 基于面部特征的疲劳检测
        1.2.3 基于车辆行为特征的疲劳检测
    1.3 本课题的研究难点及本文研究内容
        1.3.1 课题研究难点
        1.3.2 本文研究内容
    1.4 本文章节安排
第2章 实车模拟驾驶平台的研制
    2.1 设计目标
    2.2 设计内容
    2.3 实车模拟驾驶平台的研制
        2.3.1 模拟驾驶系统
        2.3.2 驾驶员图像采集系统
    2.4 实车模拟驾驶平台验证
        2.4.1 模拟驾驶系统验证
        2.4.2 驾驶员图像采集系统验证
    2.5 本章小结
第3章 驾驶员人脸检测与跟踪
    3.1 面部检测算法
        3.1.1 基于知识的面部检测算法
        3.1.2 基于模板匹配的面部检测方法
        3.1.3 基于统计模型的面部检测方法
    3.2 Adaboost算法
        3.2.1 Haar-like特征与积分图
        3.2.2 Adaboost算法原理
        3.2.3 Adaboost人脸识别测试
    3.3 人脸跟踪算法
        3.3.1 跟踪算法概述
        3.3.2 MOSSE跟踪算法
        3.3.3 MOSSE跟踪算法改进
        3.3.4 MOSSE跟踪算法改进验证
    3.4 结合跟踪算法的人脸检测
    3.5 本章小结
第4章 基于双通道卷积神经网络的疲劳识别
    4.1 基于面部表情的疲劳驾驶识别方案设计
    4.2 卷积神经网络基本原理
        4.2.1 神经网络模型
        4.2.2 反向传播算法
    4.3 卷积神经网络的结构特点
        4.3.1 卷积神经网络的结构
        4.3.2 卷积神经网络的特点
    4.4 LBP基本原理
    4.5 基于DCCNN的疲劳识别算法
        4.5.1 双通道特征提取网络
        4.5.2 特征融合网络
        4.5.3 Softmax分类
    4.6 实验结果分析
        4.6.1 实验环境及数据库
        4.6.2 网络参数设置及收敛性
        4.6.3 结果讨论
    4.7 本章小结
第5章 疲劳预警系统设计
    5.1 整体方案设计
    5.2 主控板开发
        5.2.1 主控板设计
        5.2.2 主控板测试
    5.3 预警系统功能模块及传感器
        5.3.1 红外传感器选型及测试
        5.3.2 语音模块选型及测试
        5.3.3 SIM800C模块功能介绍及测试
        5.3.4 干预模块设计
    5.4 疲劳预警系统综合测试
        5.4.1 疲劳预警系统测试方案
        5.4.2 疲劳预警系统测试结果
    5.5 本章小结
第6章 总结与展望
    6.1 工作总结
    6.2 展望
参考文献
附录
攻读硕士学位期间取得的科研成果
致谢


【参考文献】：
期刊论文
[1]基于脑电信号疲劳驾驶的检警头环设计[J]. 雷凌俊,冯佳琳,赵洋,姚同钰,胡岗.  电脑知识与技术. 2019(29)
[2]深度学习算法研究进展[J]. 田启川,王满丽.  计算机工程与应用. 2019(22)
[3]基于自适应局部二值模式的纹理特征提取方法[J]. 李松,蔡航,于蒙.  计算机应用与软件. 2019(09)
[4]深度学习在我国农业中的应用研究现状[J]. 吕盛坪,李灯辉,冼荣亨.  计算机工程与应用. 2019(20)
[5]复杂环境下森林火灾火焰局部纹理提取方法[J]. 冯丽琦,赵亚琴,孙一超,龚云荷.  中国农机化学报. 2019(07)
[6]基于机器视觉的驾驶员疲劳检测方法[J]. 洪志阳,王猛飞,侯东强,杨国亮.  物联网技术. 2018(07)
[7]基于改进的MOSSE相关滤波的目标跟踪[J]. 纪纲,高富东,范加利.  计算机测量与控制. 2018(06)
[8]基于视觉跟踪的实时视频人脸识别[J]. 任梓涵,杨双远.  厦门大学学报(自然科学版). 2018(03)
[9]基于便携式脑电数据的实时疲劳驾驶检测系统[J]. 于旭蕾,李相泽.  现代信息科技. 2018(04)
[10]基于局部二值模式的作物叶部病斑检测[J]. 李超,彭进业,孔韦韦,张善文.  计算机工程与应用. 2017(24)

硕士论文
[1]基于面部特征的疲劳驾驶检测系统设计[D]. 李庆臣.郑州大学 2019
[2]基于驾驶员面部融合特征的疲劳驾驶检测算法研究[D]. 梁勋.北京工业大学 2019
[3]基于人脸特征的疲劳驾驶检测算法研究与实现[D]. 邓旺华.北京工业大学 2019
[4]基于卷积神经网络的驾驶员疲劳检测[D]. 张智腾.湖南大学 2018
[5]基于多信息融合的实时疲劳检测与预警系统研究[D]. 唐杰.南京航空航天大学 2018
[6]多型视觉传感协同目标跟踪方法研究[D]. 李鲜莉.西安理工大学 2017
[7]基于深度学习的人脸表情识别[D]. 施徐敢.浙江理工大学 2015
[8]交通环境目标跟踪[D]. 焦朋伟.电子科技大学 2014
[9]基于卷积神经网络的深度学习算法与应用研究[D]. 陈先昌.浙江工商大学 2014
[10]基于Adaboost的人脸检测研究[D]. 周天相.北京邮电大学 2013



本文编号：3167727