基于深度学习的疲劳驾驶检测方法研究与实现
发布时间：2021-10-31 22:52
道路交通行业的快速发展便利了人们的日常生活,但是频发的交通事故造成的巨大经济损失和人员伤亡已经不容忽视。研究表明,疲劳驾驶是造成交通事故的主要原因之一。据美国国家统计和分析中心的报告显示,驾驶员如果能在交通事故发生前的0.5秒做出正确操作,可以避免60%的交通事故。因此,通过检测驾驶员的疲劳状态并及时对驾驶员进行提醒,对减少因疲劳驾驶引发的交通事故、保护驾驶员及乘车人的生命财产安全具有十分重要的现实意义。关于疲劳驾驶检测的研究引起国内外研究学者的广泛关注,也取得了较多的研究成果。在众多检测方法中,具有非接触性和实时性等优点的基于机器视觉的检测方法得到研究学者的重点关注。基于机器视觉的检测方法是检测疲劳驾驶的一个重要方法,但是该方法存在对光照变化适应性不强、实时性和准确性难以权衡的两大主要问题。本文提出的疲劳驾驶检测方法通过数字图像处理技术、机器视觉技术逐步检测到人脸区域和人脸关键点信息,根据人脸关键点信息提取驾驶员眼部和嘴部区域、判断驾驶员头部姿态,然后通过深度学习中卷积神经网络对驾驶员眼部和嘴部状态进行精确识别,最后综合眼部、嘴部和头部的疲劳特征参数对驾驶员进行疲劳判定。本文的主要工...
【文章来源】：西南大学重庆市 211工程院校 教育部直属院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
二维场景下的卷积核与输入数据
西南大学工程硕士学位论文11（a）第1次卷积操作及结果（b）第2次卷积操作及结果（c）第3次卷积操作及结果（d）第9次卷积操作及结果图2.3卷积操作实例其中式（2.1）中的求和部分相当于进行一次交叉相关求解。为偏差量，和+1表示第+1层的卷积输入和输出，也被称之为特征图，+1为+1的尺寸，这里我们假设特征图长宽相同。Z(,)表示特征图的像素，表示特征图的通道数，是卷积核大小，0是卷积步长，是填充层数。理论上，卷积核在使用参数求解交叉相关之前同样可以先翻转180度，其计算结果中的卷积相当于一个满足交换律的线性卷积，但这种做法增加了参数求解的步骤，不利于求解，所以我们使用线性卷积核[46][53]将其中的卷积用参数求解交叉相关的方法进行了替换。特别的，大小和步长都为1，填充为0的卷积核是单位卷积核，卷积层的交叉相关计算相当于矩阵相乘，从而在卷积层之间建立了完全连接的网络。（2.2）层感知器[50]的卷积层由单位卷积核构成。在保持特性图尺寸的前提下，利用单位卷积核可以有效的减少图中的通道数，从而尽可能的降低卷积层的计算成本。部分卷积神经网络在线性卷积的基础上，使用了更加复杂的卷积方式，例如平铺卷积[54]、转置卷积[55]和扩张卷积[42]。其中，平铺卷积方式是利用平铺卷积核对特征图的一部分进行卷积操作，特征图的剩余部分交由其他卷积核处理，使得卷积层之间的参数被部分共享，达到捕捉输入图像旋转不变特征的目的。转置卷积也被称为反卷积，转置卷积将单个的输入激励与多个输出激励相连接，对输入
西南大学工程硕士学位论文12图像进行放大。由转置卷积和向上池化层构成的卷积神经网络在图像处理和语义分割技术领域中具有广泛应用，也被广泛用于设计和构建卷积自定义编码器[40]。扩张卷积通过在线性卷积中导入扩张率，扩大卷积核的感受野，从而获得更多的特征图信息，在进行面向序列数据使用时有利于捕捉学习目标的长距离依赖。这种使用扩张卷积的卷积神经网络主要被用于机器翻译、语音识别[64]等自然语言处理任务。2.2.2池化层在卷积神经网络中，卷积层之后通常会使用池化层。池化层的主要功能是压缩数据和参数，减少过拟合。目前常用的池化操作有两种，分别是平均池化和最大池化。池化层常常选取区域为2×2的感受野，窗口滑动步长为2，最大池化的过程就是从每个2×2的感受野区域中选取最大的值作为输出值，如图2.4所示为最大池化的过程。图2.4最大池化示例使用池化层好处有以下几点：1.保持特征不变性。对于一张含有一只猫的图像，将图像缩小一倍后我们还是可以认出这是一只猫，这就说明了图像虽然缩小了，但是缩小后的图像仍然保留着猫最重要的特征。图像在缩小的过程中去掉的只是一些无关紧要的信息，而被保留下来的信息就是具有尺度不变的特征，也是最能表达图像的特征。2.特征降维。图像中包含很多的信息和特征，但是在进行图像处理任务时，并不是所以的信息都是有用的，所以可以去除无用或者重复的信息，提取出对图像处理任务最重要的特征，进而减少计算量和参数个数，这也是池化层的一个重要作用。3.防止过拟合。池化层通过不断减小数据的空间大小，以此减少参数的数量和计算量，这在一定程度上也防止了过拟合。2.2.3激活函数
【参考文献】：
期刊论文
[1]基于人工智能视频处理的课堂学生状态分析[J]. 贾鹂宇,张朝晖,赵小燕,闫晓炜. 现代教育技术. 2019(12)
[2]基于多尺度池化卷积神经网络的疲劳检测方法研究[J]. 顾王欢,朱煜,陈旭东,郑兵兵,何林飞. 计算机应用研究. 2019(11)
[3]基于深度学习的疲劳驾驶检测算法[J]. 戴诗琪,曾智勇. 计算机系统应用. 2018(07)
[4]基于级联卷积神经网络的疲劳检测[J]. 赵雪鹏,孟春宁,冯明奎,常胜江. 光电子·激光. 2017(05)
[5]基于面部行为分析的驾驶员疲劳检测方法[J]. 耿磊,袁菲,肖志涛,张芳,吴骏,李月龙. 计算机工程. 2018(01)
[6]基于脑电信号特征的驾驶疲劳检测方法研究[J]. 祝亚兵,曾友雯,冯珍,时一凡,李奇. 长春理工大学学报(自然科学版). 2016(05)
[7]一种基于眼部状态的疲劳驾驶检测方法[J]. 毛须伟,景文博,王晓曼,刘学,张姗姗,张茂桢. 长春理工大学学报(自然科学版). 2016(02)
[8]基于LBP的眼睛开闭检测方法[J]. 姚胜,李晓华,张卫华,周激流. 计算机应用研究. 2015(06)
[9]基于转向盘操作的疲劳驾驶检测方法[J]. 金立生,李科勇,牛清宁,高琳琳. 交通信息与安全. 2014(05)
[10]面部多特征融合的驾驶员疲劳检测方法[J]. 周云鹏,朱青,王耀南,卢笑,凌志刚. 电子测量与仪器学报. 2014(10)
博士论文
[1]基于心电信号的驾驶疲劳检测方法研究[D]. 吴群.浙江大学 2008
硕士论文
[1]基于深度学习的驾驶安全评估方法研究[D]. 张博雅.西安科技大学 2019
[2]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
[3]基于深度学习的行人检测算法研究[D]. 王玉辉.北京工业大学 2019
[4]基于脸部关键点信息的驾驶员行为分析[D]. 王莹.南京航空航天大学 2019
[5]基于面部行为分析的驾驶员疲劳检测方法研究[D]. 苏静静.天津工业大学 2017
[6]基于人脸特征融合的疲劳检测方法研究[D]. 王豪荣.长安大学 2015
[7]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
[8]基于传统方法和深度学习的图像精细分类研究[D]. 张恒亨.合肥工业大学 2014
[9]基于PERCLOS的驾驶疲劳检测系统设计[D]. 吴康华.浙江大学 2008
本文编号：3469013
【文章来源】：西南大学重庆市 211工程院校 教育部直属院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
二维场景下的卷积核与输入数据
西南大学工程硕士学位论文11（a）第1次卷积操作及结果（b）第2次卷积操作及结果（c）第3次卷积操作及结果（d）第9次卷积操作及结果图2.3卷积操作实例其中式（2.1）中的求和部分相当于进行一次交叉相关求解。为偏差量，和+1表示第+1层的卷积输入和输出，也被称之为特征图，+1为+1的尺寸，这里我们假设特征图长宽相同。Z(,)表示特征图的像素，表示特征图的通道数，是卷积核大小，0是卷积步长，是填充层数。理论上，卷积核在使用参数求解交叉相关之前同样可以先翻转180度，其计算结果中的卷积相当于一个满足交换律的线性卷积，但这种做法增加了参数求解的步骤，不利于求解，所以我们使用线性卷积核[46][53]将其中的卷积用参数求解交叉相关的方法进行了替换。特别的，大小和步长都为1，填充为0的卷积核是单位卷积核，卷积层的交叉相关计算相当于矩阵相乘，从而在卷积层之间建立了完全连接的网络。（2.2）层感知器[50]的卷积层由单位卷积核构成。在保持特性图尺寸的前提下，利用单位卷积核可以有效的减少图中的通道数，从而尽可能的降低卷积层的计算成本。部分卷积神经网络在线性卷积的基础上，使用了更加复杂的卷积方式，例如平铺卷积[54]、转置卷积[55]和扩张卷积[42]。其中，平铺卷积方式是利用平铺卷积核对特征图的一部分进行卷积操作，特征图的剩余部分交由其他卷积核处理，使得卷积层之间的参数被部分共享，达到捕捉输入图像旋转不变特征的目的。转置卷积也被称为反卷积，转置卷积将单个的输入激励与多个输出激励相连接，对输入
西南大学工程硕士学位论文12图像进行放大。由转置卷积和向上池化层构成的卷积神经网络在图像处理和语义分割技术领域中具有广泛应用，也被广泛用于设计和构建卷积自定义编码器[40]。扩张卷积通过在线性卷积中导入扩张率，扩大卷积核的感受野，从而获得更多的特征图信息，在进行面向序列数据使用时有利于捕捉学习目标的长距离依赖。这种使用扩张卷积的卷积神经网络主要被用于机器翻译、语音识别[64]等自然语言处理任务。2.2.2池化层在卷积神经网络中，卷积层之后通常会使用池化层。池化层的主要功能是压缩数据和参数，减少过拟合。目前常用的池化操作有两种，分别是平均池化和最大池化。池化层常常选取区域为2×2的感受野，窗口滑动步长为2，最大池化的过程就是从每个2×2的感受野区域中选取最大的值作为输出值，如图2.4所示为最大池化的过程。图2.4最大池化示例使用池化层好处有以下几点：1.保持特征不变性。对于一张含有一只猫的图像，将图像缩小一倍后我们还是可以认出这是一只猫，这就说明了图像虽然缩小了，但是缩小后的图像仍然保留着猫最重要的特征。图像在缩小的过程中去掉的只是一些无关紧要的信息，而被保留下来的信息就是具有尺度不变的特征，也是最能表达图像的特征。2.特征降维。图像中包含很多的信息和特征，但是在进行图像处理任务时，并不是所以的信息都是有用的，所以可以去除无用或者重复的信息，提取出对图像处理任务最重要的特征，进而减少计算量和参数个数，这也是池化层的一个重要作用。3.防止过拟合。池化层通过不断减小数据的空间大小，以此减少参数的数量和计算量，这在一定程度上也防止了过拟合。2.2.3激活函数
【参考文献】：
期刊论文
[1]基于人工智能视频处理的课堂学生状态分析[J]. 贾鹂宇,张朝晖,赵小燕,闫晓炜. 现代教育技术. 2019(12)
[2]基于多尺度池化卷积神经网络的疲劳检测方法研究[J]. 顾王欢,朱煜,陈旭东,郑兵兵,何林飞. 计算机应用研究. 2019(11)
[3]基于深度学习的疲劳驾驶检测算法[J]. 戴诗琪,曾智勇. 计算机系统应用. 2018(07)
[4]基于级联卷积神经网络的疲劳检测[J]. 赵雪鹏,孟春宁,冯明奎,常胜江. 光电子·激光. 2017(05)
[5]基于面部行为分析的驾驶员疲劳检测方法[J]. 耿磊,袁菲,肖志涛,张芳,吴骏,李月龙. 计算机工程. 2018(01)
[6]基于脑电信号特征的驾驶疲劳检测方法研究[J]. 祝亚兵,曾友雯,冯珍,时一凡,李奇. 长春理工大学学报(自然科学版). 2016(05)
[7]一种基于眼部状态的疲劳驾驶检测方法[J]. 毛须伟,景文博,王晓曼,刘学,张姗姗,张茂桢. 长春理工大学学报(自然科学版). 2016(02)
[8]基于LBP的眼睛开闭检测方法[J]. 姚胜,李晓华,张卫华,周激流. 计算机应用研究. 2015(06)
[9]基于转向盘操作的疲劳驾驶检测方法[J]. 金立生,李科勇,牛清宁,高琳琳. 交通信息与安全. 2014(05)
[10]面部多特征融合的驾驶员疲劳检测方法[J]. 周云鹏,朱青,王耀南,卢笑,凌志刚. 电子测量与仪器学报. 2014(10)
博士论文
[1]基于心电信号的驾驶疲劳检测方法研究[D]. 吴群.浙江大学 2008
硕士论文
[1]基于深度学习的驾驶安全评估方法研究[D]. 张博雅.西安科技大学 2019
[2]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
[3]基于深度学习的行人检测算法研究[D]. 王玉辉.北京工业大学 2019
[4]基于脸部关键点信息的驾驶员行为分析[D]. 王莹.南京航空航天大学 2019
[5]基于面部行为分析的驾驶员疲劳检测方法研究[D]. 苏静静.天津工业大学 2017
[6]基于人脸特征融合的疲劳检测方法研究[D]. 王豪荣.长安大学 2015
[7]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
[8]基于传统方法和深度学习的图像精细分类研究[D]. 张恒亨.合肥工业大学 2014
[9]基于PERCLOS的驾驶疲劳检测系统设计[D]. 吴康华.浙江大学 2008
本文编号：3469013
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3469013.html
