基于深度学习和多属性融合的疲劳驾驶检测系统研究

发布时间：2023-03-23 19:38

　　疲劳驾驶时刻危害着道路交通安全,是产生交通事故的主要原因之一。如何有效监测和判定疲劳驾驶状态,从而实现疲劳预警,已成为科学研究的热点。传统的检测方法多是基于某种人体生理参数,通过对生理参数变化的监测,完成对疲劳状态的判定。与传统检测方法相比,基于计算机视觉的疲劳检测方法具有检测结果准确可靠,检测过程不依赖穿戴设备,人机交互体验良好等优势。但在特定的算法运用场景中,往往存在被检画面部分遮挡、图像分辨率过低、检测环境复杂光照、采集设备不稳定等环境因素的干扰。面对诸多挑战,如何有效地提高疲劳状态的检测精度,同时算法具有实际运用空间,仍需要深入探索。传统的基于面部信息的疲劳检测方法往往针对特定的某一面部属性进行检测分析,由于检测个体差异及疲劳状态界定模糊,算法存在识别错误率高、鲁棒性差的问题。而且单一属性模型割裂了面部属性间潜在的相融相斥关系,同时庞大的模型尺寸和复杂的模型结构也限制了算法的实际落地。针对这些亟待解决的问题,本文首先基于多任务卷积神经网络(MTCNN)提出了面部检测和头部姿态分析融合模型,模型使用多任务级联的架构策略,在完成面部检测任务的同时完成完整面部姿态分析任务。其次基于网...

【文章页数】：89 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 课题研究背景与意义
    1.2 研究现状
    1.3 本文研究内容
    1.4 论文的组织结构
2 相关理论与技术分析
    2.1 典型深度学习模型
    2.2 深度卷积网络在图像分析中的应用
    2.3 多任务学习
    2.4 本章小结
3 面部检测与面部姿态分析融合网络
    3.1 问题概述
    3.2 面部检测与面部姿态分析融合网络
    3.3 仿真实验与分析
    3.4 本章小结
4 基于人脸关键点的面部属性分析网络
    4.1 人脸关键点定位方法
    4.2 基于级联网络的人脸关键点检测方法
    4.3 面部属性分析
    4.4 实验结果与分析
    4.5 本章小结
5 多指标融合疲劳驾驶检测方法
    5.1 疲劳程度评价标准
    5.2 疲劳特征提取
    5.3 信息融合与疲劳程度评估
    5.4 评估与实验
    5.5 本章小结
6 在线疲劳检测预警系统平台搭建
    6.1 平台需求分析
    6.2 系统概况
    6.3 系统设计与实现
    6.4 本章小结
7 总结及展望
    7.1 本文工作总结
    7.2 未来工作展望
参考文献
致谢



本文编号：3768622