基于图像处理的值班人员鉴权与疲劳识别研究

发布时间：2021-05-14 14:19

　　随着人工智能研究的兴起,人脸识别和疲劳检测技术在实际生活中应用于各行各业,为人们生活的便捷性带来了保障。当前一些重点区域如银行值班室、铁路运营室、消防监控室、重症监护室等岗位的值班人员,需要时刻盯着视频图像监视器,因值班人员疲劳、瞌睡、擅自离岗等不良行为导致的重大事故时有发生,因此开展基于图像处理技术的监控系统来提高值班人员的工作质量具有理论研究意义和实际应用价值,是当前该领域亟需解决的问题。本文研究基于视频的非接触的、实时的值班员身份鉴别和疲劳检测,首先借助值班室摄像头采集值班员视频,利用多任务卷积神经网络人脸检测算法快速定位人脸区域并精确定位人的眼睛和嘴巴;再通过基于卷积神经网络的人脸识别算法提取人脸特征,借助分类器实现人脸识别。其次利用提取定位出来的眼睛和嘴巴相关的疲劳参数进而判断值班员的疲劳状态。主要工作如下:（1）介绍了人员鉴权与疲劳检测系统的研究背景和意义,总结了国内外相关文献;概述了人脸检测、人脸识别和疲倦识别的国内外研究现状;讨论了卷积神经网络在人脸检测和人脸识别中的应用。（2）基于经典人脸识别算法框架VGG-16,对其网络结构和损失函数做了相应的改进,在结构上减少几个... 

【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 人脸检测技术研究现状
        1.2.2 人脸识别技术研究现状
        1.2.3 基于图像的疲劳检测技术研究现状
    1.3 论文工作和结构安排
第二章 基于图像处理的人脸识别相关理论
    2.1 卷积神经网络相关理论
        2.1.1 卷积层
        2.1.2 池化层
        2.1.3 激活函数
        2.1.4 全连接层
    2.2 人脸检测方法概述
        2.2.1 基于知识的方法
        2.2.2 基于特征的方法
        2.2.3 基于模板匹配的方法
        2.2.4 基于统计模型的方法
    2.3 基于多任务卷积神经网络(MTCNN)的人脸检测
        2.3.1 基于MTCNN的人脸检测与对齐模型
        2.3.2 基于MTCNN的人脸检测与对齐算法
        2.3.3 基于MTCNN的人脸检测实验仿真
    2.4 本章小结
第三章 基于图像处理的人脸识别
    3.1 常见的神经网络模型
        3.1.1 AlexNet
        3.1.2 VggNet
        3.1.3 Inception
        3.1.4 ResNet
    3.2 基于卷积神经网络的人脸识别算法
        3.2.1 VGG-16模型的简化
        3.2.2 损失函数的设计
        3.2.3 相似性度量
    3.3 人脸识别的训练与测试
        3.3.1 公开的人脸数据集
        3.3.2 模型训练与测试过程
    3.4 实验结果分析
        3.4.1 损失函数参数λ的选取
        3.4.2 人脸识别算法对比
    3.5 本章小结
第四章 视频图像中人脸疲倦的识别
    4.1 基于二值化图像面积法的人眼状态识别方法
        4.1.1 常见的人眼状态识别方法
        4.1.2 基于二值化图像面积法的人眼状态提取
    4.2 疲劳状态参数提取
        4.2.1 PERCLOS测量原理
        4.2.2 眨眼频率
        4.2.3 嘴部疲劳参数PMRCLOS的提取
    4.3 基于眼部和嘴部的疲劳状态仿真实验
        4.3.1 基于眼部和嘴部的疲劳状态算法思路
        4.3.2 测试结果分析
    4.4 本章小结
第五章 基于视频图像的值班人员鉴权与疲劳识别
    5.1 系统实现功能与核心模块介绍
        5.1.1 系统实现功能及流程
        5.1.2 系统的核心模块
    5.2 系统开发与设计
        5.2.1 系统开发软硬件环境
        5.2.2 客户端界面设计
    5.3 系统测试结果与分析
        5.3.1 基于人脸视频的鉴权测试结果与分析
        5.3.2 基于人脸视频的疲倦识别测试结果与分析
    5.4 本章小结
第六章 总结与展望
    6.1 本文总结
    6.2 未来工作展望
参考文献
攻读硕士期间发表的论文
致谢


【参考文献】：
期刊论文
[1]基于HOG和特征描述子的人脸检测与跟踪[J]. 李澎林,邹嘉程,李伟.  浙江工业大学学报. 2020(02)
[2]基于眼睛状态识别的军用直升机飞行员疲劳实时监测系统设计[J]. 陈翔,刘永新,李春虹.  电子测试. 2019(23)
[3]基于脑电信号深度迁移学习的驾驶疲劳检测[J]. 王斐,吴仕超,刘少林,张亚徽,魏颖.  电子与信息学报. 2019(09)
[4]基于Caffe框架的人脸定位与识别系统的设计[J]. 黄琳,蒋为,杨铁军.  计算机时代. 2019(06)
[5]基于多任务级联卷积网络模型的人脸检测和识别[J]. 刘其嘉,郭一娜,任晓文,李健宇.  太原科技大学学报. 2019(02)
[6]人脸识别中的损失函数[J]. 赵文忠.  电子技术与软件工程. 2019(05)
[7]驾驶人眼睛定位及特征提取算法研究[J]. 孙海燕,屈敏,臧利国.  农业装备与车辆工程. 2018(11)
[8]高校选课系统的课程推荐机制研究[J]. 张欢,邹冲.  电子世界. 2018(20)
[9]卷积神经网络中ReLU激活函数优化设计[J]. 王双印,滕国文.  信息通信. 2018(01)
[10]自适应深度卷积神经网络在人脸识别上的应用[J]. 郭晓洁,陈良,沈长青,刘承建.  自动化技术与应用. 2017(07)

硕士论文
[1]基于改进MTCNN模型的人脸检测与面部关键点定位[D]. 陈雨薇.东华大学 2019
[2]基于Caffe平台深度学习的人脸识别研究与实现[D]. 魏正.西安电子科技大学 2015
[3]改进的卷积神经网络模型及其应用研究[D]. 何鹏程.大连理工大学 2015
[4]基于卷积神经网络的人脸检测和性别识别研究[D]. 汪济民.南京理工大学 2015
[5]卷积神经网络及其应用[D]. 李飞腾.大连理工大学 2014
[6]基于眼部识别的驾驶员疲劳检测方法研究[D]. 崔坚.大连海事大学 2013
[7]多特征疲劳检测系统的设计与实现[D]. 徐杰.华中科技大学 2013
[8]基于视频图像的人脸疲劳状态检测技术研究[D]. 李智.国防科学技术大学 2010
[9]机器视觉应用技术研究[D]. 李锋.浙江大学 2003



本文编号：3185794